Variáveis aleatórias e distribuições contínuas SEFAZ-BA 2023

Aula 09
SEFAZ-BA - Estatística - 2023

(Pré-Edital)
Autor:
Equipe Exatas Estratégia
Concursos
23 de Fevereiro de 2023
78116821504 - RENIVALDO FREITAS DOS SANTOS

Equipe Exatas Estratégia Concursos
Aula 09
Índice
1) Introdução - Variáveis Aleatórias e Distribuições Contínuas
..............................................................................................................................................................................................4
2) Noções iniciais de variáveis aleatórias contínuas

..............................................................................................................................................................................................5
3) Função de Distribuição Acumulada

..............................................................................................................................................................................................
16
4) Tendência Central e Dispersão

..............................................................................................................................................................................................
20
5) Teoremas de Desigualdade
..............................................................................................................................................................................................
41
6) Distribuição Uniforme
..............................................................................................................................................................................................
48
7) Distribuição Exponencial
..............................................................................................................................................................................................
57
8) Distribuição Normal
..............................................................................................................................................................................................
72
9) Soma de Variáveis e o Teorema

..............................................................................................................................................................................................
91
10) Distribuição Qui-Quadrado

..............................................................................................................................................................................................
102
11) Distribuição T de Student

..............................................................................................................................................................................................
107
12) Distribuição F de Snedecor

..............................................................................................................................................................................................
113
13) Questões Comentadas - Noções Iniciais de Variáveis Contínuas - Multibancas

..............................................................................................................................................................................................
119
14) Questões Comentadas - Teoremas de Desigualdades - Multibancas

..............................................................................................................................................................................................
146
15) Questões Comentadas - Distribuição Uniforme - Multibancas

..............................................................................................................................................................................................
152
16) Questões Comentadas - Distribuição Exponencial - Multibancas

..............................................................................................................................................................................................
158
17) Questões Comentadas - Distribuição Normal - Multibancas

..............................................................................................................................................................................................
176
18) Questões Comentadas - Soma de Variáveis e o Teorema Central do Limite - Multibancas

..............................................................................................................................................................................................
213
19) Questões Comentadas - Distribuição Qui-Quadrado - Multibancas

..............................................................................................................................................................................................
226
20) Questões Comentadas - Distribuição T de Student - Multibancas

..............................................................................................................................................................................................
229
21) Questões Comentadas - Distribuição F de Snedecor - Multibancas

..............................................................................................................................................................................................
235
22) Questões Comentadas - Distribuições Avançadas - Multibancas

..............................................................................................................................................................................................
237
23) Lista de Questões - Noções Iniciais de Variáveis Contínuas - Multibancas

..............................................................................................................................................................................................
250
24) Lista de Questões - Teoremas de Desigualdades - Multibancas

..............................................................................................................................................................................................
260
25) Lista de Questões - Distribuição Uniforme - Multibancas

..............................................................................................................................................................................................
263
26) Lista de Questões - Distribuição Exponencial - Multibancas

..............................................................................................................................................................................................
266
27) Lista de Questões - Distribuição Normal - Multibancas

..............................................................................................................................................................................................
275
28) Lista de Questões - Soma de Variáveis e o Teorema Central do Limite - Multibancas

..............................................................................................................................................................................................
289
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 2

www.estrategiaconcursos.com.br 310

Aula 09
Índice
29) Lista de Questões - Distribuição Qui-Quadrado - Multibancas
..............................................................................................................................................................................................
295
30) Lista de Questões - Distribuição T de Student - Multibancas

..............................................................................................................................................................................................
298
31) Lista de Questões - Distribuição F de Snedecor - Multibancas

..............................................................................................................................................................................................
302
32) Lista de Questões - Distribuições Avançadas - Multibancas

..............................................................................................................................................................................................
304


Aula 09
Olá, concurseiro(a)!
Nesta aula, vamos estudar Variáveis Contínuas. As medidas desta aula as mesmas da aula de Variáveis
Discretas (esperança, variância etc.) e apresentam as mesmas propriedades, mas a forma em que elas são
calculadas é diferente. Como as variáveis contínuas não são contáveis, substituímos os somatórios pelas
integrais.
Se você não está familiarizado com Cálculo, não se preocupe. Nesta aula, veremos as principais operações,
que permitem resolver a grande maioria das questões de concursos públicos sobre esta aula.
Por outro lado, se você tem pouco tempo para se dedicar a Estatística ou decidiu não aprender integrais e
derivadas, acompanhe esta aula sem se preocupar com os pontos que envolvem Cálculo. Embora questões
desse tipo estejam se tornando mais comuns nas provas, elas ainda são pouco frequentes.
Até já! ==3e713==
Luana Brandão
Quer me conhecer um pouquinho? Sou Doutora em Engenharia de Produção, pela Universidade Federal
Fluminense, e Auditora Fiscal da SEFAZ-RJ. Sou professora de Estatística do Estratégia, porque quero muito
ajudá-lo(a) em sua trajetória rumo à aprovação!
Se tiver alguma dúvida, entre em contato comigo!
professoraluanabrandao@gmail.com
@professoraluanabrandao
“Nossa maior fraqueza está em desistir.
O caminho mais certo de vencer é tentar mais uma vez.”
Thomas Edison


Aula 09
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

As Variáveis Aleatórias podem ser classificadas em variáveis discretas ou contínuas. Os possíveis resultados
que uma variável discreta pode assumir são contáveis (ou enumeráveis). Por exemplo, para a variável que
representa o lançamento de uma moeda, há 2 possíveis resultados; para o lançamento de um dado, há 6
possíveis resultados.
Por outro lado, para variáveis aleatórias contínuas, os resultados não são enumeráveis. Essas podem assumir
quaisquer valores dentro de um intervalo (ou conjunto de intervalos). Por exemplo, a quantidade de água
que uma pessoa ingere por dia pode assumir qualquer valor não negativo. São exemplos desse tipo de
variável: peso, comprimento, área, volume, distância, tempo etc.
Não é possível contar o resultado de uma variável contínua, apenas mensurar (medir) o seu valor. Por
exemplo, não contamos a quantidade de água que uma pessoa ingere por dia, apenas medimos essa
quantidade.
Conceitos Fundamentais
Vamos considerar um exemplo de variável contínua: a altura de uma pessoa, que pode assumir qualquer
valor positivo. Podemos encontrar valores como 1,70 ou 1,83, ou podemos melhorar a precisão da medição
e encontrar 1,704 ou 1,829. Aumentando ainda mais a precisão, podemos encontrar 1,7043 ou 1,8291 ...
Considerando que podemos sempre acrescentar mais uma casa decimal na medida, há infinitos valores
possíveis para a altura. E isso vale para qualquer variável contínua.
Dessa forma, a probabilidade de uma variável assumir exatamente um valor específico (por exemplo,
exatamente 1,82908) é minúscula. Na verdade, essa probabilidade é zero!
Por isso, para variáveis contínuas, associamos as probabilidades a um intervalo de valores (ou conjunto de
intervalos). Ou seja, podemos calcular a probabilidade de a altura estar entre, por exemplo, 1,82 e 1,83 ou
entre 1,80 e 1,90.
Assim, em vez de termos uma função de probabilidade da forma 𝑓(𝑥 ) = 𝑃(𝑋 = 𝑥), como no caso de
variáveis discretas, para as variáveis contínuas, temos uma função densidade de probabilidade ou
simplesmente f.d.p. (não é f!#%# da p#%@, hein!)
Por exemplo, podemos ter a seguinte função densidade de probabilidade (f.d.p.) para uma variável aleatória
contínua que assume valores no intervalo entre 0 e 1:
𝑓 (𝑥 ) = 12𝑥 2 (1 − 𝑥), 𝑠𝑒 𝑥 ∈ [0,1]


Aula 09
O gráfico dessa f.d.p. é da forma:
Uma função densidade de probabilidade qualquer satisfaz às seguintes condições:
i) Uma probabilidade qualquer nunca é negativa, logo:
𝒇(𝒙) ≥ 𝟎
Obs.: Quando 𝒇(𝒙) = 𝟎 em determinado intervalo, a probabilidade associada a esse

intervalo será zero.
ii) A probabilidade associada a todo o Espaço Amostral, isto é, ao conjunto de todos

os resultados possíveis da variável, é igual a 100% = 1.
E como se calcula a probabilidade?
A probabilidade associada a um intervalo de valores corresponde à área da região abaixo da f.d.p., nesse
intervalo.
Para o exemplo anterior, a probabilidade de 𝑥 pertencer ao intervalo de 0,4 a 0,6 corresponde à área da
região indicada pela seta na figura a seguir:


Aula 09
Sabendo que a probabilidade de todo o Espaço Amostral é igual a 1, então a área da região abaixo de toda
a f.d.p. é igual a 1.
Dependendo do formato da f.d.p., será possível calcular a sua área, utilizando as fórmulas
de geometria básica:
Á𝑟𝑒𝑎 𝑅𝑒𝑡â𝑛𝑔𝑢𝑙𝑜 = 𝐵𝑎𝑠𝑒 × 𝐴𝑙𝑡𝑢𝑟𝑎
Altura
Base
𝐵𝑎𝑠𝑒×𝐴𝑙𝑡𝑢𝑟𝑎
Á𝑟𝑒𝑎 𝑇𝑟𝑖â𝑛𝑔𝑢𝑙𝑜 = 𝟐
Altura
Base
(𝐵𝑎𝑠𝑒 𝑀𝑎𝑖𝑜𝑟+𝐵𝑎𝑠𝑒 𝑀𝑒𝑛𝑜𝑟)×𝐴𝑙𝑡𝑢𝑟𝑎

Á𝑟𝑒𝑎 𝑇𝑟𝑎𝑝é𝑧𝑖𝑜 = 2
Base Menor
Base Maior


Aula 09
Se não for possível utilizar as fórmulas de geometria básica para calcular a área da f.d.p.,
precisaremos calcular a integral1 dessa função. Por isso, veremos agora um breve resumo
das operações mais comuns envolvendo integral.
Para uma potência qualquer de 𝑥 (exceto para 𝑛 = −1), a integral é dada por2:
𝒙𝒏+𝟏
∫ 𝒙𝒏 . 𝒅𝒙 = 𝒏+𝟏
Por exemplo:
𝑥 2+1 𝑥3
∫ 𝑥 2 . 𝑑𝑥 = 2+1
= 3
𝑥 −2+1 𝑥 −1
∫ 𝑥 −2 . 𝑑𝑥 = −2+1
= −1
Pontue-se que:
i) Quando houver uma multiplicação ou divisão por uma constante, basta multiplicar
ou dividir o resultado da integral pela constante:
𝑥 𝑛+1
∫ 𝑎. 𝑥 𝑛 . 𝑑𝑥 = 𝑎. 𝑛+1
𝑥5 𝑥7 1 𝑥8
Por exemplo, ∫ 3𝑥 4 . 𝑑𝑥 = 3. , ∫ 10 . 𝑑𝑥 = 10 ×
5 8
1
A ideia da integral consiste na separação da área a ser calculada em retângulos muito estreitos, como ilustrado a seguir,
de modo que a área da região seja aproximada à soma das áreas dos retângulos.
Quanto mais estreitos forem os retângulos, mais precisa será essa aproximação.
No limite, quando a largura dos retângulos tende a zero, a soma das suas áreas será igual à área da região sob a função, que
é justamente a definição de integral da função.
2
O termo 𝑑𝑥 indica que estamos integrando em relação à variável 𝑋.


Aula 09
ii) Se a integral for somente de uma constante, teremos:
∫ 𝑎. 𝑑𝑥 = 𝑎. 𝒙
Isso porque se considera que a constante está multiplicada por 𝑥 𝟎 = 1. Logo, o resultado
𝒙𝟎+𝟏
da integral é =𝒙
𝟎+𝟏
Por exemplo, ∫ 𝑑𝑥 = ∫ 1. 𝑑𝑥 = 𝒙, ∫ 3. 𝑑𝑥 = 3𝒙
iii) A integral de uma potência de 𝑥 na base 𝑒 (constante neperiana 𝑒 ≅ 2,718) é ela

mesma:
∫ 𝒆𝒙 𝑑𝑥 = 𝒆𝒙
Além disso, quando há uma soma ou subtração de uma constante no expoente com base
𝑒, a integral também permanece a mesma expressão:
Por exemplo: ∫ 𝒆(𝒙+𝟒) 𝑑𝑥 = 𝒆(𝒙+𝟒), ∫ 𝒆(𝒙−𝟑) 𝑑𝑥 = 𝒆(𝒙−𝟑)
iv) A integral de uma soma (ou subtração) de expressões equivale à soma (ou
subtração) das integrais de cada expressão.
Por exemplo: ∫(𝒙𝟒 + 𝟑𝒙𝟐 − 𝒙 + 𝟐) . 𝑑𝑥 = ∫ 𝒙𝟒 𝒅𝒙 + ∫ 𝟑𝒙𝟐 𝒅𝒙 − ∫ 𝑥. 𝑑𝑥 + ∫ 𝟐. 𝒅𝒙
O resultado da integral, chamado de integrando, pode ser indicado por 𝑭(𝒙).
Para calcular a área sob a função em determinado intervalo, precisaremos calcular a integral definida nesse
intervalo, se não for possível utilizar as fórmulas de geometria básica. Para um intervalo (a,b) qualquer:
𝒃
𝑃(𝒂 < 𝑋 < 𝒃) = ∫ 𝑓 (𝑥 ). 𝑑𝑥 = 𝐹 (𝒃) − 𝐹 (𝒂)
𝒂
𝑃 (𝒂 < 𝑋 < 𝒃)
𝑓(𝑥)
a b
Assim, depois de calcularmos o integrando 𝐹 (𝑥 ), aplicamos no ponto 𝒙 = 𝒃 (limite superior do intervalo) e

subtraímos o integrando no ponto 𝒙 = 𝒂 (limite inferior do intervalo).


Aula 09
Por exemplo, vamos calcular a probabilidade associada ao intervalo (0,5; 0,6) para 𝑓(𝑥 ) = 3𝑥 2 :
𝑃 (𝟎, 𝟓 < 𝑋 < 𝟎, 𝟔)
𝑓(𝑥) = 3𝑥 2
0,5 0,6
Para isso, precisamos calcular a integral de 𝑓(𝑥 ) = 3𝑥 2 definida no intervalo (0,5; 0,6). O primeiro passo, é
calcular o resultado da integral, independentemente do intervalo (isto é, o integrando):
𝑥 2+1 𝑥3
𝑭(𝒙) = ∫ 𝟑𝑥 𝟐 . 𝑑𝑥 = 𝟑 × = 3× = 𝒙𝟑
2+1 3
Agora, aplicamos o resultado 𝑭(𝒙) = 𝒙𝟑 nos pontos 𝒙 = 𝟎, 𝟓 e 𝒙 = 𝟎, 𝟔:
𝑭(𝟎, 𝟓) = 𝟎, 𝟓𝟑 = 𝟎, 𝟏𝟐𝟓
𝑭(𝟎, 𝟔) = 𝟎, 𝟔𝟑 = 𝟎, 𝟐𝟏𝟔
Por fim, subtraímos esses valores:
𝑷(𝟎, 𝟓 < 𝑿 < 𝟎, 𝟔) = 0,216 − 0,125 = 𝟎, 𝟎𝟗𝟏 = 𝟗, 𝟏%
A seguir, representamos o integrando 𝐹 (𝑥 ) = 𝑥 3 e seus valores para 𝑥 = 0,5 e para 𝑥 = 0,6. A sua diferença
corresponde à área da f.d.p. 𝑓 (𝑥 ) = 3𝑥 2 no intervalo entre 𝑥 = 0,5 e 𝑥 = 0,6 e, consequentemente, à
probabilidade associada a tal intervalo.
𝐹(𝑥) = 𝑥 3
0,216
0,091
0,125


Aula 09
Atenção! Devemos aplicar o resultado da integral 𝐹(𝑥), no ponto 𝑏 e, em seguida, no ponto 𝑎, para então
subtrair os resultados 𝐹 (𝑏) − 𝐹(𝑎).
Não podemos calcular a diferença 𝑏 − 𝑎 e, em seguida, aplicar essa diferença no integrando 𝐹(𝑏 − 𝑎), o que
corresponderia, no exemplo anterior, a 𝐹 (0,6 − 0,5) = (0,6 − 0,5)3 = 0,13 = 0,001.
Os resultados são muito diferentes!
Para variáveis contínuas, não importa se definimos um intervalo com sinal "<" (menor que)
ou "≤" (menor ou igual).
Como a probabilidade de ser igual a um valor específico é zero, então ambos os sinais
correspondem à mesma probabilidade.
𝑃 (𝑎 < 𝑋 < 𝑏 ) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏 ) = 𝑃 (𝑎 ≤ 𝑋 < 𝑏 ) = 𝑃 ( 𝑎 < 𝑋 ≤ 𝑏 )
Isso também vale para os sinais ">" e "≥".
Vimos que a probabilidade associada a todo o Espaço Amostral é igual a 1, certo? Então, para uma f.d.p. cujo
valor mínimo é 𝒙𝑰 e o valor máximo é 𝒙𝑺, a integral definida nesse intervalo é igual a 1, ou seja:
𝒙
𝑃(𝑆) = ∫𝒙 𝑺 𝑓(𝑥). 𝑑𝑥 = 1
𝑰
𝒙𝑰 𝒙𝑺
Se a f.d.p. apresentar uma função para toda a reta real, então temos 𝒙𝑰 = −∞ e 𝒙𝑺 = ∞.


Aula 09
É possível que uma variável tenha uma função para um intervalo e outra função para outro
intervalo, conforme exemplo da Banca CEBRASPE abaixo.
2
𝑥, 𝑠𝑒 0 ≤ 𝑥 < 1
3
𝑓 (𝑥 ) = { − 𝑥 + 5 , 𝑠𝑒 1 ≤ 𝑥 ≤ 3 }
4 6
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Essa f.d.p. apresenta uma função para o intervalo de 0 a 1 e outra função para o intervalo
de 1 a 3, como ilustrado abaixo.
0 1 2 3
Nesse caso, se for necessário integrar em relação a um intervalo que envolva ambas as
funções, como o intervalo de 0,5 a 1,5, teremos que separar a integral em duas.
2
Primeiro, integramos a função 𝑥, no intervalo de 0,5 a 1 e depois integramos a função
3
𝑥 5
− 4 + 6, no intervalo de 1 a 1,5. Em seguida, devemos somar os resultados dessas integrais,
para encontrar a probabilidade associada a todo o intervalo de 0,5 a 1,5.
𝟏 2 𝟏,𝟓 𝑥 5
𝑃(𝟎, 𝟓 < 𝑥 < 𝟏, 𝟓) = ∫𝟎,𝟓 (3 𝑥) 𝑑𝑥 + ∫𝟏 (− 4 + 6) 𝑑𝑥
(VUNESP/2014 – TJ-PA) Uma variável aleatória contínua tem uma função de probabilidade dada por f(x) =
K.x, válida apenas no intervalo 1≤ x ≤ 2. Fora desse intervalo f(x) = 0. De acordo com isso o valor de K é:
a) 1/3
b) 2/3


Aula 09
c) 1/2
d) 1
e) 2
Comentários:
Para resolver essa questão, devemos considerar que a probabilidade de todo o Espaço Amostral é igual a 1.
Para isso, podemos integrar a função f(x) ou, como essa função é uma reta 3, basta calcularmos a área
delimitada por essa função, indicada abaixo.
Área
Podemos observar que essa região é um trapézio, cuja área é dada por:
(𝐵 + 𝑏) × ℎ
𝐴=
2
A altura h do trapézio corresponde à amplitude do intervalo:
h=2–1=1
A base menor b corresponde ao valor da função para x = 1. Como f(x) = K.x, então:
b = f(1) = K.1 = K
A base maior corresponde ao valor da função para x = 2:
B = f(2) = K.2 = 2K
Substituindo esses valores na fórmula da área, temos:
(2𝐾 + 𝐾) × 1
𝐴= =1
2
3𝐾 = 2
2
𝐾=
3
Gabarito: B.
3
Podemos concluir que a função f(x) = K.x é uma reta, pois x está elevado ao expoente 1 (f(x) = K.x 1). Se x estivesse elevado a 0,
ou seja, se a função fosse da forma f(x) = K.x0 = K, então, teríamos uma reta paralela ao eixo X.
Se o expoente fosse igual a 2 ou superior, teríamos uma curva e precisaríamos integrar a função para calcular a probabilidade
associada.


Aula 09
(FCC/2018 – Analista Judiciário do TRT da 14ª Região) Os sinistros de uma companhia de seguros (em R$
milhões) são modelados por uma variável aleatória contínua X com função densidade de probabilidade dada
por:
2
𝑓 (𝑥 ) = , 𝑥>0
(1 + 𝑥)3
A probabilidade de um sinistro, aleatoriamente escolhido, exceder R$ 1,5 milhões é
a) 0,1536.
b) 0,128.
c) 0,84.
d) 0,16.
e) 0,8464.
Comentários:
==3e713==
A probabilidade de o sinistro exceder 1,5 milhões P(X > 1,5) pode ser calculada como o complementar da
probabilidade de ele não exceder tal valor:
𝑃 (𝑋 > 1,5) = 1 − 𝑃(𝑋 ≤ 1,5)
Para calcular a probabilidade 𝑃 (𝑋 ≤ 1,5), primeiro calculamos a integral da função:
2 −3
(1 + 𝑥)−3+1 (1 + 𝑥)−2
𝐹 (𝑥 ) = ∫ . 𝑑𝑥 = ∫ 2 × (1 + 𝑥) . 𝑑𝑥 = 2 × = 2 ×
(1 + 𝑥)3 −3 + 1 −2
1
𝐹 (𝑥 ) = −(1 + 𝑥)−2 = −
(1 + 𝑥 )2
Agora, aplicamos os limites, com 𝑥 > 0, conforme enunciado:

𝑃 (𝑋 ≤ 1,5) = 𝑃(0 < 𝑋 ≤ 1,5) = 𝐹 (1,5) − 𝐹(0)
1
𝐹(1,5) = − = −0,16
(1 + 1,5)2
1
𝐹 (0) = − = −1
(1 + 0)2
4Logo:
𝑃 (𝑋 ≤ 1,5) = 𝐹 (1,5) − 𝐹 (0) = −0,16 − (−1) = 1 − 0,16 = 0,84
Então, a probabilidade de exceder esse valor é complementar:
𝑃 (𝑋 > 1,5) = 1 − 𝑃(𝑋 ≤ 1,5) = 1 − 0,84 = 0,16

Gabarito: D.
4
Observe que a integral aplicada no extremo inferior do intervalo, F(0), foi diferente de zero, nesse caso.


Aula 09
(FCC/2009 – Analista Judiciário do TJ/AP) Se X é uma variável aleatória contínua com função densidade de
probabilidade dada por:
𝑘 (1 − 𝑥 2 ) , 𝑠𝑒 0 < 𝑥 ≤ 1
𝑓 (𝑥 ) = { }
Então o valor de k deve ser
a) 0,5.
b) 0,75.
c) 1.
d) 1,5.
e) 2.
Comentários:
Para encontrar o valor de K, precisamos considerar que a probabilidade de todo o Espaço Amostral é igual a
1. Para isso, precisamos integrar a f.d.p.:
𝐹 (𝑥 ) = ∫ 𝑘(1 − 𝑥 2 )𝑑𝑥 = ∫(𝑘 − 𝑘. 𝑥 2 )𝑑𝑥 = ∫ 𝑘. 𝑑𝑥 − ∫ 𝑘. 𝑥 2 𝑑𝑥
Calculando as integrais em separado, temos:
∫ 𝑘. 𝑑𝑥 = 𝑘 × 𝑥
2
𝑥 2+1 𝑥3
∫ 𝑘. 𝑥 𝑑𝑥 = 𝑘 × =𝑘×
2+1 3
Logo:
𝑥3
𝐹 (𝑥 ) = 𝑘 × 𝑥 − 𝑘 ×
3
Como 𝟎 < 𝑥 ≤ 1, então aplicamos esse resultado em 𝒙 = 𝟎 e em 𝒙 = 𝟏:
𝟏
𝑃(𝟎 < 𝑋 ≤ 𝟏) = ∫ 𝑓 (𝑥 ). 𝑑𝑥 = 𝐹 (𝟏) − 𝐹(𝟎)
𝟎
𝟏3 𝟎3 𝑘 2. 𝑘
𝑃(0 < 𝑋 ≤ 1) = 𝑘 × 𝟏 − 𝑘 × −𝑘×𝟎−𝑘× =𝑘− =
3 3 3 3
Essa probabilidade de todo o Espaço Amostral precisa ser igual a 1:
2. 𝑘
𝑃(0 < 𝑋 ≤ 1) = =1
3
𝑘 = 1,5
Gabarito: B.


Aula 09
FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA

Assim como para variáveis discretas, a função de distribuição acumulada (f.d.a. ou função de distribuição
cumulativa ou, simplesmente, função de distribuição) para variáveis contínuas também é definida como a
probabilidade acumulada desde o início até o ponto indicado 𝒙:
𝑭𝑨 (𝒙) = 𝑃 (𝑋 ≤ 𝒙)
Ou seja, a f.d.a. corresponde ao total das probabilidades desde o extremo inferior da distribuição até o ponto
𝒙. Para variáveis contínuas, esse total é calculado pela integral da f.d.p., no intervalo entre o limite inferior
𝒙𝑰 e o ponto 𝒙:
𝒙
𝑭𝑨 (𝒙) = 𝑃 (𝑋 ≤ 𝒙) = ∫ 𝑓 (𝑥 ). 𝑑𝑥
𝒙𝑰
𝑭𝑨 (𝒙) = 𝐹 (𝒙) − 𝐹(𝒙𝑰 )
Por exemplo, vamos supor que a f.d.p. seja 𝑓 (𝑥 ) = 9𝑥 2 , para 𝒙 ≥ 𝟎. Para calcular a f.d.a., primeiro
calculamos a integral dessa função, sem nos preocupar com o intervalo.
𝑥 2+1 𝑥3
𝐹 (𝑥 ) = ∫ 9𝑥 2 . 𝑑𝑥 = 9 × =9×
2+1 3
𝐹(𝑥) = 3. 𝑥 3
A f.d.a. corresponde à diferença entre essa integral aplicada no ponto 𝒙 e no limite inferior 𝒙𝑰 . Nesse
exemplo, o limite inferior é 𝒙𝑰 = 𝟎, então:
𝑭𝑨(𝒙) = 𝐹 (𝒙) − 𝐹 (𝟎) = 3. 𝑥 3 − 3. (0)3 = 𝟑. 𝒙𝟑
Nesse caso, a f.d.a. 𝑭𝑨 (𝒙) foi exatamente igual à integral da f.d.p. 𝑭(𝒙). Isso ocorreu
porque a integral aplicada no limite inferior foi nula, 𝑭(𝒙𝑰 ) = 0, mas nem sempre isso irá
ocorrer.
O valor probabilidade acumulada em 𝒙 = 𝟎, 𝟓, por exemplo, é:
𝑭𝑨 (𝟎, 𝟓) = 𝟑. (𝟎, 𝟓)𝟑 = 3 × 0,125 = 0,375


Aula 09
O gráfico da f.d.a. 𝑭𝑨 (𝒙) = 𝟑. 𝒙𝟑 é:
==3e713==
A função de distribuição acumulada apresenta as seguintes características (são as mesmas

da função de distribuição acumulada das variáveis discretas):
i) 𝐹𝐴 é não decrescente, pois as probabilidades são sempre acrescidas.
ii) Por ser uma probabilidade, a f.d.a. assume valores entre 0 e 1:
𝟎 ≤ 𝑭𝑨 (𝒙) ≤ 𝟏
Na verdade, para valores menores ou iguais ao extremo inferior do intervalo 𝒙𝑰 , a f.d.a. é

igual a 0 e para valores maiores ou iguais ao extremo superior do intervalo 𝒙𝑺, a f.d.a. é
igual a 1:
𝐹𝐴 (𝑥 ) = 𝟎, 𝑝𝑎𝑟𝑎 𝑥 ≤ 𝒙𝑰
𝐹𝐴 (𝑥 ) = 𝟏, 𝑝𝑎𝑟𝑎 𝑥 ≥ 𝒙𝑺
Para o nosso exemplo, em que a f.d.a. é 𝑭𝑨 (𝒙) = 𝟑. 𝒙𝟑 , sabemos que o extremo inferior é 𝒙𝑰 = 𝟎. Então,
vamos calcular o extremo superior dessa variável, isto é, o valor de 𝒙𝑺 para o qual a f.d.a. é 𝐹 (𝒙𝑺) = 𝟏.
𝑭𝑨 (𝒙𝑺) = 𝟑. 𝒙𝑺𝟑 = 𝟏


Aula 09
1
𝑥𝑆 3 =
3
3 1
𝑥𝑆 = √ ≅ 0,69
3
Ou seja, a função de distribuição acumulada para essa variável pode ser descrita como:
𝟎 𝑠𝑒 𝑥 ≤ 𝟎
𝟑 𝟏
𝟑𝒙𝟑 𝑠𝑒 𝟎 < 𝑥 < √
𝐹𝐴 (𝑥 ) = 𝟑
𝟑 𝟏
𝟏 𝑠𝑒 𝑥 ≥ √
{ 𝟑 }
Mais precisamente, a f.d.a. é definida como a integral da f.d.p. de menos infinito (isto é, o
menor valor possível) até o ponto 𝒙:
𝒙
𝐹 (𝒙) = 𝑃(𝑋 ≤ 𝒙) = ∫−∞ 𝑓 (𝑥 ). 𝑑𝑥
A f.d.a. é igual a 𝟎 quando x tende a menos infinito (ou seja, quando x apresenta valores
muito pequenos); e igual a 𝟏 quando x tende a mais infinito (ou seja, quando x apresenta
valores muito grandes):
lim 𝐹(𝑥) = 𝟎, lim 𝐹(𝑥) = 𝟏

𝑥→−∞ 𝑥→∞
(CESPE/2011 – Analista de Correios) Julgue o próximo item, referentes à probabilidade e às variáveis

aleatórias.
A função de distribuição cumulativa de uma variável aleatória é sempre uma função decrescente e assume
valores no intervalo [0,1].
Comentários:


Aula 09
A função de distribuição acumulada, ou cumulativa, é uma função crescente, com valores entre 0 e 1.
Gabarito: Errado.
(FCC/2012 – Analista Judiciário do TRF da 2ª Região) Uma variável aleatória contínua tem função densidade
de probabilidade dada por:
2
𝑓 (𝑥 ) = { 𝑥 3 , 𝑠𝑒 1 ≤ 𝑥 < ∞ }
Se F(x) é a função de distribuição de X, então F(2) é igual a
a) 0,40.
b) 0,56.
c) 0,75.
d) 0,80.
e) 0,82.
Comentários:
Para calcular a função de distribuição acumulada, primeiro calculamos a integral de f(x):
2 −3
𝑥 −3+1 𝑥 −2
𝐹 (𝑥 ) = ∫ 3 . 𝑑𝑥 = ∫ 2 × 𝑥 . 𝑑𝑥 = 2 × =2×
𝑥 −3 + 1 −2
1
𝐹 (𝑥 ) = −𝑥 −2 = − 2
𝑥
A f.d.a. é a diferença entre essa integral aplicada no ponto 𝒙 e no limite inferior. No caso, o limite inferior da
f.d.p. descrita no enunciado é 𝒙𝑰 = 𝟏
1 1
𝑭𝑨 (𝒙) = 𝐹 (𝒙) − 𝐹 (𝟏) = − − (− )
𝒙2 𝟏2
1
𝑭𝑨 (𝒙) = 1 −
𝒙2
Assim, a f.d.a. no ponto desejado 𝒙 = 𝟐 é:
1 1
𝑭(𝟐) = 1 − 2
= 1 − = 1 − 0,25 = 0,75
𝟐 4
Gabarito: C.


Aula 09
MEDIDAS DE TENDÊNCIA CENTRAL E DE DISPERSÃO

Agora, veremos como calcular as medidas de tendência central (mediana, moda e média) e de dispersão
(variância e desvio padrão).
Mediana
A mediana divide a distribuição em duas partes iguais, de modo que metade das observações são superiores
e metade das observações são inferiores, ou seja:
𝑃 (𝑋 ≤ 𝒙𝑴𝒅 ) = 50% = 0,5
Sabendo que a probabilidade 𝑃 (𝑋 ≤ 𝒙𝑴𝒅 ) corresponde à função de distribuição acumulada (f.d.a.) no ponto
𝒙𝑴𝒅, podemos calcular a mediana 𝒙𝑴𝒅, a partir da f.d.a.:
𝐹 (𝒙𝑴𝒅) = 𝑃 (𝑋 ≤ 𝒙𝑴𝒅 ) = 0,5
Vamos calcular a mediana para a f.d.a. 𝐹 (𝑥 ) = 3𝑥 3 :
3
𝐹 (𝑥𝑀𝑑 ) = 3𝑥𝑀𝑑 = 0,5
3 1
𝑥𝑀𝑑 =
6
3 1
𝑥𝑀𝑑 = √6 ≅ 0,55
O gráfico abaixo representa a função acumulada 𝐹 (𝑥 ) = 3𝑥 3 e a reta vermelha representa

a mediana, que divide a distribuição em duas partes iguais. Isso significa que a área sob a
curva para cada uma das partes é igual a 0,5.


Aula 09
Quando somamos, subtraímos, multiplicamos ou dividimos uma constante dos valores da distribuição, a
mediana também sofrerá o mesmo efeito, isto é, também será somada, subtraída, multiplicada ou dividida
pela mesma constante:
𝑀𝑑 (𝑋 + 𝑎) = 𝑀𝑑(𝑋) + 𝑎
𝑀𝑑 (𝑋 − 𝑎) = 𝑀𝑑(𝑋) − 𝑎
𝑀𝑑 (𝑋 ∗ 𝑎) = 𝑀𝑑(𝑋) ∗ 𝑎
𝑀𝑑 (𝑋 ÷ 𝑎) = 𝑀𝑑(𝑋) ÷ 𝑎
Afinal, a mediana é um valor da distribuição. Se todos os valores são duplicados, por exemplo, a mediana
também será duplicada.
(CESPE/2011 – FUB) Considerando que X, Y e Z sejam variáveis aleatórias, que a seja uma constante não nula
e que E, Md, Var, Cov, denotem, respectivamente, esperança, mediana, variância, covariância, primeiro
quartil e terceiro quartil, julgue o item a seguir.
Md(X + a) = Md(X)
Comentários:
Quando somamos uma constante a uma distribuição X, todos os valores da distribuição são somados a essa
constante. Em particular, a mediana também é somada a essa constante:
Md(X + a) = Md(X) + a
Gabarito: Errado.
Moda
A moda corresponde ao valor com maior probabilidade.

A moda pode ser visualmente identificada, a partir do gráfico da f.d.p., pois é o valor de 𝑥 associado ao maior
valor da função densidade de probabilidade, 𝑓(𝑥).


Aula 09
Se a f.d.p., definida em determinado intervalo, for uma função que sabemos ser
decrescente ou crescente, então a moda será o menor ou maior valor, respectivamente,
do intervalo da variável.
Moda Moda
Se a f.d.p. for uma parábola com concavidade voltada para cima, a moda será o menor ou
o maior valor (ou ambos) do intervalo da variável. Nessa situação, teste os dois extremos
para saber qual corresponde ao maior valor da f.d.p.; ou se ambos apresentam o mesmo
valor, caso em que haverá duas modas.
Moda(?) Moda(?)
Se for uma parábola com concavidade voltada para baixo, a moda será a média entre as
raízes. Raízes são os valores de x para os quais a função é igual a zero.
𝑟𝑎𝑖𝑧1 + 𝑟𝑎𝑖𝑧2
𝑀𝑜 =
2
Raiz 1 Raiz 2
Moda
Porém, se não for possível identificar a moda dessa forma, será necessário calcular a derivada da f.d.p. O
valor da moda será, então, o valor de 𝑥 para o qual a derivada da f.d.p. é igual a zero.
𝒅[𝒇(𝒙𝑴𝒐 )]
𝒇′(𝒙𝑴𝒐 ) = =𝟎
𝒅𝒙


Aula 09
A derivada1 de uma função é o inverso da integral, ou seja, se a integral de uma função f é

F, então a derivada de F é igual a f. Assim, temos:
i) A derivada de uma variável 𝑥 qualquer, elevada a uma constante 𝒂 é:
𝑑(𝑥 𝒂 )
= 𝑎. 𝑥 𝒂−𝟏
𝑑𝑥
Por exemplo:
𝑑(𝑥 𝟒 )
= 4. 𝑥 𝟒−𝟏 = 4𝑥 3
𝑑𝑥
𝑑(𝑥 −𝟐 )
= −𝟐. 𝑥 −𝟐−𝟏 = −2𝑥 −3
𝑑𝑥
𝑑 (𝑎 )
ii) A derivada de uma constante é zero: =0
𝑑𝑥
Por exemplo:
𝑑 ( 5) 𝑑 (20)
= 0, =0
𝑑𝑥 𝑑𝑥
1
A derivada de uma função representa a sua variação, isto é, o quanto a função está crescendo ou decrescendo em cada
ponto. Por exemplo, a função f(x) = 2x está sempre dobrando de valor. Por isso, a derivada dessa função é igual a 2 em todos
os pontos.
Assim, quando igualamos a derivada de uma função a zero, estamos buscando o ponto em que ela não cresce e nem
decresce. O ponto encontrado pode ser um ponto de máximo ou de mínimo, conforme ilustrado a seguir:
No gráfico laranja, o ponto x = 1 corresponde a um ponto de mínimo e, no gráfico roxo, o ponto x = 1 corresponde a um
ponto de máximo. Em ambos os casos, a função não cresce e nem decresce nesse ponto, logo a derivada é igual a zero em
x = 1 para ambas as funções.
Quando igualamos a derivada a zero e verificamos que o ponto encontrado é um ponto de máximo, como é o caso de x = 1
para a curva roxa, podemos concluir que o valor de X encontrado corresponde à moda da função.


Aula 09
iii) A derivada de uma função qualquer 𝑓(𝑥) multiplicada por uma constante 𝒂 é igual
ao produto da constante pela derivada da função. Por exemplo:
𝑑(𝒂.𝑥 𝒃 ) 𝑑(𝑡 𝒃 )
= 𝑎. = 𝑎. 𝒃. 𝑡 𝒃−𝟏
𝑑𝑡 𝑑𝑡
iv) A derivada de 𝑒 𝑡 é o próprio 𝑒 𝑡 :
𝑑(𝒆𝒕 )
= 𝒆𝒕
𝑑𝑡
v) A derivada da soma de funções 𝒇(𝒕) e 𝒈(𝒕) é igual à soma das derivadas:
𝑑(𝑓(𝑡)+ 𝑔(𝑡)) 𝑑(𝑓(𝑡)) 𝑑(𝒈(𝒕))

= +
𝑑𝑡 𝑑𝑡 𝑑𝑡
Por exemplo, suponha que 𝑓 (𝑥 ) = 𝑥 − 𝑥 2 , 𝑝𝑎𝑟𝑎 𝑥 ∈ [0,1] seja uma f.d.p.

Para encontrar a moda, vamos primeiro derivá-la:
𝑑
(𝑥 − 𝑥 2 ) = 𝟏. 𝑥 𝟏−𝟏 − 𝟐. 𝑥 𝟐−𝟏 = 𝑥 𝟎 − 𝟐. 𝑥 𝟏 = 1 − 2𝑥
𝑑𝑥
A moda corresponde ao valor de 𝑥 para o qual essa derivada seja nula, logo:
1 − 2𝑥 = 0
𝑥 = 0,5
Como a função 𝑓(𝑥 ) = 𝑥 − 𝑥 2 tem a sua concavidade voltada para baixo, uma vez que o termo elevado ao
quadrado está com o sinal negativo, então o ponto encontrado é um ponto de máximo e, assim, concluímos
que 𝑥 = 0,5 corresponde, de fato, à moda da função.
(FCC/2011 – Analista Judiciário do TRT da 1ª Região) Considere a variável aleatória contínua X com função
densidade de probabilidade dada por:
12𝑥 2 (1 − 𝑥 ), 𝑠𝑒 0 < 𝑥 < 1
𝑓 (𝑥 ) = { }
Se Mo (X) representa a moda de X, então P [X ≤ Mo (X)] é igual a


Aula 09
a) 16/27.
b) 8/27.
c) 16/81.
d) 8/81.
e) 32/81.
Comentários:
Para calcular a moda de X, primeiro calculamos a derivada da f.d.p., que pode ser escrita como
𝑓 (𝑥 ) = 12𝑥 2 (1 − 𝑥 ) = 12𝑥 2 − 12𝑥 3
A sua derivada é, portanto:
𝑑
(12𝑥 2 − 12𝑥 3 ) = 12 × 𝟐. 𝑥 𝟐−1 − 12 × 𝟑. 𝑥 𝟑−1 = 24. 𝑥 − 36. 𝑥 2
𝑑𝑥
No ponto 𝑥 = 𝑥𝑀𝑜 , a derivada é igual a 0:
2
24. 𝑥𝑀𝑜 − 36. 𝑥𝑀𝑜 =0
Sendo 𝑥𝑀𝑜 ≠ 0, tendo em vista o intervalo de X fornecido no enunciado, podemos dividir toda a equação
por 12. 𝑥𝑀𝑜 :
2 − 3𝑥𝑀𝑜 = 0
2
𝑀𝑜(𝑋) = 𝑥𝑀𝑜 =
3
Esse ponto, de fato, corresponde à moda da função porque a função tem concavidade voltada para baixo,
uma vez que o termo
Para calcular a probabilidade 𝑃(𝑋 ≤ 2/3), primeiro calculamos a integral da f.d.p.:
𝐹 (𝑥 ) = ∫(12𝑥 2 − 12𝑥 3 ). 𝑑𝑥 = ∫ 12𝑥 2 . 𝑑𝑥 − ∫ 12𝑥 3 . 𝑑𝑥
Calculando essas integrais em separado, temos:

𝑥 2+1 𝑥3
∫ 12𝑥 2 . 𝑑𝑥 = 12 × = 12 × = 4. 𝑥 3
2+1 3
𝑥 3+1 𝑥4
∫ 12𝑥 3 . 𝑑𝑥 = 12 × = 12 × = 3. 𝑥 4
3+1 4
Logo, a f.d.a. é:
𝑭𝑨 (𝑥 ) = 𝐹 (𝑥 ) − 𝐹 (0) = 4. 𝑥 3 − 3. 𝑥 4 − [4. (0)3 − 3. (0)4 ] = 4. 𝑥 3 − 3. 𝑥 4

2
No ponto 𝑥 = 3, temos:
2 2 2 3 2 4 4 × 23 3 × 24 4 × 8 16 16
𝑃 (𝑋 ≤ ) = 𝑭𝑨 ( ) = 4. ( ) − 3. ( ) = − = − =
3 3 3 3 33 34 27 27 27
Gabarito: A.


Aula 09
(CESPE/2011 – TJ/ES)
A figura acima mostra a função densidade da distribuição normal padrão – 𝑓𝑁(0,1) (𝑥) –, a função densidade
da distribuição normal com média 2 e desvio padrão 1 – 𝑓𝑁(2,1) (𝑥) –, e a combinação entre elas –
𝑓 (𝑥 ) = 0,3 × 𝑓𝑁(0,1) (𝑥 ) + 0,7 × 𝑓𝑁(2,1)(𝑥). Julgue o item que segue, com relação a essas funções.
A moda da distribuição da combinação 𝑓(𝑥) coincide com a moda de 𝑓𝑁(0,1)(𝑥) ou com a moda de 𝑓𝑁(2,1) (𝑥).
Comentários:
Pelo gráfico, podemos observar que a moda da combinação 𝑓(𝑥) se aproxima da moda de 𝑓𝑁(2,1) (𝑥). Porém,
será que essas modas coincidem?
Por definição, a moda corresponde ao valor de x para o qual a derivada da função densidade é igual a zero
(ou seja, a função densidade não aumenta nem diminui). No ponto x = 2 (moda de 𝑓𝑁(2,1)), a derivada de
𝑓(𝑥) será dada por:
𝑓′(2) = 0,3 × 𝑓′𝑁(0,1) (2) + 0,7 × 𝑓′𝑁(2,1) (2)
Como x = 2 é moda de 𝑓𝑁(2,1), então a derivada dessa função é nula nesse ponto, logo:
𝑓′(2) = 0,3 × 𝑓′𝑁(0,1) (2)
Porém, o ponto x = 2 não é moda para 𝑓𝑁(0,1). Pelo contrário, podemos observar que a função está
decrescendo, logo:
𝑓′(2) = 0,3 × 𝑓′𝑁(0,1)(2) < 0
Portanto, o ponto x = 2 não é moda para a combinação 𝑓(𝑥). Nesse ponto, a função já está decrescendo, o
que significa que a moda é inferior a esse valor. Assim, a moda da combinação não coincide nem com
𝑓𝑁(0,1) (𝑥 ), nem com 𝑓𝑁(2,1) (𝑥).
Gabarito: Errado.
Esperança Matemática
Para o caso discreto, a esperança matemática é definida como:
𝐸 (𝑋) = ∑ 𝑥. 𝑃(𝑋 = 𝑥)
Para o caso contínuo, a situação é análoga. Porém, como os elementos não são contáveis, não conseguimos
somá-los. Por isso, substituímos a soma do produto, pela integral do produto.


Aula 09
Assim, para uma f.d.p., definida no intervalo de 𝒙𝑰 a 𝒙𝑺, a esperança é:
𝒙
𝑬(𝑿) = ∫𝒙 𝑺 𝒙. 𝒇(𝒙) . 𝒅𝒙
𝑰
𝟑 𝟏
Vamos calcular a esperança para a f.d.p. 𝑓 (𝑥 ) = 9𝑥 2 para 𝟎 < 𝑥 < √𝟑:
𝟑 𝟑
√𝟏 √𝟏
𝟑 𝟑
2
𝐸 (𝑋 ) = ∫ 𝑥. 9𝑥 . 𝑑𝑥 = ∫ 9𝑥 3 . 𝑑𝑥
𝟎 𝟎
Primeiro calculamos a integral, sem os limites:
𝑥 3+1 9
𝐸 (𝑋) = ∫ 9𝑥 3 . 𝑑𝑥 = 9 × = 𝑥4
3+1 4
Aplicando os limites, temos:
4
4⁄
9 𝟏 9𝟑 9 1 3
𝐸 (𝑋 ) = ( √ ) − (𝟎)4 = ( )
4 𝟑 4 4 3
Mais precisamente, a esperança é definida como a integral da f.d.p., multiplicada por 𝑥, de

menos infinito (menor valor) até mais infinito (maior valor):
+∞
𝐸(𝑋) = ∫−∞ 𝑥. 𝑓 (𝑥 ). 𝑑𝑥
É possível termos uma f.d.p. com uma função definida para um intervalo e outra função definida para outro
intervalo:
2
𝑥, 𝑠𝑒 0 ≤ 𝑥 < 1
3
𝑓 (𝑥 ) = 𝑥 5
− + , 𝑠𝑒 1 ≤ 𝑥 ≤ 3
4 6
{ 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 }


Aula 09
Nesses casos, precisaremos calcular as integrais em separado e, em seguida somá-las.
𝟏 𝟑
2 𝑥 5
𝐸(𝑋) = ∫ 𝑥. ( 𝑥) 𝑑𝑥 + ∫ 𝑥. (− + ) 𝑑𝑥
𝟎 3 𝟏 4 6
Pontue-se que todas as propriedades de esperança que valem para distribuições discretas também se
aplicam a variáveis contínuas:
i) 𝑬(𝑿 + 𝒀) = 𝑬(𝑿) + 𝑬(𝒀)
ii) 𝑬(𝑿 − 𝒀) = 𝑬(𝑿) − 𝑬(𝒀)
iii) Se X e Y são independentes, então 𝑬(𝑿. 𝒀) = 𝑬(𝑿). 𝑬(𝒀)
iv) 𝑬(𝒌. 𝑿) = 𝒌. 𝑬(𝑿)
==3e713==
v) 𝑬(𝒌) = 𝒌
Em uma distribuição simétrica e unimodal (somente uma moda), temos Média = Mediana
= Moda. Nessa situação, podemos nos referir a esse valor central, dizendo que a variável é
simétrica em torno desse valor.
Média = Mediana = Moda
As parábolas (equações de 2º grau) com concavidade para baixo são bons exemplos de funções simétricas
em que Média = Mediana = Moda; e esse ponto é igual ao ponto central entre suas raízes.
Já as parábolas com concavidade para cima apresentam modas diferentes, mas são funções simétricas, cuja
média e mediana também são iguais ao ponto central entre suas raízes.
Então, sendo a f.d.p. uma parábola, basta calcular a média de suas raízes (ou o valor da sua única raiz) para
calcular a média (e a mediana) da variável.


Aula 09
3
Por exemplo, vamos supor 𝑓 (𝑥 ) = 2 (𝑥 − 1)2 , no intervalo (0, 2). Essa função apresenta
uma única raiz:
3
(𝑥 − 1)2 = 0
2
(𝑥 − 1)2 = 0
𝑥−1=0
𝑥=1
Esse é o valor da esperança (e da mediana) da variável! Vamos verificar?
2
3 2 3 2 3 𝑥3 𝑥2
𝐸 (𝑋) = 2 ∫0 (𝑥 − 1)2 𝑑𝑥 = 2 ∫0 (𝑥 2 − 2𝑥 + 1)𝑑𝑥 = 2 [ 3 − 2 + 𝑥]
2 0
3 8 3 8−12+6 3 2
𝐸 (𝑋) = 2 (3 − 4 + 2) = 2 ( )=2×3= 1
3
No entanto, é importante verificar se o intervalo em que a variável está definida é simétrico em relação ao
ponto calculado. Para o nosso exemplo, o intervalo (0, 2) realmente é simétrico em torno do ponto 𝑥 = 1.
Caso contrário, a f.d.p. não será simétrica em relação ao ponto calculado.
Por exemplo, para 𝑓(𝑥 ) = 3𝑥 2 , no intervalo (0, 1), a única raiz é 𝑥 = 0, mas a f.d.p. não é simétrica em torno
desse ponto, conforme ilustrado a seguir:


Aula 09
Algumas questões exigem que você saiba derivar uma função composta, isto é, uma função
𝑔 de uma função 𝑓(𝑥), que podemos representar por 𝑔[𝑓 (𝑥 )], por exemplo, 𝑒 𝑡.𝑥 .
Para isso, precisamos da regra da cadeia. Segundo ela, a derivada da função composta é a
derivada da função externa, 𝑔′ [𝑓 (𝑥 )], multiplicada pela derivada da função interna, 𝑓′(𝑥):
𝑔[𝑓 (𝑥 )]′ = 𝑔′ [𝑓 (𝑥 )] × 𝑓′(𝑥)
A função 𝑒 𝑡.𝑥 tem a função 𝑡. 𝑥 como função interna, 𝑓(𝑥 ) = 𝑡. 𝑥, que é o expoente de 𝑒:
𝑔[𝑓 (𝑥 )] = 𝑒 𝑓(𝑥)
Sabemos que a derivada de 𝑒 𝑥 é ela mesma, então a derivada da função externa é:
𝑔′[𝑓 (𝑥 )] = 𝑒 𝑓(𝑥) = 𝑒 𝑡.𝑥
Agora, derivamos a função interna:
𝑓 ′ (𝑥 ) = 𝑡
Então, a derivada de 𝑒 𝑡.𝑥 é o produto:

′
𝑒 𝑡.𝑥 = 𝑡. 𝑒 𝑡.𝑥
E se precisarmos integrar, em vez de derivar?
A integral fará a operação contrária: em vez de multiplicarmos por 𝑡 dividimos por 𝑡:
𝑒 𝑡.𝑥
𝐹 (𝑥 ) = ∫ 𝑒 𝑡.𝑥 𝑑𝑥 =
𝑡
(FCC/2007 – Analista de Documentação do MPU) O tempo em minutos, X, para a digitação de um texto, é

considerado uma variável aleatória contínua com função densidade de probabilidade dada por:


Aula 09
1
, 𝑠𝑒 0 ≤ 𝑥 < 2
4
𝑓 (𝑥 ) = 1
, 𝑠𝑒 2 ≤ 𝑥 < 6
8
{0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜}
O valor esperado de X é
a) 5,0.
b) 4,0.
c) 3,5.
d) 2,5.
e) 1,0.
Comentários:
Nesse caso, temos 2 funções, uma para o intervalo 0 ≤ 𝑥 < 2 e outra para o intervalo 2 ≤ 𝑥 < 6.
Então, precisaremos calcular a integral das 2 funções multiplicadas por 𝑥 em seus respectivos intervalos e,
em seguida, somá-las.
A integral da 1ª função multiplicada por 𝑥 é:
1 1 𝑥 1+1 1 𝑥2 𝑥2
( )
𝐸1 𝑋 = ∫ . 𝑥. 𝑑𝑥 = × = × =
4 4 1+1 4 2 8
Essa função deve ser aplicada nos limites do intervalo 𝑥 = 0 e 𝑥 = 2:
22 02 4 1
𝐸1 (2) − 𝐸1 (0) = − = =
8 8 8 2
A integral da 2ª função multiplicada por 𝑥 é:
1 1 𝑥 1+1 1 𝑥2 𝑥2
𝐸2 (𝑥 ) = ∫ . 𝑥. 𝑑𝑥 = × = × =
8 8 1+1 8 2 16
Essa função deve ser aplicada nos limites do intervalo 𝑥 = 2 e 𝑥 = 6:
62 22 36 − 4 32
𝐸2 (6) − 𝐸2 (2) = − = = =2
16 16 16 16
Agora, basta somar os resultados:
1
𝐸 (𝑋 ) = + 2 = 2,5
2
Gabarito: D.
(CESPE/2013 – CNJ) A função f(t) mostrada abaixo corresponde à função densidade de probabilidade do
tempo gasto (t, em meses) para se analisar um processo em determinada vara civil. Com relação essa função,
julgue os itens seguintes.


Aula 09
2
𝑡, 𝑠𝑒 0 ≤ 𝑡 < 1
3
𝑓 (𝑡 ) = 𝑡 5
− + , 𝑠𝑒 1 ≤ 𝑡 ≤ 3
4 6
{ 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 }
(CESPE/2013 – CNJ) Cada processo demora, em média, pelo menos 1,5 mês para ser analisado.
Comentários:
A média (ou esperança) é dada por:
𝐸(𝑋) = ∫ 𝑥. 𝑓 (𝑥 ) . 𝑑𝑥
Como há funções diferentes para intervalos diferentes, então precisamos fazer o cálculo em separado. Para
2
a primeira função 𝑓1 (𝑡) = 3 . 𝑡, temos:
2 2 2 2 𝑡 2+1 2 𝑡 3 2. 𝑡 3
𝐸1 (𝑇) = ∫ . 𝑡 × 𝑡. 𝑑𝑡 = ∫ 𝑡 . 𝑑𝑡 = . = . =
3 3 3 2+1 3 3 9
Aplicando essa função nos limites do intervalo t = 0 e t = 1, temos:
2. 13 2. 03 2
𝐸 (1) − 𝐸 (0) = − =
9 9 9
𝑡 5
Para a segunda função 𝑓2 (𝑡) = − 4 + 6, temos:
𝑡 5 𝑡 2 5𝑡 1 5
𝐸2 (𝑇) = ∫ (− + ) × 𝑡. 𝑑𝑡 = ∫ (− + ) . 𝑑𝑡 = ∫ − . 𝑡 2 . 𝑑𝑡 + ∫ . 𝑡. 𝑑𝑡
4 6 4 6 4 6
Separando as integrais:
1 1 𝑡 2+1 1 𝑡3 𝑡3
∫ − . 𝑡 2 . 𝑑𝑡 = − × =− × =−
4 4 2+1 4 3 12
5 5 𝑡 1+1 5 𝑡 2 5. 𝑡 2
∫ . 𝑡. 𝑑𝑡 = × = × =
6 6 1+1 6 2 12
Somando os resultados:
𝑡 3 5𝑡 2 −𝑡 3 + 5𝑡 2
𝐸2 (𝑇) = −
+ =
12 12 12
Agora, aplicamos essa função nos limites do intervalo t = 1 e t = 3:
−33 + 5. 32 −13 + 5. 12 −27 + 45 −1 + 5 18 − 4 14 7
𝐸2 (3) − 𝐸2 (1) = − = − = = =
12 12 12 12 12 12 6
A esperança é, portanto, a soma desses dois resultados:
2 7 4 + 21 25
𝐸 (𝑇 ) = + = = ≅ 1,4
9 6 18 18
Ou seja, a esperança é inferior a 1,5 mês.
Gabarito: Errado.


Aula 09
(CESPE/2013 – CNJ) O tempo médio para se avaliar sequencialmente 10 processos é superior a 1 ano.
Comentários:
25
Na última questão, calculamos que cada processo demora em média 18 ≅ 1,4 mês para ser analisado. Logo,
considerando as propriedades da esperança, 10 processos levam, em média:
𝐸 (𝑎. 𝑇) = a. 𝐸 (𝑇)
25
𝐸 (10. 𝑇) = 10. 𝐸(𝑇) = 10 ×
≅ 14
18
Como 14 meses são superiores a 1 ano (composto de 12 meses), o item está correto.
Gabarito: Certo.
(FGV/2022 – PC/AM) Suponha que X seja uma variável aleatória contínua com a seguinte função densidade
de probabilidade:
𝑘2𝑥, 0<𝑥<1
𝑓 (𝑥 ) = { }
O valor de k e o valor esperado de X são, respectivamente,
a) 1/2 e 1/2.
b) 1 e 1/2.
c) 1 e 2/3.
d) 1 e 1/3.
e) 2 e 4/3.
Comentários:
Para encontrar o valor de k, precisamos considerar que a probabilidade associada a todos os possíveis valores
da variável (ao Espaço Amostral) é igual a 1. Para variáveis contínuas, a integral da função densidade de
probabilidade (f.d.p.) deve ser igual a 1. Sabendo a f.d.p. 𝑓 (𝑥 ) = 𝑘. 2. 𝑥 se aplica no intervalo (0, 1), temos:
1
𝑃 (𝑈) = ∫ 𝑘. 2. 𝑥. 𝑑𝑥 = 1
0
Considerando que 𝑘 e 2 são constantes, podemos tirá-los de dentro da integral:

1 1
𝑥2 12 02 1
𝑃 (𝑈) = 𝑘. 2 ∫ 𝑥. 𝑑𝑥 = 𝑘. 2. [ ] = 𝑘. 2. [ − ] = 𝑘. 2. [ ] = 𝑘
0 2 0 2 2 2
Sabendo que essa probabilidade (que corresponde a todo o Espaço Amostral) deve ser igual, temos que 𝑘 =
1 e 𝑓 (𝑥 ) = 2𝑥.
Para calcular a esperança, multiplicamos a f.d.p. por 𝑥 e integramos a função no intervalo da variável (que é
análogo ao caso discreto, em que multiplicamos as probabilidades por 𝑥 e somamos os resultados):
1 1 1
2
𝑥3 13 03 1 2
𝐸 (𝑋) = ∫ 𝑥. 2𝑥. 𝑑𝑥 = 2. ∫ 𝑥 . 𝑑𝑥 = 2. [ ] = 2. [ − ] = 2. [ ] =
0 0 3 0 3 3 3 3
2
Sendo 𝑘 = 1 e 𝐸 (𝑋) = 3, verificamos que o gabarito é C.


Aula 09
Observação: Neste caso específico, como a f.d.p. 𝑓 (𝑥 ) = 𝑘. 2. 𝑥 é uma reta, poderíamos ter calculado o valor
de 𝑘 geometricamente. O gráfico a seguir representa a f.d.p., no intervalo (0, 1):
2k
0 1
Sabendo que a área delimitada (triângulo) deve ser igual a 1, temos:

𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 1 × 2𝑘
𝐴𝑡𝑟𝑖 = = =1
2 2
𝑘=1
Gabarito: C
Variância
A variância de uma variável aleatória 𝑋, seja ela discreta ou contínua, pode ser calculada como:
𝑉 (𝑋) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2
Para variáveis discretas, o valor 𝐸(𝑋 2 ) é dado por:
𝐸 (𝑿𝟐 ) = ∑ 𝒙𝟐 . 𝑃(𝑋 = 𝑥)
Para variáveis contínuas, substituímos o somatório pela integral e a probabilidade 𝑃(𝑋 = 𝑥) pela f.d.p. 𝑓(𝑥),
definida no intervalo de 𝒙𝑰 a 𝒙𝑺:
𝒙
𝑬(𝑿𝟐 ) = ∫𝒙 𝑺 𝒙𝟐 . 𝒇(𝒙). 𝒅𝒙
𝑰
O termo 𝑬(𝑿𝟐 ) pode ser chamado de segundo momento e a variância 𝑉(𝑋) de segundo momento central.
𝟑 𝟏
Vamos calcular 𝑬(𝑿𝟐 ) para o nosso exemplo, em que a f.d.p. é 𝑓 (𝑥 ) = 9𝑥 2 para 𝟎 < 𝑥 < √𝟑:
𝟑 𝟑
√𝟏 √𝟏
𝟑 𝟑
𝑬 (𝑿 𝟐 ) = ∫ 𝑥 2 . 9𝑥 2 . 𝑑𝑥 = ∫ 9𝑥 4 . 𝑑𝑥
𝟎 𝟎


Aula 09
Primeiro calculamos a integral, sem os limites:
𝑥 4+1 9
𝑬(𝑿𝟐 ) = ∫ 9𝑥 4 . 𝑑𝑥 = 9 × = 𝑥5
4+1 5
5
5⁄
𝟐)
9 𝟏𝟑 9 9 1 3
𝑬 (𝑿 = ( √ ) − (𝟎)5 = ( )
4 𝟑 4 4 3
Mais precisamente, 𝑬(𝑿𝟐 ) é a integral da f.d.p., multiplicada por 𝑥 2 , de menos infinito até
mais infinito:
+∞
𝐸(𝑋 2 ) = ∫−∞ 𝑥 2 . 𝑓 (𝑥 ). 𝑑𝑥
Todas as propriedades de variância, que valem para variáveis discretas, também se aplicam a variáveis
contínuas:
i) 𝑉 (𝑋 + 𝑘 ) = 𝑉 (𝑋 )
ii) 𝑉(𝑘. 𝑋) = 𝑘 2 . 𝑉(𝑋)
𝑋 𝑉(𝑋)
iii) 𝑉 (𝑘 ) = 𝑘2
Além disso, vale ressaltar a seguinte propriedade, válida somente para variáveis independentes, que
também se aplica tanto para o caso discreto quanto para o caso contínuo:
iv) Se X e Y são independentes, então 𝑉(𝑋 + 𝑌) = 𝑉 (𝑋) + 𝑉(𝑌)
Por fim, vale pontuar que o desvio padrão é a raiz quadrada da variância:
𝜎 = √𝑉(𝑋)


Aula 09
Quando estivermos aplicando limites, principalmente limites infinitos, podem surgir

0 ∞
resultados indeterminados, como 0 ou ∞.
Uma boa ferramenta para esses casos é a Regra de L´Hôpital, segundo a qual podemos
derivar as expressões, que o limite será o mesmo:
𝑓(𝑥) 𝑓′(𝑥)
lim = lim
𝑥→𝑎 𝑔(𝑥) 𝑥→𝑎 𝑔′(𝑥)
𝑥
Por exemplo, vamos supor que precisamos aplicar o limite 𝑥 → ∞ para a expressão .
𝑒𝑥
∞
Esse é um caso de indeterminação, pois a aplicação direta resultaria em ∞. Então, vamos
aplicar a Regra de L´Hôpital, derivando o numerador e o denominador:
𝑥 1 1
lim = lim = =0
𝑥→∞ 𝑒 𝑥 𝑥→∞ 𝑒 𝑥 ∞
E assim resolvemos a indeterminação!
(CESPE/2014 – Analista Judiciário do TJ/SE) Considerando que X seja uma variável aleatória contínua, tal
que E(X) = 1 e E(X 2 ) = 4, julgue o item seguinte.
Var(X) = 2
Comentários:
Conhecendo 𝐸 (𝑋) = 1 e 𝐸 (𝑋 2 ) = 4, podemos calcular a variância como:
𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸 (𝑋)]2 = 4 − 12 = 3
Gabarito: Errado.
(FCC/2010 – Analista Judiciário do TRT da 9ª Região) A variável aleatória contínua X tem função densidade
de probabilidade dada por:
6(𝑥 − 𝑥 2 ), 𝑝𝑎𝑟𝑎 0 < 𝑥 ≤ 1
𝑓 (𝑥 ) = { }
0, 𝑝𝑎𝑟𝑎 𝑥 ≤ 0 𝑜𝑢 𝑥 > 1


Aula 09
A variância de X é igual a
a) 0,01.
b) 0,02.
c) 0,03.
d) 0,04.
e) 0,05.
Comentários:
Podemos calcular a variância por:
𝑉 (𝑋) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2
Vamos primeiro calcular 𝐸(𝑋). Para isso, integrar f(x) multiplicada por x:
𝐸 (𝑋) = ∫ 𝑥. 6(𝑥 − 𝑥 2 ). 𝑑𝑥 = ∫(6𝑥 2 − 6𝑥 3 ). 𝑑𝑥 = ∫ 6𝑥 2 . 𝑑𝑥 − ∫ 6𝑥 3 . 𝑑𝑥
Resolvendo essas integrais em separado:
𝑥 2+1 𝑥3
∫ 6𝑥 2 . 𝑑𝑥 = 6 × = 6× = 2. 𝑥 3
2+1 3
𝑥 3+1 𝑥 4 3. 𝑥 4
∫ 6𝑥 3 . 𝑑𝑥 = 6 × = 6× =
3+1 4 2
Juntando esses resultados, encontramos a função E(X):

3
𝐸 (𝑋) = 2. 𝑥 3 − 𝑥 4
2
Agora, aplicamos E(X) nos limites x = 0 e x = 1:
3. 14 3. 04 3 1
𝐸 (𝑋) = 𝐸 (1) − 𝐸(0) = 2. 13 − − (2. 03 − ) = 2 − = = 0,5
2 2 2 2
Agora, calculamos 𝐸(𝑋 2 ). Para isso, precisamos integrar o produto de 𝑥 2 por 𝑓(𝑥):
𝐸(𝑋 2 ) = ∫ 𝑥 2 . 6(𝑥 − 𝑥 2 ). 𝑑𝑥 = ∫(6𝑥 3 − 6𝑥 4 ). 𝑑𝑥 = ∫ 6𝑥 3 . 𝑑𝑥 − ∫ 6𝑥 4 . 𝑑𝑥
Resolvendo essas integrais em separado:
𝑥 3+1 𝑥 4 3. 𝑥 4
∫ 6𝑥 3 . 𝑑𝑥 = 6 × = 6× =
3+1 4 2
𝑥 4+1 𝑥 5 6. 𝑥 5
∫ 6𝑥 4 . 𝑑𝑥 = 6 × = 6× =
4+1 5 5
Juntando esses resultados, encontramos a função 𝐸 (𝑋 2 ):

𝟑. 𝒙𝟒 𝟔. 𝒙𝟓
𝑬 (𝑿 𝟐 ) = −
𝟐 𝟓


Aula 09
Agora, aplicamos 𝐸 (𝑋 2 ) nos limites x = 0 e x = 1:
2) 𝟐) 𝟐)
𝟑. 𝟏𝟒 𝟔. 𝟏𝟓 𝟑. 𝟎𝟒 𝟔. 𝟎𝟓 3 6 15 − 12 3
𝐸 (𝑋 = 𝐸 (𝟏 − 𝐸 (𝟎 = − −( − )= − = = = 0,3
𝟐 𝟓 𝟐 𝟓 2 5 10 10
Por fim, subtraímos 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2 para calcular a variância:
𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸 (𝑋)]2 = 0,3 − 0,52 = 0,3 − 0,25 = 0,05
Gabarito: E.
Covariância e correlação
A covariância é definida da seguinte maneira (seja para variáveis discretas, seja para contínuas):
𝑪𝒐𝒗(𝑿, 𝒀) = 𝑬(𝑿. 𝒀) − 𝑬(𝑿). 𝑬(𝒀)
A diferença está na forma de calcular o valor de 𝐸 (𝑋. 𝑌). Para o caso discreto, temos:
𝐸 (𝑋. 𝑌) = ∑ 𝑥. 𝑦. 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦)
Para o caso contínuo, em que as variáveis não são contáveis, não conseguimos efetuar a
soma desses resultados. Por isso, a substituímos pela integral:
∞ ∞
𝐸 (𝑋. 𝑌) = ∫−∞ ∫−∞ 𝑥. 𝑦. 𝑓𝑋,𝑌 (𝑥, 𝑦). 𝑑𝑦 . 𝑑𝑥
Nessa fórmula, temos uma integral dupla, em que precisamos resolver a integral interna
primeiro:
∞
𝑓(𝑦) = ∫−∞ 𝑥. 𝑦. 𝑓𝑋,𝑌 (𝑥, 𝑦). 𝑑𝑦
E depois integramos o resultado em relação a x:

∞
𝐸 (𝑋𝑌) = ∫−∞ 𝑓(𝑦) . 𝑑𝑥
Pontue-se que 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) é chamada de distribuição conjunta de probabilidade,

enquanto 𝑓𝑋,𝑌 (𝑥, 𝑦) é chamada de função densidade conjunta de probabilidade.


Aula 09
As propriedades da covariância também são as mesmas, tanto para variáveis discretas quanto para
contínuas:
i) Simetria: 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑌, 𝑋)

ii) Mesma variável: 𝐶𝑜𝑣(𝑋, 𝑋) = 𝑉𝑎𝑟(𝑋)
iii) Com uma constante: 𝐶𝑜𝑣 (𝑘, 𝑋) = 0
iv) Soma: 𝐶𝑜𝑣 (𝑋 + 𝑌, 𝑍) = 𝐶𝑜𝑣(𝑋, 𝑍) + 𝐶𝑜𝑣(𝑌, 𝑍)
v) Produto de uma constante: 𝐶𝑜𝑣(𝑘𝑋, 𝑌) = 𝐶𝑜𝑣(𝑋, 𝑘𝑌) = 𝑘. 𝐶𝑜𝑣(𝑋, 𝑌)
A partir da covariância, podemos calcular a variância da soma e da subtração de duas variáveis não
(necessariamente) independentes:
𝑽𝒂𝒓(𝑿 + 𝒀) = 𝑽𝒂𝒓(𝑿) + 𝑽𝒂𝒓(𝒀) + 𝟐. 𝑪𝒐𝒗(𝑿, 𝒀)
𝑽𝒂𝒓(𝑿 − 𝒀) = 𝑽𝒂𝒓(𝑿) + 𝑽𝒂𝒓(𝒀) − 𝟐. 𝑪𝒐𝒗(𝑿, 𝒀)
Para calcular a variância da soma de múltiplas variáveis, somamos as variâncias e o dobro das covariâncias
entre cada par de variáveis:
𝑛 𝑛 𝑛 𝑛
𝑉 (∑ 𝑋𝑖 ) = ∑ 𝑉(𝑋𝑖 ) + 2. ∑ ∑ 𝐶𝑜𝑣(𝑋𝑖 , 𝑋𝑗 )
𝑖=1 𝑖=1 𝑗>𝑖 𝑖=1
Para 3 variáveis, por exemplo, temos:
𝑉(𝑋 + 𝑌 + 𝑍) = 𝑉 (𝑋) + 𝑉 (𝑌) + 𝑉 (𝑍) + 2[𝐶𝑜𝑣 (𝑋, 𝑌) + 𝐶𝑜𝑣(𝑋, 𝑍) + 𝐶𝑜𝑣(𝑌, 𝑍)]
Por fim, o coeficiente de correlação também é calculado pela razão entre a covariância e o produto dos
desvios padrão, assim como para variáveis discretas:
𝑪𝒐𝒗(𝑿,𝒀)
𝝆(𝑿, 𝒀) = 𝝈𝑿 .𝝈𝒀


Aula 09
(CESPE/2016 – TCE/PR) Se satisfação no trabalho e saúde no trabalho forem indicadores com variâncias
populacionais iguais a 8 e 2, respectivamente, e se a covariância populacional entre esses indicadores for
igual a 3, então a correlação populacional entre satisfação no trabalho e saúde no trabalho será igual a:
a) 0,8125.
b) 1.
c) 0,1875.
d) 0,30.
e) 0,75.
Comentários:
Sabendo que V(X) = 8, V(Y) = 2 e Cov(X,Y) = 3, então a correlação é dada por:
𝐶𝑜𝑣(𝑋, 𝑌) 3 3 3
𝜌(𝑋, 𝑌) = = = = = 0,75
𝜎𝑋 . 𝜎𝑌 √8. √2 √16 4
Gabarito: E


Aula 09
TEOREMAS DE DESIGUALDADE
Nesta seção, veremos a Desigualdade de Chebyshev e a Desigualdade Unilateral, cujo objetivo é trazer uma
estimativa de probabilidades, a partir da esperança e da variância da variável.
Desigualdade de Chebyshev
Antes de falar sobre a desigualdade, vale pontuar que existem diversas maneiras de escrever o nome do
matemático russo: Chebyshev, Tchebychev, Tschebyscheff, Chebychov,...
Seja X uma variável aleatória com esperança 𝑬(𝑿) = 𝝁 e variância 𝑽(𝑿) = 𝝈𝟐.
Então, para todo 𝜹 > 𝟎, temos:
𝝈𝟐
𝑃(|𝑋 − 𝝁| ≥ 𝜹) ≤ 𝜹𝟐
Em outras palavras, a probabilidade de 𝑋 se distanciar da média (para cima ou para baixo) em mais que um
determinado valor 𝜹 é, no máximo, igual à razão entre a variância e o quadrado de 𝜹.
Para que o módulo da diferença 𝑋 − 𝜇 seja maior ou igual a 𝛿, ou a diferença é positiva e maior ou igual a
𝛿 ou a diferença é negativa e menor ou igual a −𝛿:
𝑋 − 𝜇 ≥ 𝛿, 𝑠𝑒 𝑋 − 𝜇 ≥ 0 𝑋 ≥ 𝜇 + 𝛿, 𝑠𝑒 𝑋 − 𝜇 ≥ 0
|𝑋 − 𝜇 | ≥ 𝛿 = { }={ }
𝑋 − 𝜇 ≤ −𝛿, 𝑠𝑒 𝑋 − 𝜇 < 0 𝑋 ≤ 𝜇 − 𝛿, 𝑠𝑒 𝑋 − 𝜇 < 0
Assim, a probabilidade 𝑃(|𝑋 − 𝜇| ≥ 𝛿) corresponde à união dessas probabilidades:
𝑃(|𝑋 − 𝝁| ≥ 𝜹) = 𝑃(𝑋 ≤ 𝝁 − 𝜹 ∪ 𝑋 ≥ 𝝁 + 𝜹)
Vamos supor que uma fábrica produza, em média, 1000 unidades por dia de determinado
medicamento, com variância de 200 unidades 2/dia.
Com apenas essas informações, vamos calcular a probabilidade de a fábrica produzir

menos que 900 unidades ou mais que 1100 unidades em um dia.


Aula 09
Em ambos os casos, temos uma “distância”, em relação à média, de 100 unidades, pois
|900 – 1000| = 100 e |1100 – 1000| = 100. Logo, 𝛿 = 100 unidades:
𝜎2
𝑃(|𝑋 − 𝜇 | ≥ 𝛿) ≤ 𝛿2
200
𝑃(𝑋 < 900 ∪ 𝑋 > 1100) = 𝑃(|𝑋 − 1000| ≥ 100) ≤ (
100)2
𝑃(𝑋 < 900 ∪ 𝑋 > 1100) ≤ 0,02
Ou seja, a probabilidade de a fábrica produzir menos de 900 unidades ou mais de 110

unidades é no máximo igual a 0,02 = 2%.
Podemos calcular também a probabilidade de produzir entre 900 e 1100 unidades em um

dia, que é a probabilidade complementar:
𝑃(900 < 𝑋 < 1100) = 1 − 𝑃(𝑋 < 900 ∪ 𝑋 > 1100)
𝑃(900 < 𝑋 < 1100) ≥ 1 − 0,02 = 0,98
Ou seja, a probabilidade de a fábrica produzir entre 900 e 110 unidades é no mínimo igual
a 0,98 = 98%.
(FCC/2012 – Analista Judiciário do TRE/SP) Seja X uma variável aleatória contínua com uma média igual a
20. Utilizando o Teorema de Tchebyshev, obtém-se que a probabilidade de X não pertencer ao intervalo (15,
25) é, no máximo, 6,25%. Isto significa que o desvio padrão de X é igual a
a) 1,25.
b) 1,50.
c) 2.00.
d) 2,25.
e) 2,50.
Comentários:
Sabendo que 𝜇 = 20, então a probabilidade de X não pertencer ao intervalo (15,25) corresponde à
probabilidade de X se distanciar da média em pelo menos 5 unidades:
𝑃 (𝑋 ≤ 15 𝑜𝑢 𝑋 ≥ 25) = 𝑃(|𝑋 − 20| ≥ 5)
O enunciado informa que essa probabilidade é no máximo 6,25% = 0,0625:
𝑃(|𝑋 − 20| ≥ 5) ≤ 0,0625


Aula 09
Aplicando o teorema de Chebyshev, podemos calcular a variância:

𝜎2
𝑃(|𝑋 − 𝜇 | ≥ 𝛿) ≤
𝛿2
𝜎2
𝑃(|𝑋 − 20| ≥ 𝟓) ≤ 2
𝟓
𝜎2
= 0,0625
25
𝜎 2 = 25 × 0,0625
Assim:
𝜎 = √𝜎 2 = √25 × 0,0625 = 5 × 0,25 = 1,25

Gabarito: A
(FCC/2010 – Analista Judiciário do TRT da 8ª Região) Seja X uma variável aleatória contínua representando
os salários dos empregados de uma empresa. Como é desconhecida a distribuição destes salários, utilizou-
se o teorema de Tchebyshev para saber qual é a porcentagem dos empregados que ganham mais que R$
1.600,00 e menos que R$ 2.400,00. O resultado encontrado foi que esta porcentagem foi no mínimo igual a
84%, baseado no fato de que a média de X é igual a R$ 2.000,00. A correspondente variância de X, em (R$) 2,
é igual a
a) 22.500.
b) 25.600.
c) 40.000.
d) 62.500.
e) 160.000.
Comentários:
A probabilidade de os empregados ganharem mais que R$ 1.600 ou menos que R$ 2.400 pode ser
considerada como o complementar da probabilidade de os empregados ganharem menos que R$ 1.600 ou
mais que R$ 2.400:
𝑃 (𝑋 ≤ 1.600 𝑜𝑢 𝑋 ≥ 2.400) = 1 − 𝑃 (1.600 < 𝑋 < 2.400)
O enunciado informa que 𝑃(1.600 < 𝑋 < 2.400) = 84% = 0,84, logo, o seu complementar é:
𝑃 (𝑋 ≤ 1.600 𝑜𝑢 𝑋 ≥ 2.400) = 1 − 0,84 = 0,16
Sabendo que a média é 𝜇 = 2.000, então a probabilidade de os empregados ganharem menos que R$ 1.600
ou mais que R$ 2.400 corresponde à probabilidade de os salários se distanciarem da média em mais de R$
400:
𝑃(𝑋 ≤ 1.600 𝑜𝑢 𝑋 ≥ 2.400) = 𝑃(|𝑋 − 2.000| ≥ 400)
Pelo teorema de Chebyshev, calculamos a variância:
𝜎2
𝑃(|𝑋 − 𝜇 | ≥ 𝛿) ≤
𝛿2


Aula 09
𝜎2
𝑃(|𝑋 − 2.000| ≥ 𝟒𝟎𝟎) ≤
𝟒𝟎𝟎2
𝜎2
= 0,16
160.000
𝜎 2 = 160.000 × 0,16 = 25.600
Gabarito: B.
Desigualdade Unilateral
É possível estimar a probabilidade de uma variável se afastar da média apenas para cima, chamada de versão
unilateral de Cantelli da desigualdade de Chebyshev (ou de desigualdade unilateral de Chebyshev ou,
ainda, de desigualdade de Cantelli):
𝝈𝟐
𝑃(𝑋 − 𝝁 ≥ 𝜹) ≤ 𝝈𝟐 +𝜹𝟐
𝝈𝟐
Ou seja, a probabilidade de X superar a média em mais de 𝜹 é, no máximo, igual à razão 𝝈𝟐 +𝜹𝟐.
Para o mesmo exemplo, podemos calcular a probabilidade de a fábrica produzir mais que
1100 unidades, somente, sabendo que a média é de 1000 unidades e a variância de 200
unidades2/dia. A distância em relação à média é 𝛿 = 100, então:
𝜎2
𝑃(𝑋 − 𝜇 ≥ 𝛿) ≤ 𝜎2 +𝛿2
200
𝑃(𝑋 − 1000 ≥ 100) ≤ 200+10.000
𝑃(𝑋 ≥ 1100) ≤ 0,0196
Assim, a probabilidade de produzir menos que 1100 unidades é dada por:
𝑃(𝑋 < 1100) = 1 − 𝑃(𝑋 ≥ 1100)
𝑃(𝑋 < 1100) ≥ 1 − 0,0196 = 0,9804


Aula 09
(CESPE/2011 – EBC) Considerando as desigualdades usuais em teoria de probabilidades,

julgue o próximo item.
Suponha que uma variável aleatória X tenha média zero e variância finita e que, pela desigualdade unilateral
de Chebyshev, P(X≥ 25) ≤ 0,25. Nesse caso, a variância de X será superior a 200.
Comentários:
Pela desigualdade unilateral de Chebyshev, temos:
𝜎2
𝑃(𝑋 − 𝜇 ≥ 𝛿) ≤
𝜎2 + 𝛿2
Pelo enunciado, 𝑃(𝑋 ≥ 25) ≤ 0,25, detectamos que 𝜇 = 0 e 𝛿 = 25, logo:
𝜎2
𝑃(𝑋 ≥ 𝟐𝟓) ≤ 2
𝜎 + 𝟐𝟓2
O enunciado informa que 𝑃(𝑋 ≥ 25) ≤ 0,25, então:
𝜎2
= 0,25
𝜎 2 + 625
𝜎 2 = 0,25 × 𝜎 2 + 0,25 × 625
0,75 × 𝜎 2 = 0,25 × 625
0,25 × 625 625
𝜎2 = = = 208,333 …
0,75 3
Gabarito: Certo.
(CESPE/2014 – Analista Judiciário do TJ/SE) Considerando que X seja uma variável aleatória contínua, tal
que E(X) = 1 e E(X2) = 4, julgue o item seguinte.
P(X > 4) ≤ ¼
Comentários:
Para resolver essa questão, vamos utilizar a desigualdade lateral de Chebyshev:
𝜎2
𝑃(𝑋 − 𝜇 ≥ 𝛿) ≤
𝜎2 + 𝛿2
O enunciado informa que a média é 𝜇 = 𝐸 (𝑋) = 1. Ele também fornece 𝐸(𝑋 2 ), que permite calcular a
variância:
𝜎 2 = 𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸 (𝑋)]2 = 4 − 12 = 3


Aula 09
Sabendo que a média é 𝜇 = 1, a probabilidade 𝑃(𝑋 > 4) corresponde à probabilidade de X se afastar da

média em mais de 3 unidades:
𝑃(𝑋 > 4) = 𝑃 (𝑋 − 1 > 3)
Ou seja, 𝛿 = 3. Substituindo esses valores na desigualdade de Chebyshev, temos:
3 3
𝑃 (𝑋 − 1 ≥ 𝟑) ≤ 2
=
3+𝟑 12
1
𝑃(𝑋 ≥ 4) ≤
4
Lembre-se que, por ser uma variável contínua, temos 𝑃 (𝑋 > 4) = (𝑋 ≥ 4).
Gabarito: Certo.
==3e713==


Aula 09
RESUMO DA AULA
 Função densidade de probabilidade positiva 𝑓 (𝑥 ) ≥ 0
𝑏
 Probabilidade de um intervalo 𝑃 (𝑎 < 𝑋 < 𝑏) = ∫𝑎 𝑓 (𝑥 ). 𝑑𝑥 = 𝐹 (𝑏) − 𝐹 (𝑎)
𝑥
 Função de distribuição acumulada varia entre 0 e 1: 𝐹 (𝑥 ) = ∫−∞ 𝑓 (𝑥 ). 𝑑𝑥
∞
 Esperança: 𝐸(𝑋) = ∫−∞ 𝑥. 𝑓(𝑥) . 𝑑𝑥
∞
 Variância, 𝑉 (𝑋) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2, com 𝐸 (𝑋 2 ) = ∫−∞ 𝑥 2 . 𝑓 (𝑥 ). 𝑑𝑥
 Covariância: 𝐶𝑜𝑣 (𝑋, 𝑌) = 𝐸 (𝑋. 𝑌) − 𝐸(𝑋). 𝐸(𝑌),
𝐶𝑜𝑣(𝑋,𝑌)
 Correlação: 𝜌(𝑋, 𝑌) = 𝜎𝑋 .𝜎𝑌
 Variância da Soma e da Diferença:
𝑉𝑎𝑟(𝑋 + 𝑌) = 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌) + 2. 𝐶𝑜𝑣(𝑋, 𝑌)
𝑉𝑎𝑟(𝑋 − 𝑌) = 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌) − 2. 𝐶𝑜𝑣 (𝑋, 𝑌)
𝜎2
 Desigualdade de Chebyshev: 𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 𝛿2
𝜎2
 Desigualdade Unilateral: 𝑃(𝑋 − 𝜇 ≥ 𝛿) ≤ 𝜎2 +𝛿 2


Aula 09
DISTRIBUIÇÕES CONTÍNUAS
Agora, veremos distribuições teóricas ou especiais de variáveis contínuas.
Distribuição Uniforme
Para variáveis discretas, as distribuições uniformes apresentam a mesma probabilidade para todos os
resultados possíveis. Para variáveis uniformes contínuas, a situação é análoga: a função densidade de
probabilidade (f.d.p.) apresenta um valor constante em todo o intervalo da variável.
A figura abaixo ilustra a f.d.p. de uma variável com distribuição uniforme, que assume um valor constante 𝑘,
em um intervalo (𝑎, 𝑏):
a b
Ou seja, a função densidade de probabilidade para uma distribuição uniforme é da forma:
𝑘, 𝑠𝑒 𝑎 < 𝑥 < 𝑏
𝑓 (𝑥 ) = { }
A probabilidade de todo o Espaço Amostral é de 100% = 1, ou seja, a área delimitada pela função é igual a 1:
Á𝑟𝑒𝑎 = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝒃 − 𝒂) × 𝑘 = 1
1
𝑘=
(𝒃 − 𝒂)
Em outras palavras, conhecendo o intervalo (𝒂, 𝒃), podemos calcular o valor da f.d.p. (𝑘). Assim, os limites
do intervalo 𝒂, 𝒃 são os únicos parâmetros da distribuição uniforme.
Por exemplo, para uma variável com distribuição contínua uniforme no intervalo (𝟏, 𝟓), o valor da f.d.p. para
𝟏 < 𝒙 < 𝟓 (ou seja, o valor de 𝑘) é:
1 1
𝑘= =
(𝟓 − 𝟏) 4


Aula 09
Já a probabilidade associada a um intervalo (𝒎, 𝒏), com 𝑎 < 𝑚 < 𝑛 < 𝑏, corresponde à área da região
indicada abaixo:
𝑃 (𝒎 < 𝑋 < 𝒏 )
k
a m n b
Á𝑟𝑒𝑎 = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝒏 − 𝒎) × 𝑘

1
Sabendo que 𝑘 = (𝑏−𝑎), temos:
(𝒏−𝒎)
𝑃 (𝒎 < 𝑋 < 𝒏 ) = (𝒃−𝒂)
Ou seja, a probabilidade de um intervalo em uma distribuição uniforme é a razão entre a amplitude desse
intervalo e a amplitude do intervalo total.
Para o nosso exemplo, da variável com distribuição contínua uniforme no intervalo (𝟏, 𝟓), a probabilidade
𝑃 (𝟐 < 𝑋 < 𝟒) é:
(𝟒 − 𝟐) 2
𝑃 (𝟐 < 𝑋 < 𝟒 ) = = = 0,5
(𝟓 − 𝟏) 4
𝑃 (𝟐 < 𝑋 < 𝟒 )
k
1 2 4 5
Ressalte-se que, por se tratar de uma variável contínua, temos:
𝑃 (𝑚 < 𝑋 < 𝑛 ) = 𝑃 (𝑚 ≤ 𝑋 < 𝑛 ) = 𝑃 (𝑚 < 𝑋 ≤ 𝑛 ) = 𝑃 ( 𝑚 ≤ 𝑋 ≤ 𝑛 )
A função de distribuição acumulada no ponto 𝑥 corresponde à probabilidade de a variável ser menor ou

igual a 𝑥:
𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 )


Aula 09
Para a distribuição uniforme, esse valor é igual à probabilidade de a variável estar entre 𝒙 e o limite inferior
do intervalo 𝒂:
𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 ) = 𝑃 ( 𝑎 ≤ 𝑋 ≤ 𝑥 )
𝐹 (𝑥 ) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑥 )
k
a x b
Logo, para 𝑎 < 𝑥 < 𝑏, a função de distribuição acumulada é dada por:
Á𝑟𝑒𝑎 = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝒙 − 𝒂) × 𝑘
(𝒙−𝒂)
𝑭(𝒙) = (𝒃−𝒂)
Para o nosso exemplo, da variável contínua no intervalo (𝟏, 𝟓), a f.d.a. para 𝒙 = 𝟐, isto é, a probabilidade
𝑃 (𝑋 ≤ 𝟐) é:
(𝟐 − 𝟏) 1
𝑭(𝟐) = = = 0,25
(𝟓 − 𝟏) 4
𝐹 (𝟐) = 𝑃 (1 ≤ 𝑋 ≤ 𝟐 )
1 2 5
A maioria das distribuições teóricas conhecidas, tanto discretas quanto contínuas, fazem
parte da chamada família exponencial, cuja função densidade de probabilidade pode ser
descrita de forma similar, como as distribuições discretas: binomial, geométrica,
hipergeométrica, de Poisson; e as contínuas: exponencial, Normal, Beta, Weibull.
A distribuição uniforme contínua, assim como a distribuição uniforme discreta, é uma

distribuição importante que não pertence à família exponencial.


Aula 09
(FGV/2017 – IBGE) Uma variável aleatória contínua X é uniformemente distribuída no intervalo real [0 , 50].
A probabilidade de que X seja maior do que 20 é igual a:
a) 0,8
b) 0,6
c) 0,4
d) 0,2
e) 0,1
Comentários:
O enunciado informa que X é uniformemente distribuída no intervalo de [0,50], logo a = 0 e b = 50. A
probabilidade P(X > 20) é dada por:
P(X > 20) = P(20 < X < 50)
0 20 50
(𝟓𝟎 − 𝟐𝟎)
𝑃 (𝑋 > 20) = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝟓𝟎 − 𝟐𝟎) × 𝑘 =
(𝟓𝟎 − 𝟎)
30
𝑃 (𝑋 > 20) = = 0,6
50
Gabarito: B
(VUNESP/2015 – TJ-SP) Leia o texto para responder à questão.

A Cia. Alfa Auto-ônibus declara, em seus catálogos, que o tempo de viagem entre duas cidades é de 3 horas.
No entanto o tempo real de viagem é uma variável aleatória x que se distribui uniformemente entre 175 e
190 minutos, ou seja,
1
( ) 𝑝𝑎𝑟𝑎 175 ≤ 𝑥 ≤ 190
𝑓 𝑥 = {15 }
0 𝑒𝑚 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟 𝑜𝑢𝑡𝑟𝑜 𝑙𝑢𝑔𝑎𝑟
Considere ainda que qualquer tempo x do intervalo tal que x > 180 é considerado como atraso.
A probabilidade de que a viagem não terá mais do que 5 minutos de atraso é
a) 1/2
b) 2/3


Aula 09
c) 1/8
d) 1/9
e) 1/15
Comentários:
O enunciado informa que o tempo de viagem é uma variável com distribuição uniforme entre 175 e 190
minutos, ou seja, a = 175 e b = 190. Considerando que a viagem deve ter 180 minutos, a probabilidade de
ela não atrasar mais do que 5 minutos corresponde a P(X < 185), dada por:
P(X < 185) = P(175 < X < 175)
175 185 190
(𝟏𝟖𝟓 − 𝟏𝟕𝟓)
𝑃(𝑋 < 185) = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝟏𝟖𝟓 − 𝟏𝟕𝟓) × 𝑘 =
(𝟏𝟗𝟎 − 𝟏𝟕𝟓)
10 2
𝑃(𝑋 < 185) = =
15 3
Gabarito: B
(CESPE/2016 – Auditor de Controle Externo do TCE/PA) A respeito de uma variável aleatória contínua U,
uniformemente distribuída no intervalo [0, 1], julgue o seguinte item.
P(U > 1/10) = 0,9.
Comentários:
Para uma distribuição uniforme no intervalo a = 0 e b = 1, a probabilidade P(U > 1/10) = P(U > 0,1) é dada
por:
P(U > 0,1) = P(0,1 < U < 1)

k
0 0,1 1
(𝟏 − 𝟎, 𝟏)
𝑃(𝑈 > 0,1) = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝟏 − 𝟎, 𝟏) × 𝑘 =
(𝟏 − 𝟎)
𝑃(𝑈 > 0,1) = 0,9
Gabarito: Certo.


Aula 09
Esperança e Variância
A esperança de uma variável uniforme é a média aritmética dos extremos do seu intervalo 𝒂, 𝒃:
𝒃+𝒂
𝐸 (𝑋 ) = 2
a 𝑏+𝑎 b
2
Para o nosso exemplo da variável contínua no intervalo (𝟏, 𝟓), a esperança é:
𝒃+𝒂 𝟏+𝟓
𝐸 (𝑋 ) = = =3
2 2
E a variância é dada por:
(𝒃−𝒂)2
𝑉(𝑋) = 12
Para o nosso exemplo da variável contínua no intervalo (𝟏, 𝟓), a variância é:
(𝒃 − 𝒂)2 (𝟓 − 𝟏)2 (4)2 16 4

𝑉 (𝑋 ) = = = = =
12 12 12 12 3
Distribuição Uniforme
1
Função Densidade de Probabilidade: 𝑓 (𝑥 ) = (𝒃−𝒂) , 𝑠𝑒 𝒂 ≤ 𝑥 ≤ 𝒃
(𝒏−𝒎)
Cálculo da Probabilidade: 𝑃 (𝒎 < 𝑋 < 𝒏) = (𝒃−𝒂)
𝒃+𝒂 (𝒃−𝒂)2
Esperança: 𝐸 (𝑋) = ; Variância: 𝑉(𝑋) =
2 12


Aula 09
(CESPE/2016 – Auditor de Controle Externo do TCE/PA) A respeito de uma variável aleatória contínua U,
uniformemente distribuída no intervalo [0, 1], julgue o seguinte item.
A variância de U é inferior a 1/10.
Comentários:
Para uma distribuição uniforme no intervalo a = 0 e b = 1, a variância é dada por:
(𝑏 − 𝑎)2
𝑉(𝑋) =
12
(1 − 0)2 1
𝑉 (𝑋 ) = =
12 12
Como 1/12 é inferior a 1/10, o item está correto.
Gabarito: Certo.
(FCC/2015 – Analista Judiciário do TER/RR) Uma variável aleatória X tem distribuição uniforme contínua
com média igual a 4 e variância igual a 12.
Nessas condições, P(X < 7) é igual a
a) 0,45.
b) 0,75.
c) 0,25.
d) 0,60.
e) 0,67.
Comentários:
Tratando-se de uma distribuição uniforme com média igual a 4, temos:
𝑏+𝑎
𝜇= =4
2
𝑏+𝑎 = 8


Aula 09
Sendo a variância igual a 12, temos1:

(𝑏 − 𝑎)2
𝑉 (𝑋 ) = = 12
12
(𝑏 − 𝑎)2 = 12 × 12
𝑏 − 𝑎 = 12
Somando as duas equações, 𝑏 + 𝑎 = 8 e 𝑏 − 𝑎 = 12, temos:
𝑏 + 𝑎 + 𝑏 − 𝑎 = 8 + 12
2𝑏 = 20
𝑏 = 10
Substituindo esse resultado em 𝑏 + 𝑎 = 8, temos:
10 + 𝑎 = 8
==3e713==
𝑎 = −2
A probabilidade P(X < 7), sendo a = -2 e b = 10, é igual à probabilidade de X estar entre -2 e 7:
P(X < 7) = P(-2 < X < 7)

k
-2 7 10
(𝟕 − (−𝟐))
𝑃 (𝑋 < 7) = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝟕 − (−𝟐)) × 𝑘 =
(𝟏𝟎 − (−𝟐))
9
𝑃 (𝑋 < 7) = = 0,75
12
Gabarito: B
1
A raiz de um número elevado ao quadrado é igual ao módulo do número:
√𝑥 2 = |𝑥|
Isso porque 𝑥 pode ser um número negativo, mas a raiz de um número é necessariamente um número positivo. Por exemplo,
podemos ter 𝑥 = −3, então:
√(−3)2 = √9 = 3
Ou seja, para a nossa questão, temos:
√(𝑏 − 𝑎)2 = |𝑏 − 𝑎|
Como b > a, então b – a > 0 e, consequentemente:
|𝑏 − 𝑎| = 𝑏 − 𝑎


Aula 09
(FCC/2011 – Analista de Controle Atuarial do TCE/PR) Sabe-se que a variável aleatória X tem distribuição
uniforme contínua no intervalo [10, ß], ß > 10. Sabendo-se que a variância de X é igual a 3, o valor de K tal
que P(X > K) = 0,3 é
a) 14,2
b) 13,8
c) 13,5
d) 13,1
e) 12,8
Comentários:
Sabendo que a variância de X, com distribuição discreta, no intervalo [10, ß], é 3, então 2:
(𝑏 − 𝑎)2
𝑉 (𝑋 ) = =3
12
(𝛽 − 10)2
( )
𝑉 𝑋 = =3
12
(𝛽 − 10)2 = 36
𝛽 − 10 = 6
𝛽 = 16
Assim, o valor de K para o qual P(X > K) = 0,3, considerando que essa probabilidade corresponde à
probabilidade de X estar entre K e o limite superior do intervalo 𝛽 = 16, é:
k P(X > K) = P(K < X < ß)
10 K 16
(𝟏𝟔 − 𝑲)
𝑃 (𝑋 > 𝐾 ) = 𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 = (𝟏𝟔 − 𝑲) × 𝑘 = = 0,3
(𝟏𝟔 − 𝟏𝟎)
16 − 𝐾 = 6 × 0,3 = 1,8
𝐾 = 14,2
Gabarito: A.
2
Aqui temos a mesma situação, considerando que 𝛽 > 10, então:
√(𝛽 − 10)2 = |𝛽 − 10| = 𝛽 − 10


Aula 09
DISTRIBUIÇÃO EXPONENCIAL
A distribuição exponencial se caracteriza por ter uma taxa de falha (ou de ocorrência) constante, sendo
normalmente associada a um tempo. Por exemplo, o tempo de vida de um micro-organismo ou a vida útil
de uma lâmpada podem seguir uma distribuição exponencial.
A função densidade de probabilidade (f.d.p.) de uma variável 𝑋 com distribuição exponencial é:
−𝝀𝒙
𝑓 (𝑥 ) = {𝝀. 𝒆 , 𝑠𝑒 𝒙 ≥ 𝟎}
0, 𝑠𝑒 𝑥 < 0
Em que 𝑒, número de Euler, é um número irracional, cujo valor aproximado é 𝑒 ≅ 2,718. É comum utilizar a
seguinte notação para representar o expoente na base 𝑒:
𝑒 −𝜆𝑥 = exp {−𝜆𝑥}
Observa-se que a f.d.p. apresenta algum valor 𝑓 (𝑥 ) ≠ 0 apenas para valores positivos da variável 𝑥 ≥ 0.
Ressalte-se que 𝝀 é necessariamente positivo e representa a taxa de falha por unidade de tempo. Esse é o
único parâmetro da distribuição (a f.d.p. só depende desse valor para ser caracterizada)
Por exemplo, o tempo de vida de um micro-organismo pode seguir uma distribuição exponencial com
𝟏
parâmetro 𝝀 = 𝟏𝟐 por dia; a vida útil de uma lâmpada pode seguir uma distribuição exponencial com
𝟏
parâmetro 𝝀 = por hora.
𝟏𝟎𝟎
O valor de 𝑥 corresponde ao tempo até a falha (ou ocorrência). Por exemplo, podemos calcular a
probabilidade de o micro-organismo viver menos de 𝒙 = 𝟑 dias; ou a probabilidade de a lâmpada durar
mais que 𝒙 = 𝟏𝟎𝟎 horas e menos que 𝒙 = 𝟐𝟎𝟎 horas.
O gráfico a seguir1 apresenta as funções densidade de probabilidade para variáveis com distribuição
exponencial, para os parâmetros 𝜆 = 0,5, 𝜆 = 1 e 𝜆 = 1,5. Podemos observar que a f.d.p. é decrescente e
que assume valores no intervalo 𝑥 ∈ (0, ∞).
1
Gráfico obtido na seção de Distribuição Exponencial do Portal Action, disponível em
http://www.portalaction.com.br/probabilidades/612-distribuicao-exponencial


Aula 09
A probabilidade 𝑋 estar em um intervalo 𝑃(𝑎 < 𝑋 < 𝑏) é calculada como2:
𝑃(𝒂 < 𝑋 < 𝒃) = 𝑒 −𝜆.𝒂 − 𝑒 −𝜆.𝒃
Ou seja, a probabilidade de a lâmpada durar entre 100 e 200 horas é dada por:
𝟏 𝟏
𝑃 (𝟏𝟎𝟎 < 𝑋 < 𝟐𝟎𝟎) = 𝑒 −𝟏𝟎𝟎×𝟏𝟎𝟎 − 𝑒 −𝟏𝟎𝟎×𝟐𝟎𝟎 = 𝑒 −𝟏 − 𝑒 −𝟐 ≅ 0,5
E a probabilidade de o micro-organismo viver menos que 𝒙 = 𝟑 dias?
A f.d.p. exponencial assume algum valor somente para 𝒙 ≥ 𝟎 (realmente, não tem como o tempo ser
negativo). Então, a probabilidade de ele durar menos de 𝑥 = 3 dias equivale à probabilidade de durar mais
que 𝑥 = 0 e menos que 𝑥 = 3 dias:
𝑃 (𝑋 < 3) = 𝑃(0 < 𝑋 < 3)
1
Agora, aplicamos a fórmula que vimos antes. Considerando 𝜆 = 12 por dia, temos:
𝟏 𝟏 1 1
𝑃 (𝟎 < 𝑋 < 𝟑) = 𝑒 −𝟏𝟐×𝟎 − 𝑒 −𝟏𝟐×𝟑 = 𝒆𝟎 − 𝑒 −4 = 𝟏 − 𝑒 −4
2
Pontue-se que o extremo inferior do intervalo, 𝒂, antecede o termo superior, 𝒃, no cálculo da probabilidade da função
exponencial porque a função é decrescente, como se pode observar no gráfico acima.
Logo, o valor de 𝑒 −𝜆.𝒂 é maior do que o valor de 𝑒 −𝜆.𝒃 , para 𝒂 < 𝒃.


Aula 09
Em geral, para calcular a probabilidade 𝑃(𝑋 < 𝑥 ) para algum valor de 𝑥 em uma distribuição exponencial,
fazemos:
𝑷(𝑿 < 𝒙) = 𝟏 − 𝒆−𝝀.𝒙
A probabilidade 𝑷(𝑿 < 𝒙) é igual à função de distribuição acumulada no ponto 𝒙. Então, podemos dizer
que a f.d.a. da variável exponencial é:
𝐹 (𝑥 ) = 1 − 𝑒 −𝜆𝑥
Quando uma variável exponencial representa a taxa de falha de um sistema, a função de

confiabilidade do sistema é complementar à função de distribuição acumulada e
representa a probabilidade de o sistema não falhar no período 𝑥.
𝑅(𝑥 ) = 1 − 𝐹(𝑥)
Essa expressão é bem utilizada quando um sistema é composto por mais de uma unidade.
Quando as unidades são independentes e redundantes, isto é, quando é necessário que

todas falhem para haver falha no sistema, a função de distribuição acumulada do sistema
(isto é, a probabilidade de ele falhar no tempo 𝑥) é o produto das funções de distribuição
acumulada individuais das unidades (interseção):
𝐹𝑆 (𝑥 ) = 𝐹1 (𝑥 ) × 𝐹2 (𝑥 ) … × 𝐹𝑛 (𝑥)
E a probabilidade de a variável assumir um valor maior que 𝒙, 𝑃(𝑋 > 𝑥)? Por exemplo, qual seria a
probabilidade de o micro-organismo viver mais que 𝒙 = 𝟑 dias?
Para isso, calculamos a probabilidade do evento complementar:
𝑃 (𝑋 ≥ 𝑥 ) = 1 − 𝑃(𝑋 < 𝑥 ) = 1 − (1 − 𝑒 −𝜆𝑥 )
𝑷(𝑿 ≥ 𝒙) = 𝒆−𝝀.𝒙


Aula 09
Para efetuar os cálculos da distribuição exponencial, é essencial que 𝑥 e 𝜆 estejam na

mesma unidade de tempo. Se a questão trabalhar com unidades de tempo diferentes, será
necessário ajustar as medidas.
Por exemplo, vamos calcular a probabilidade de o micro-organismo durar menos de 6 horas, considerando
1
que 𝜆 = 12 por dia. Sabendo que há 24 horas em um dia, então 6 horas correspondem a:
6 1
𝑥= = 𝑑𝑖𝑎
24 4
1
E a probabilidade 𝑃 (𝑋 < ) é:
4
1 1 1 1
𝑃 (𝑋 < ) = 1 − 𝑒 −12×4 = 1 − 𝑒 −48
4
(2016 – EBSERH) Um estatístico ajustou um modelo de distribuição exponencial à variável aleatória

correspondente ao tempo de falha T (tempo até falhar em anos) de um produto. O modelo tem a expressão
f(t) = 0,2e-0,2t t > 0. Então, a probabilidade de o produto falhar dentro da garantia pretendida de 1 ano é
a) 0,818731
b) 0,821754
c) 0,803112
d) 0,181269
e) 0,196888
Comentários:
Trata-se de uma distribuição exponencial, com parâmetro 𝜆 = 0,2, em que se deseja calcular a probabilidade
𝑃(𝑋 < 1):
𝐹 (𝑥 ) = 𝑃(𝑋 < 𝑥) = 1 − 𝑒 −𝜆𝑥
𝑃 (𝑋 < 1) = 1 − 𝑒 −0,2 ≅ 0,181
Gabarito: D.


Aula 09
Esperança, Variância e Propriedade
A esperança (ou média) da distribuição exponencial é o inverso do parâmetro 𝜆:
𝟏
𝑬(𝑿) =
𝝀
1
Por exemplo, sendo a vida útil de uma lâmpada uma variável exponencial com parâmetro 𝜆 = 100 = 0,01
por hora, então a média será de:
1 1
𝐸 (𝑋 ) = = = 100
𝜆 0,01
A variância é dada por:
𝟏
𝑽(𝑿) = 𝝀𝟐
Nesse exemplo, a variância é de:
1 1
𝑉 (𝑋 ) = 2
= = 10.000
𝜆 0,012
E o desvio padrão, raiz quadrada da variância é:
1
𝜎 = √𝑉(𝑋) = √
𝜆2
1
𝜎=
𝜆
Em outras palavras, o desvio padrão é igual à média!
A distribuição exponencial guarda uma relação muito especial com a distribuição de Poisson: a distribuição
exponencial descreve o tempo entre as ocorrências de eventos sucessivos de uma distribuição de Poisson,
com o mesmo parâmetro!
Por exemplo, se a chegada de pessoas em uma loja segue uma distribuição de Poisson com 𝜆𝑋 = 2 pessoas
por hora, então o tempo decorrido entre a chegada de uma e de outra pessoa segue uma distribuição
exponencial com parâmetro de 𝜆𝑌 = 2 por hora.
Desse modo, a média do tempo decorrido entre as chegadas, medida em hora, é:
1 1
𝐸 (𝑌 ) = =
𝜆 2


Aula 09
Vale destacar também a seguinte propriedade: a distribuição exponencial é considerada “sem memória”,
ou seja, não importa o que já ocorreu, as probabilidades para o futuro permanecem a mesma:
𝑃(𝑋 > 𝑡 + 𝑠|𝑋 > 𝑠) = 𝑃(𝑋 > 𝑡)
Ou seja, sabendo que já se passou um tempo 𝑋 > 𝑠 desde a ocorrência do último evento, a probabilidade
de se passar um tempo 𝑋 > 𝑡 a mais, até a ocorrência do próximo evento, ou seja, 𝑋 > 𝑡 + 𝑠 no total, é igual
à probabilidade de se passar um tempo 𝑋 > 𝑡, até a ocorrência de um evento.
Vamos considerar um exemplo numérico para facilitar o entendimento. Suponha uma variável exponencial
que considere horas como unidade de tempo. De acordo com essa propriedade, sabendo que já se passaram
3 horas desde a ocorrência do último evento, a probabilidade de se passar pelo menos 2 horas a mais
(totalizando 5 horas) é igual à probabilidade de se passar pelo menos 2 horas até a ocorrência do evento
(não condicionada):
𝑃(𝑋 > 2 + 3|𝑋 > 3) = 𝑃(𝑋 > 2)
Existe uma forma alternativa de parametrizar a f.d.p. de uma distribuição exponencial,

𝟏
substituindo 𝝀 por 𝜷:
𝑥
1 −
{𝛽𝑒
𝛽 , 𝑠𝑒 𝑥 ≥ 0 }
𝑓 (𝑥 ) =
0, 𝑠𝑒 𝑥 < 0
O parâmetro 𝛽, inverso do parâmetro taxa 𝜆, pode ser interpretado como o parâmetro de

escala da distribuição, medida em unidade de tempo.
No exemplo do inseto, teríamos 𝛽 = 12 dias; e no da lâmpada, teríamos 𝛽 = 100 horas.
Para essa parametrização, temos:
𝑬(𝑿) = 𝜷, 𝑽( 𝑿 ) = 𝜷 𝟐
Ou seja, o valor do parâmetro 𝛽 corresponde ao valor da média da distribuição.


Aula 09
Distribuição Exponencial
Função Densidade de Probabilidade: 𝑓 (𝑥 ) = 𝝀. 𝑒 −𝝀𝑥 , 𝑠𝑒 𝑥 ≥ 0:
Cálculo da Probabilidade:
𝑃(𝒂 < 𝑋 < 𝒃) = 𝑒 −𝜆.𝒂 − 𝑒 −𝜆.𝒃 𝑃 (𝑋 > 𝒂) = 𝑒 −𝜆.𝒂
Função de Distribuição Acumulada: 𝑃 (𝑋 < 𝒃) = 1 − 𝑒 −𝜆.𝒃

==3e713==
1 1
Esperança: 𝐸 (𝑋) = 𝝀 ; Variância: 𝑉(𝑋) = 𝝀2
Propriedade: 𝑃(𝑋 > 𝑡 + 𝑠|𝑋 > 𝑠) = 𝑃(𝑋 > 𝑡)
(FGV/2014 – DPE-RJ) Constatou-se que o tempo de tramitação de um processo pelas instâncias do judiciário,
até o arquivamento em definitivo, é uma variável aleatória contínua exponencial. Para os casos de processos
em que quadros da Defensoria Pública atuam, o tempo médio de duração tem sido de 225 dias. Então a
probabilidade de que um processo tenha duração inferior a um mês e meio (45 dias) é igual a:
a) 1 – e-5
b) e-5
c) 1 – e-0,2
d) e-0,2
45 −1
e) (𝐶225 )
Comentários:
O enunciado informa que o tempo de tramitação de um processo tem distribuição exponencial com média
de 225 dias, logo:
1
𝐸 (𝑋 ) = = 225
𝜆
1
𝜆=
225


Aula 09
A probabilidade de um processo ter duração inferior a 45 dias é dada por:

𝑃 (𝑋 < 𝑥 ) = 1 − 𝑒 −𝜆𝑥
45
𝑃(𝑋 < 45) = 1 − 𝑒 −225 = 1 − 𝑒 −0,2
Gabarito: C
(FCC/2015 – Analista Judiciário do TRE/RR) Em um determinado órgão público o tempo X, em horas, entre
duas solicitações consecutivas, feitas pelo departamento de recursos humanos, pode ser considerado como
tendo distribuição exponencial com média de 5 horas. Nessas condições, a probabilidade do tempo entre
duas solicitações estar compreendido entre 2 horas e 6 horas é, em %, igual a
Dados: e−0,2 = 0,819; e−0,4 = 0,670; e−1,2 = 0,301.
a) 18,1
b) 63,1
c) 51,9
d) 36,9
e) 34,5
Comentários:
Sendo X uma variável com distribuição exponencial e média 5, temos:
1
=5𝐸 (𝑋 ) =
𝜆
1
𝜆=
5
Logo, a probabilidade de o tempo estar compreendido entre 2 horas e 6 horas é dado por:
𝑃(𝒂 < 𝑋 < 𝒃) = 𝑒 −𝜆.𝒂 − 𝑒 −𝜆.𝒃
2 6
𝑃(𝟐 < 𝑋 < 𝟔) = 𝑒 −5 − 𝑒 −5 = 𝑒 −0,4 − 𝑒 −1,2
Pelos dados fornecidos pelo enunciado, temos:
𝑃 (2 < 𝑋 < 6) = 0,670 − 0,301 = 0,369 = 36,9%
Gabarito: D
(FGV/2021 – FunSaúde/CE) Suponha que carros passem por um posto de observação em uma estrada
remota de acordo com um processo Poisson, com taxa média de ocorrência igual a 2 carros por minuto.
Se um carro acaba de passar por esse posto, o tempo de espera, até que o próximo carro passe pelo posto,
tem distribuição de probabilidades:
a) Cauchy (𝛼 = 1, 𝛽 = 2)
b) Beta (𝛼 = 1, 𝛽 = 2)
c) uniforme (0, 2)


Aula 09
d) exponencial (𝜆 = 2)
e) normal (𝜇 = 2, 𝜎 2 = 1)
Comentários:
O tempo decorrido entre duas ocorrências de um processo de Poisson segue distribuição exponencial com
o mesmo parâmetro. Considerando que a passagem de carros segue distribuição de Poisson com parâmetro
𝜆 = 2, o tempo entre essas ocorrências segue distribuição exponencial com parâmetro 𝜆 = 2.
Gabarito: D
(CESPE/2016 – Analista de Controle Externo do TCE/PA) Se o tempo de espera por atendimento (T, em
minutos) em determinada repartição pública segue uma distribuição exponencial com média igual a 30
minutos, então
P(T > 35 | T > 30) = P(T > 35)
Comentários:
Essa questão trabalha com a propriedade “sem memória” da distribuição exponencial:
𝑃 (𝑋 > 𝑡 + 𝑠|𝑋 > 𝑠) = 𝑃(𝑋 > 𝑡)
Sendo X = T, s = 30 e t = 5, temos:
𝑃(𝑇 > 35|𝑇 > 30) = 𝑃(𝑇 > 5)
Gabarito: Errado.
(FGV/2016 – IBGE) Um fabricante de equipamentos de informática, que conhece a distribuição do tempo de

vida útil dos HDs externos, precisa avaliar os gastos com serviços de garantia. Essa distribuição é a
exponencial com média β = 15 anos, sendo que os HDs já vendidos têm, por hipótese, 3 anos de uso, sem
apresentar defeitos. Supondo que a garantia é de 12 anos, a probabilidade de que ele tenha que prestar
assistência a um determinado HD entre os vendidos é
a) 1 – e-0,6;
b) e-0,75;
c) e-0,6;
d) 1 – e-0,75;
e) e-0,25.
Comentários:
A probabilidade de o fabricante ter que prestar assistência corresponde à probabilidade de o HD durar
menos que 12 anos e a probabilidade de ele não prestar assistência corresponde à probabilidade de o HD
durar mais que 12 anos.
Sabendo que os HDs foram vendidos há 3 anos, a probabilidade de ele não prestar assistência, ou seja, de
durar pelo menos 12 – 3 = 9 anos a mais, segue a propriedade sem memória da distribuição exponencial:
𝑃(𝑇 > 12|𝑇 > 3) = 𝑃(𝑇 > 9)


Aula 09
E a probabilidade de o fabricante ter que prestar assistência pode ser calculada pela probabilidade
complementar:
𝑃 (𝑇 < 12|𝑇 > 3) = 1 − 𝑃 (𝑇 > 12|𝑇 > 3) = 1 − 𝑃(𝑇 > 9)
𝑃(𝑇 < 12|𝑇 > 3) = 𝑃(𝑇 < 9)
Conhecendo a média da distribuição, β = 15 anos, podemos calcular o valor de 𝜆 (observe que foi considerada
a parametrização alternativa da distribuição exponencial):
1
𝐸 (𝑋 ) = 𝛽 = = 15
𝜆
1
𝜆=
15
A probabilidade de o HD durar menos de 9 anos é, então, dada por:
9
𝑃(𝑇 < 9) = 1 − 𝑒 −𝜆.9 = 1 − 𝑒 −15 = 1 − 𝑒 −0,6
Gabarito: A
Considerando duas ou mais variáveis
Agora vamos aprender um raciocínio diferente para resolver questões envolvendo a seleção aleatória de
objetos que apresentam distribuições exponenciais distintas, utilizando o Teorema da Probabilidade Total!
Por exemplo, seja X uma variável com distribuição exponencial com parâmetro 𝜆𝑋 = 0,01 e Y uma variável
com distribuição exponencial com parâmetro 𝜆𝑌 = 0,05.
Suponha, ainda que a proporção de objetos que sigam a distribuição X seja P(X) = 60% = 0,6 e que os demais
objetos sigam a distribuição Y, ou seja, P(Y) = 1 - 0,6 = 0,4.
Se selecionarmos um objeto ao acaso, a probabilidade de ele ter uma vida útil maior que z = 50, por exemplo,
pode ser calculada pelo Teorema da Probabilidade Total.
Para isso, vamos chamar o atributo desejado, qual seja ter uma vida útil maior que z = 50, de evento A. Pelo
Teorema da Probabilidade Total, temos:
𝑃 (𝐴) = 𝑃 (𝐴|𝑋) × 𝑃 (𝑋) + 𝑃(𝐴|𝑌) × 𝑃(𝑌)
Nessa equação, 𝑃(𝐴|𝑋) representa a probabilidade de o objeto ter uma vida útil maior que z = 50 (evento
A), dado que segue a distribuição de X, enquanto 𝑃 (𝐴|𝑌 ) representa a probabilidade de o objeto ter uma
vida útil maior que z = 50 (evento A), dado que segue a distribuição de Y.
Essas probabilidades condicionais podem ser calculadas pelas fórmulas da distribuição exponencial:
𝑃 (𝐴|𝑋) = 𝑃 (𝑋 > 50) = 𝑒 −50×0,01 = 𝑒 −0,5
𝑃(𝐴|𝑌) = 𝑃 (𝑌 > 50) = 𝑒 −50×0,05 = 𝑒 −2,5


Aula 09
Logo, conhecendo essas probabilidades condicionais e as probabilidades P(X) e P(Y), podemos calcular a
probabilidade desejada:
𝑃(𝐴) = 𝑒 −0,5 × 0,6 + 𝑒 −2,5 × 0,4 ≅ 0,61 × 0,6 + 0,08 × 0,4 ≅ 0,397
Pontue-se que é possível aplicar esse mesmo raciocínio para outras distribuições.
A soma de variáveis exponenciais independentes segue distribuição hipoexponencial ou

distribuição generalizada de Erlang. Ela é chamada de hipoexponencial porque o seu
coeficiente de variação (CV) é sempre menor que 1.
Para a distribuição exponencial, o CV é igual a 1, pois o desvio padrão é igual à média.
Já, a distribuição hiperexponencial tem CV maior que 1 e a sua função densidade de

probabilidade corresponde à soma das funções densidade de variáveis exponenciais
multiplicadas pelas respectivas probabilidades.
Considerando o exemplo da vida útil dos objetos com as mesmas probabilidades, teríamos:
𝑓ℎ𝑖𝑝𝑒𝑟 (𝑥 ) = 0,01. 𝑒 −0,01.𝑥 × 0,6 + 0,05. 𝑒 −0,05.𝑥 × 0,4
(FCC/2013 – TRT/5ª Região) Uma empresa produz componentes de dois tipos: A e B. Sejam as variáveis
aleatórias: X = tempo de vida do componente A, em horas e Y = tempo de vida do componente B, em horas.
De um lote de 120 componentes do tipo A e 80 componentes do tipo B, retira-se ao acaso um componente.
Sabendo-se que X tem distribuição exponencial com média de 1.000 horas e que Y tem distribuição
exponencial com média de 700 horas, a probabilidade do componente selecionado ter duração inferior a
1.400 horas é
Dados: e−1 = 0,37; e−1,4 = 0,25; e−2 = 0,14
a) 0,569
b) 0,742


Aula 09
c) 0,618
d) 0,794
e) 0,634
Comentários:
Vamos chamar o atributo desejado, isto é, o fato de um componente ter duração inferior a 1400 horas de
evento C. Pelo Teorema da Probabilidade Total, temos:
𝑃(𝐶 ) = 𝑃(𝐶 |𝐴) × 𝑃(𝐴) + 𝑃(𝐶|𝐵) × 𝑃(𝐵)
Pelas informações do enunciado, sabemos que;
𝑛(𝐴) 120
𝑃 (𝐴 ) = = = 0,6
𝑛(𝑈) 200
𝑛(𝐵) 80
𝑃 (𝐵 ) = = = 0,4
𝑛(𝑈) 200
Sabendo que o componente A segue uma distribuição exponencial X, com média de 1000 horas, temos:
1
𝐸 (𝑋 ) = = 1000
𝜆𝑋
1
𝜆𝑋 =
1000
Sabendo que o componente B segue uma distribuição exponencial Y, com média de 700 horas, temos:
1
𝐸 (𝑌 ) = = 700
𝜆𝑌
1
𝜆𝑌 =
700
Assim, podemos calcular as probabilidades condicionais:
𝑃 (𝑋 < 𝑥 ) = 1 − 𝑒 −𝜆𝑥
1400
𝑃(𝐶 |𝐴) = 𝑃(𝑋 < 1400) = 1 − 𝑒 −1000 = 1 − 𝑒 −1,4 = 1 − 0,25 = 0,75
1400
𝑃 (𝐶 |𝐵) = 𝑃 (𝑌 < 1400) = 1 − 𝑒 − 700 = 1 − 𝑒 −2 = 1 − 0,14 = 0,86
Agora, podemos calcular o valor de um objeto aleatório durar menos de 1400 horas:
𝑃 (𝐶 ) = 0,75 × 0,6 + 0,86 × 0,4 = 0,794
Gabarito: D


Aula 09
A distribuição exponencial é um caso particular da distribuição gama, cuja f.d.p. é:
𝛽𝛼 𝑦 𝛼−1 𝑒 −𝛽.𝑦
, 𝑠𝑒 𝑦 ≥ 0
𝑓 (𝑦 ) = { Γ(𝛼) }
Em que Γ(𝛼) é chamada de função gama.
A distribuição gama depende dos parâmetros 𝜶 e 𝜷.
A distribuição gama se reduz à distribuição exponencial para 𝜶 = 𝟏, sendo 𝜷 = 𝝀.
Observe essa relação nas fórmulas da média e variância da distribuição gama indicadas
1 1
abaixo, em comparação com a distribuição exponencial 𝑋, em que 𝐸 (𝑋) = 𝜆 e 𝑉(𝑋) = 𝜆2 :
𝛼 𝛼
𝐸 (𝑌 ) = 𝛽 , 𝑉 (𝑌 ) = 𝛽 2
Outra distribuição que apresenta determinada relação com a distribuição exponencial é a

distribuição de Weibull, cuja f.d.p. é dada pela seguinte fórmula:
𝑧 𝑘
𝑘 𝑧 𝑘−1 −( )
𝑓 (𝑧 ) = { 𝜆 ( 𝜆 ) 𝑒 ,
𝑠𝑒 𝑧 ≥ 0}
𝜆
Podemos observar que essa distribuição depende dos parâmetros 𝑘 e 𝜆.
Compare a função de distribuição acumulada dessa distribuição, indicada abaixo, com a

f.d.a. da distribuição exponencial 𝑋, em que 𝐹 (𝑥 ) = 1 − 𝑒 −𝝀𝑥 :
𝑧 𝒌
−( )
𝐹 (𝑍 ) = 1 − 𝑒 𝝀
Se 𝑍 segue distribuição de Weibull, então 𝑋, definida abaixo, segue distribuição

exponencial com 𝝀 = 𝟏:
𝑍 𝒌
𝑋 = (𝝀 )
Essas duas distribuições pertencem à família exponencial.


Aula 09
Outra distribuição que também pertence a essa família é a distribuição beta, cuja f.d.p. é:
Γ(𝛼+𝛽)
𝑥 𝛼−1 (1 − 𝑥)𝛽−1 , 𝑠𝑒 0 ≤ 𝑥 ≤ 1
𝑓 (𝑥 ) = {Γ(𝛼).Γ(𝛽) }
Essa função depende dos parâmetros 𝛼 e 𝛽, podendo ser escrita como:
1
𝑓(𝑥) = B(𝛼,𝛽) 𝑥 𝛼−1 (1 − 𝑥)𝛽−1
B é chamada de função beta, funcionando como uma constante de normalização para que
a probabilidade de todo o Espaço Amostral seja igual a 1.
A média dessa distribuição é:

𝛼
𝐸 (𝑋) = 𝛼+𝛽
(CESPE/2011 – EBC) Julgue o item subsequente, relativo à família exponencial de distribuições.

Tendo em vista que a distribuição exponencial é um caso particular da distribuição de Weibull, e
considerando que a distribuição exponencial pertence à família exponencial, é correto concluir que a
distribuição de Weibull também pertence à família exponencial.
Comentários:
A distribuição exponencial é um caso particular da distribuição gama. A exponencial também apresenta uma
relação com a distribuição de Weibull, mas não pode ser considerada um caso particular desta. Todas essas
distribuições pertencem à família exponencial.
Gabarito: Errado.
(CESPE/2014 – Analista Judiciário do TJ/SE) Nas estatísticas do Poder Judiciário, a taxa de congestionamento
(X), que consiste em um indicador que permite medir a efetividade da movimentação processual de um
tribunal, é uma variável aleatória contínua com função de densidade f(x) expressa por:
𝛽. 𝑥 8 . (1 − 𝑥)2 , 𝑠𝑒 𝑥 ∈ [0,1]
𝑓 (𝑥 ) = { }, em que 𝛽 é uma constante real
0, 𝑠𝑒 𝑥 ∉ [0,1]
Com base nessas informações, julgue o próximo item.
O valor de β é superior a 450 e inferior a 500.
Comentários:


Aula 09
Observe que essa variável segue distribuição beta. O valor da constante 𝛽 pode ser calculado, considerando-
se que a probabilidade de todo o Espaço Amostral é 1. Para isso, precisamos integrar a f.d.p.:
𝐹 (𝑥 ) = ∫ 𝛽. 𝑥 8 . (1 − 𝑥)2 . 𝑑𝑥 = ∫ 𝛽. 𝑥 8 . (1 − 2𝑥 + 𝑥 2 ). 𝑑𝑥 = ∫ 𝛽. (𝑥 8 − 2. 𝑥 9 + 𝑥 10 ). 𝑑𝑥
𝐹 (𝑥 ) = ∫ 𝛽. 𝑥 8 . 𝑑𝑥 − ∫ 2. 𝛽. 𝑥 9 𝑑𝑥 + ∫ 𝛽. 𝑥 10 𝑑𝑥
Integrando em separado, temos:

𝑥9
∫ 𝛽. 𝑥 8 . 𝑑𝑥 = 𝛽
9
𝑥 10
∫ 2. 𝛽. 𝑥 9 𝑑𝑥 = 2. 𝛽
10
𝑥 11
∫ 𝛽. 𝑥 10 𝑑𝑥 = 𝛽
11
Juntando esses resultados, temos:
𝑥9 𝑥 10 𝑥 11
𝐹 (𝑥 ) = 𝛽− 2. 𝛽 +𝛽
9 10 11
Sabendo que x varia no intervalo [0,1], a diferença entre F(1) e F(0) corresponde à probabilidade de todo o
Espaço Amostral:
19 110 111 09 010 011
𝐹 (1) − 𝐹 (0) = 𝛽 − 2. 𝛽 +𝛽 − (𝛽 − 2. 𝛽 +𝛽 )=1
9 10 11 9 10 11
𝛽 𝛽 𝛽 55. 𝛽 − 99. 𝛽 + 45. 𝛽 𝛽
𝐹 (1) − 𝐹 (0) = − + = = =1
9 5 11 495 495
𝛽 = 495
Logo, o valor de 𝛽 é superior a 450 e inferior a 500.
Gabarito: Certo.


Aula 09
DISTRIBUIÇÃO NORMAL
A distribuição normal, também chamada de gaussiana, é uma das distribuições contínuas mais importantes!
A função densidade de probabilidade (f.d.p.) dessa distribuição é dada por:
1 1 𝑥−𝜇 2
𝑒 2 𝜎 ) ,
− (
𝑓 (𝑥 ) = 𝑥 ∈ (−∞, ∞)
𝜎√2𝜋
Essa f.d.p. é bastante complicada, não é? Mas não se preocupe! Você não vai precisar integrar ou derivar!
Observe que essa função depende apenas dos parâmetros 𝝁 (média) e 𝝈𝟐 (variância), que são parâmetros
independentes.
No gráfico abaixo, temos uma f.d.p. com distribuição normal. Observe que a curva apresenta um formato de
sino, que é uma característica de todas as variáveis normais.
As distribuições normais são simétricas, ou seja, tem-se:
Média = Mediana = Moda

Logo, o valor de 𝝁 divide a distribuição em duas partes iguais. Sabendo que a área total, sob toda a curva,
corresponde à probabilidade de todo o Espaço Amostral e, portanto, a 100%, então:
𝑃(𝑋 > 𝜇 ) = 𝑃 (𝑋 < 𝜇 ) = 50%
A probabilidade de um intervalo corresponde à área sob a f.d.p. limitada por esse intervalo. Assim, a
igualdade acima pode ser ilustrada como no gráfico seguir:
50%
50%
Média


Aula 09
No exemplo do gráfico anterior, temos 𝜇 = 1, logo:
𝑃(𝑋 > 1) = 𝑃(𝑋 < 1) = 50%
Mas a simetria não implica somente nisso. A partir da média, toda a distribuição de probabilidades para os
valores superiores é igual à distribuição para os valores inferiores.
Assim, para qualquer 𝑘 real, a probabilidade de a variável ser maior do que 𝜇 + 𝑘 é igual à probabilidade de
ser menor do que 𝜇 − 𝑘:
𝑃(𝑋 > 𝜇 + 𝑘 ) = 𝑃(𝑋 < 𝜇 − 𝑘)
𝑃(𝑋 < 𝜇 − 𝑘) 𝑃(𝑋 > 𝜇 + 𝑘)
𝜇−𝑘 𝜇+𝑘
Em relação ao nosso exemplo, em que 𝜇 = 1, temos:
• Para 𝑘 = 1: 𝑃(𝑋 > 2) = 𝑃(𝑋 < 0)

• Para 𝑘 = 2: 𝑃(𝑋 > 3) = 𝑃(𝑋 < −1)
• Para 𝑘 = 2,5: 𝑃(𝑋 > 3,5) = 𝑃(𝑋 < −1,5)
• ...
Similarmente, as probabilidades associadas aos intervalos entre a média e esses limites 𝜇 + 𝑘 e 𝜇 − 𝑘

também são iguais, conforme equação abaixo e gráfico a seguir:
𝑃 ( 𝜇 < 𝑋 < 𝜇 + 𝑘 ) = 𝑃 (𝜇 − 𝑘 < 𝑋 < 𝜇 )
𝑃(𝜇 − 𝑘 < 𝑋 < 𝜇) 𝑃(𝜇 < 𝑋 < 𝜇 + 𝑘)
𝜇−𝑘 𝜇+𝑘


Aula 09
Em relação ao nosso exemplo em que 𝜇 = 1, temos:
• Para 𝑘 = 1: 𝑃(1 < 𝑋 < 2) = 𝑃(0 < 𝑋 < 1)

• Para 𝑘 = 2: 𝑃(1 < 𝑋 < 3) = 𝑃(−1 < 𝑋 < 1)
• Para 𝑘 = 2,5: 𝑃(1 < 𝑋 < 3,5) = 𝑃(−1,5 < 𝑋 < 1)
• ...
Podemos observar, ainda, que a curva normal apresenta duas assíntotas.

De modo geral, uma assíntota ocorre quando uma curva se aproxima cada vez mais a uma reta, porém sem
tocá-la. A curva normal se aproxima do eixo x (eixo das abcissas) tanto para 𝑥 → −∞, quanto para 𝑥 → +∞.
Por isso, dizemos que a curva normal é duplamente assintótica.
Além disso, existem dois pontos de inflexão na curva normal.

Pontos de inflexão são aqueles em que a concavidade da curva muda.
No início da curva normal, a concavidade está voltada para cima. No ponto (aproximado) indicado pela seta
da esquerda, a concavidade muda para baixo, e no ponto (aproximado) indicado pela seta da direita, a
concavidade muda novamente para cima.
Esses pontos de inflexão ocorrem precisamente a 1 desvio padrão da média, ou seja, em 𝝁 − 𝝈 e em 𝝁 + 𝝈.
(FGV/2010 – SEAD-AP – Adaptada) Em relação à distribuição normal, julgue as afirmativas a seguir.

I – A função de densidade de probabilidade é simétrica em relação à média.
II – O valor da mediana é igual ao valor da média.
III – A média de uma variável aleatória com distribuição normal pode ser negativa.
Comentários:


Aula 09
Sabemos que a distribuição normal é simétrica em relação à média (logo, a afirmativa I está correta). Por ser
simétrica, ela apresenta média = mediana (logo, a afirmativa II está correta).
A distribuição normal pode ter qualquer valor de média, inclusive negativa. Por exemplo, se estivermos
tratando do lucro das empresas que vão à falência, provavelmente, a média será negativa. Logo, a afirmativa
III está correta.
Resposta: Todas corretas.
Distribuição Normal Padrão
Para calcular os valores de probabilidade, temos uma tabela que relaciona os valores de intervalo da variável
aos respectivos valores de probabilidade.
Essa tabela, inserida abaixo, se refere a uma distribuição normal 𝑵(𝟎, 𝟏), isto é, com média 𝝁 = 𝟎 e variância
𝝈𝟐 = 𝟏, chamada de normal padrão ou reduzida, que denotamos por 𝒁.
Pelo gráfico anterior à tabela, deduzimos que os seus valores correspondem à probabilidade entre a média
𝜇 = 0 e o valor de 𝑧 indicado. Assim, os campos da tabela informam a probabilidade 𝑃(0 < 𝑍 < 𝑧).
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817


Aula 09
Z (cont) 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
E quanto aos valores de 𝑧?

O valor de 𝑧 começa a ser lido na primeira coluna (que apresenta as unidades e os décimos de 𝑧) e termina
de ser lido na primeira linha (que apresenta os centésimos de 𝑧). Assim, a probabilidade 𝑃(0 < 𝑍 < 𝑧) é o
valor que está no campo, cuja linha corresponda à unidade e ao décimo de 𝑧 e cuja coluna corresponda ao
centésimo de 𝑧.
Por exemplo, para encontrar o valor de 𝑃(0 < 𝑍 < 1,96), precisamos buscar o número que está na linha 1,9
e na coluna 0,06, conforme indicado abaixo. Podemos observar que 𝑃 (0 < 𝑍 < 1,96) = 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 ...
... ... ... ... ... ...
Também podemos fazer o caminho inverso, qual seja, encontrar o valor de 𝑧 que corresponde à
probabilidade desejada.
Vamos encontrar o valor de 𝑧 tal que 𝑃(0 < 𝑍 < 𝑧) = 0,40, por exemplo. Para isso, devemos buscar o valor
0,40 nos campos da tabela. Como não consta exatamente esse valor, somente 0,3997 e 0,4015, optamos
pelo valor mais próximo, isto é, 0,3997.
Este se encontra na linha 1,2 e na coluna 0,08, conforme indicado a seguir. Logo, concluímos que 𝑧 = 1,28.


Aula 09
Z ... 0,07 0,08 0,09

... ... 0,3577 0,3599 0,3621
1,1 ... 0,379 0,381 0,383
1,2 ... 0,398 0,3997 0,4015
1,3 ... 0,4147 0,4162 0,4177
... ... ... ... ...
Para resolver questões envolvendo a tabela normal padrão é importante lembrar que essa distribuição é
simétrica, com média 𝜇 = 0.
𝑷(𝟎 < 𝒁 < 𝒛) = 𝟎, 𝟓 − 𝑷(𝒁 > 𝒛)
P(0 < Z < z)
P(Z > z)
𝑷(−𝒛 < 𝒁 < 𝟎) = 𝑷(𝟎 < 𝒁 < 𝒛)
P(-z < Z < 0) P(0 < Z < z)
-z z
𝑷(𝒁 < −𝒛) = 𝑷(𝒁 > 𝒛)
P(Z < -z) P(Z > z)
-z z
Supondo, por exemplo, z = 1,96, vimos que 𝑃(0 < 𝑍 < 1,96) = 0,475. Logo:
𝑷(𝒁 > 𝟏, 𝟗𝟔) = 𝟎, 𝟓 − 𝑷(𝟎 < 𝒁 < 𝟏, 𝟗𝟔) = 0,5 − 0,475 = 0,025


Aula 09
P(0 < Z < 1,96)
P(Z > 1,96)
0,5
𝑷(−𝟏, 𝟗𝟔 < 𝒁 < 𝟎) = 𝑷(𝟎 < 𝒁 < 𝟏, 𝟗𝟔) = 0,475
P(-1,96 < Z < 0) P(0 < Z < 1,96)
-1,96 1,96
𝑷(𝒁 < −𝟏, 𝟗𝟔) = 𝑷(𝒁 > 𝟏, 𝟗𝟔) = 0,5 − 0,475 = 0,025
P(Z < -1,96) P(Z > 1,96)
-1,96 1,96
A questão pode solicitar e/ou fornecer a probabilidade em módulo, da forma 𝑃(|𝑍| < 𝑧) ou 𝑃 (|𝑍| > 𝑧). Para
resolvê-las, é importante lembrar que a probabilidade 𝑃 (|𝑍| < 𝑧) corresponde a:
𝑷(|𝒁| < 𝒛) = 𝑃(−𝑧 < 𝑍 < 𝑧) = 𝑃(−𝑧 < 𝑍 < 0) + 𝑃 (0 < 𝑍 < 𝑧)
P(|Z| < z) = P(-z < Z < z)
P(-z < Z < 0) P(0 < Z < z)
-z z
Pela simetria da normal padrão, temos 𝑃 (−𝑧 < 𝑍 < 0) = 𝑃 (0 < 𝑍 < 𝑧), logo:
𝑷(|𝒁| < 𝒛) = 𝟐 × 𝑷(𝟎 < 𝒁 < 𝒛)
𝑃 (|𝑍| < 1.96) = 2 × 𝑃 (0 < 𝑍 < 1.96) = 2 × 0,475 = 0,95


Aula 09
E a probabilidade 𝑃(|𝑍| > 𝑧) pode ser calculada pela fórmula da probabilidade complementar:
𝑷(|𝒁| > 𝒛) = 1 − 𝑃 (|𝑍| < 𝑧)
𝑷(|𝒁| > 𝒛) = 𝟏 − 𝟐 × 𝑷(𝟎 < 𝒁 < 𝒛)
P(|Z| < z)
P(Z < -z) P(Z > z)
-z z
P(|Z| > z) = 1 – P(|Z| < z}
𝑃 (|𝑍| > 𝑧) = 1 − 2 × 𝑃(0 < 𝑍 < 𝑧) = 1 − 2 × 0,475 = 1 − 0,95 = 0,05
Ou, também podemos calcular 𝑃 (|𝑍| > 𝑧), aplicando-se o raciocínio análogo ao que fizemos anteriormente:
𝑷(|𝒁| > 𝒛) = 𝑃 (𝑍 < −𝑧 ∪ 𝑍 > 𝑧) = 𝑃(𝑍 < −𝑧) + 𝑃(𝑍 > 𝑧)
P(Z < -z) P(Z > z)
-z z
P(|Z| > z) = P(Z < -z) + P(Z > z}
Pela simetria da normal padrão, temos 𝑃 (𝑍 < −𝑧) = 𝑃 (𝑍 > 𝑧), logo:
𝑷(|𝒁| < 𝒛) = 2 × 𝑃 (𝑍 > 𝑧)
Para z = 1,96, em que 𝑃 (𝑍 > 1,96) = 0,025, temos:
𝑃(|𝑍| > 𝑧) = 2 × 𝑃(𝑍 > 𝑧) = 2 × 0,025 = 0,05


Aula 09
Existem, ainda, outros tipos de tabela para a distribuição normal padrão, que apresentam as probabilidades
para outros intervalos, como por exemplo para a região indicada a seguir:
Esse tipo de tabela indica as probabilidades da forma 𝑃(−∞ < 𝑍 < 𝑧), que correspondem à função da
distribuição normal acumulada.
Transformação entre Distribuições Normais
Mas, e se a média da distribuição for diferente de zero e/ou a variância for diferente de 1?
Para isso, fazemos uma transformação de uma distribuição normal qualquer para a distribuição normal
padrão, conforme fórmula indicada abaixo:
𝑥−𝜇
𝑧= 𝜎
Com essa transformação, encontramos os valores de z na distribuição normal padrão associados aos valores
de x da distribuição normal de interesse, com média 𝜇 e desvio padrão 𝜎.
Vamos supor uma distribuição normal com média 𝜇 = 1 e desvio padrão 𝜎 = 3, em que estamos
interessados no valor de 𝑥 = 7. A transformação desse valor para a distribuição normal padrão é:
𝑥−𝜇 7−1
𝑧= = =2
𝜎 3
Isso significa que os intervalos associados a z = 2 na distribuição normal padrão apresentam a mesma
probabilidade daqueles associados a 𝒙 = 𝟕 na distribuição 𝑿, com média 𝜇 = 1 e desvio padrão 𝜎 = 3.
Por exemplo:
𝑷(𝑿 > 𝟕) = 𝑷(𝒁 > 𝟐)
Pela tabela da normal padrão, temos 𝑃 (0 < 𝑍 < 2) = 0,4772, logo:
𝑃 (𝑍 > 2) = 0,5 − 0,4772 = 0,0228
P(0 < Z < 2) = 0,4772
P(Z > 2)
0,5


Aula 09
Portanto, 𝑃(𝑋 > 7) = 0,0228 = 2,28%.
Analogamente, temos:
𝑷(𝑿 < 𝟕) = 𝑷(𝒁 < 𝟐)
Sabemos que 𝑃(𝑍 > 2) = 0,5 − 0,4772 = 0,0228, logo:
𝑃(𝑍 < 2) = 1 − 𝑃(𝑍 > 2) = 1 − 0,0228 = 0,9772
P(Z < 2)
P(Z > 2)
Portanto, 𝑃(𝑋 < 7) = 0,9772.
Para encontrar intervalos envolvendo outros valores, por exemplo P(4 < X < 7), precisamos aplicar a
transformação para ambos os valores. Para x = 4, temos:
𝑥−𝜇 4−1
𝑧= = =1
𝜎 3
Sabendo que a transformação para x = 7 é z = 2, então podemos concluir que:
P(4 < X < 7) = P(1 < Z < 2)
A probabilidade P(1 < Z < 2) pode ser calculada como:
P(1 < Z < 2) = P(0 < Z < 2) – P(0 < Z < 1)
P(1 < Z < 2)
0 1 2
Pela tabela da distribuição normal, observamos que P(0 < Z < 1) = 0,3413 e que P(0 < Z < 2)=0,4772, logo:
P(1 < Z < 2) = 0,4772 – 0,3413 = 0,1359
Assim, concluímos que P(4 < X < 7) = 0,1359 = 13,59%


Aula 09
Também podemos fazer o caminho inverso, encontrando o valor de 𝒙 em uma distribuição com média 𝜇 e
desvio padrão 𝜎, a partir de uma probabilidade desejada.
Para isso, primeiro encontramos o valor de z correspondente a essa probabilidade desejada, utilizando a
tabela da normal padrão. Em seguida, aplicamos a fórmula da transformação.
Por exemplo, podemos calcular o valor de 𝑥 para o qual a probabilidade de 𝑃(𝑋 < 𝑥 ) = 0,8, para a
distribuição normal com os mesmos parâmetros do exemplo anterior (𝜇 = 1 e 𝜎 = 3).
Considerando a simetria em torno de zero da normal padrão, temos que:
𝑃(0 < 𝑍 < 𝑧) = 𝑃(𝑍 < 𝑧) − 0,5
P(0 < Z < z)
0,5
z
P(Z < z)
Assim, precisamos encontrar, na tabela normal padrão, o valor de 𝑧 que corresponde a:

𝑃(0 < 𝑍 < 𝑧) = 0,8 − 0,5 = 0,3
P(0 < Z < z) = 0,3
0,5
z
0,8
Pela tabela da distribuição normal padrão, observamos que esse valor é 𝑧 = 0,84, pois P(0<Z<0,84) = 0,2995,
que é o valor da tabela mais próximo de 0,3.
Substituindo os valores conhecidos na fórmula transformação (𝜇 = 1, 𝜎 = 3 e 𝑧 = 0,84), podemos
encontrar o valor de 𝑥, que delimita uma probabilidade 𝑃 (𝑋 < 𝑥 ) = 0,8:
𝑥−𝜇
𝑧=
𝜎
𝑥−1
0,84 =
3
𝑥 = 3 × 0,84 + 1 = 3,52


Aula 09
Agora, vamos calcular as probabilidades associadas a intervalos genéricos, em função do desvio padrão 𝜎.
Para calcular a probabilidade 𝑷(𝝁 − 𝝈 < 𝑿 < 𝝁 + 𝝈), utilizamos a seguinte transformação, para 𝒙 = 𝝁 + 𝝈:
𝒙−𝜇 𝝁+𝝈−𝜇
𝑧= =𝑧= =1
𝜎 𝜎
Para 𝒙 = 𝝁 − 𝝈, temos:
𝒙−𝜇 𝝁−𝝈−𝜇
𝑧= =𝑧= = −1
𝜎 𝜎
Portanto:
𝑷(𝝁 − 𝝈 < 𝑿 < 𝝁 + 𝝈) = 𝑃 (−1 < 𝑍 < 1) = 𝑷(−𝟏 < 𝒁 < 𝟎) + 𝑷(𝟎 < 𝒁 < 𝟏)
De maneira geral, quando os intervalos são da forma 𝑃(𝜇 − 𝑘 < 𝑋 < 𝜇 + 𝑘), em que os
extremos são equidistantes da média, basta fazermos a transformação para um dos
extremos, pois o outro estará associado ao mesmo valor de z, porém multiplicado por –1.
Pela tabela da curva normal, temos 𝑃 (0 < 𝑍 < 1) = 0,3413. Pela simetria da normal padrão, em torno da
média 0, temos:
𝑃(−1 < 𝑍 < 0) = 𝑃(0 < 𝑍 < 1) = 0,3413
Logo:
𝑃(−1 < 𝑍 < 1) = 𝑃 (−1 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 1) = 0,3413 + 0,3413 = 0,6826
𝑷(𝝁 − 𝝈 < 𝑿 < 𝝁 + 𝝈) ≅ 𝟔𝟖%
Ou seja, a probabilidade de uma variável normal qualquer se afastar da média (para cima ou para baixo) em
até 1 desvio padrão é aproximadamente 68%, conforme ilustrado a seguir.
68%
𝜇−𝜎 𝜇+𝜎


Aula 09
Para 𝑷(𝝁 − 𝟐𝝈 < 𝑿 < 𝝁 + 𝟐𝝈), temos:

𝑥 − 𝜇 𝜇 + 2𝜎 − 𝜇
𝑧= = =2
𝜎 𝜎
Portanto:
𝑷(𝝁 − 𝟐𝝈 < 𝑿 < 𝝁 + 𝟐𝝈) = 𝑃 (−2 < 𝑍 < 2) = 𝑷(−𝟐 < 𝒁 < 𝟎) + 𝑷(𝟎 < 𝒁 < 𝟐)
Pela tabela, temos 𝑃(0 < 𝑍 < 2) = 0,4772. Considerando a simetria da normal padrão, temos:
𝑃(−2 < 𝑍 < 0) = 𝑃(0 < 𝑍 < 2) = 0,4772
E a probabilidade desejada é:
𝑃(−2 < 𝑍 < 2) = 𝑃 (−2 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 2) = 0,4772 + 0,4772 = 0,9544
𝑷(𝝁 − 𝟐𝝈 < 𝑿 < 𝝁 + 𝟐𝝈) ≅ 𝟗𝟓%

até 2 desvios padrão é aproximadamente 95%, como ilustrado abaixo.
95%
𝜇 − 2𝜎 𝜇 + 2𝜎
Para 𝑷(𝝁 − 𝟑𝝈 < 𝑿 < 𝝁 + 𝟑𝝈), obtemos, pela transformação, 𝑧 = 3, logo:
𝑷(𝝁 − 𝟑𝝈 < 𝑿 < 𝝁 + 𝟑𝝈) = 𝑃 (−3 < 𝑍 < 3) = 𝑷(−𝟑 < 𝒁 < 𝟎) + 𝑷(𝟎 < 𝒁 < 𝟑)
Pela tabela, temos 𝑃(0 < 𝑍 < 3) = 0,4987 e, pela simetria, 𝑃 (−3 < 𝑍 < 0) = 0,4987, logo:
𝑃(−3 < 𝑍 < 3) = 𝑃 (−3 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 3) = 0,4987 + 0,4987 = 0,9974
𝑷(𝝁 − 𝟑𝝈 < 𝑿 < 𝝁 + 𝟑𝝈) ≅ 𝟗𝟗, 𝟕%

até 3 desvios padrão é aproximadamente 99,7%, ilustrado abaixo.
99,7%
𝜇 − 3𝜎 𝜇 + 3𝜎


Aula 09
Essas probabilidades (68% para 𝝁 ± 𝝈; 95% para 𝝁 ± 𝟐𝝈 e 99,7% para 𝝁 ± 𝟑𝝈) compõem a chamada Regra
Empírica. Algumas questões (não muitas) exigem que você memorize essas probabilidades.
Distribuição Normal: 𝑁 (𝜇, 𝜎 2 )
Simétrica, com formato de sino, definida em toda a reta real
Regra Empírica: 68% para 𝝁 ± 𝝈; 95% para 𝝁 ± 𝟐𝝈 e 99,7% para 𝝁 ± 𝟑𝝈
𝒙−𝝁
Transformação para a Normal Padrão N(0,1): 𝒛 =
𝝈
(FGV/2010 – SEAD-AP – Adaptada) Em relação à distribuição normal, julgue as afirmativas a seguir:

(𝑋−𝜇)
I – Se X tem distribuição normal com média 𝜇 e variância 𝜎 2 então a variável 𝑍 = tem distribuição
𝜎2
normal padrão.
II – A probabilidade de que uma variável Z que tenha distribuição normal padrão seja maior que 5 é
aproximadamente igual a 0.
Comentários:
(𝑋−𝜇)
Em relação à afirmativa I, a transformação para a Normal Padrão é 𝑍 = , ou seja, a divisão é pelo desvio
𝜎
padrão, não pela variância. Por isso, a afirmativa I está incorreta.
Em relação à afirmativa II, a distribuição se concentra em 3 desvios-padrão para ambos os lados (mais de
99% se encontram nesse intervalo). De fato, as tabelas da normal padrão, em geral, fornecem valores até
z=3,99 porque valores a probabilidade de Z ser maior que isso é praticamente nula. Logo, a afirmativa II está
correta.
Resposta: I – incorreta, II – correta.
(VUNESP/2009 – CETESB) Para um determinado horário, considerando-se todos os dias de um período, ao

se calcular a média de congestionamento de trânsito em km obtém-se o valor 𝜇 e desvio padrão 𝜎.
Considerando-se que os valores obtidos pela variável e suas respectivas probabilidades constituem uma
distribuição normal, no intervalo de (𝜇 − 𝜎) até (𝜇 + 𝜎), a percentagem dos dados contidos é cerca de


Aula 09
a) 25%
b) 50%
c) 68%
d) 94%
e) 99%
Comentários:
Essa questão exige o conhecimento da Regra Empírica. Vimos que o intervalo de (𝜇 − 𝜎) até (𝜇 + 𝜎)
concentra 68% da distribuição normal.
Gabarito: C
(CESPE/2016 – Analista da FUNPRESP-JUD) A simetria de Z implica que P(Z ≥ 2) = 1 – P(Z ≤ -2).

Comentários:
A simetria da curva normal com média igual a zero implica na seguinte relação entre P(Z ≥ 2) e P(Z ≤ -2):
𝑃(𝑍 ≥ 2) = 𝑃(𝑍 ≤ −2)
Essa relação está ilustrada no gráfico abaixo.
𝑃(𝑍 ≤ −2) 𝑃(𝑍 ≥ 2)
-2 0 2
A relação descrita no enunciado iguala a probabilidade 𝑃(𝑍 ≥ 2) à probabilidade 1 − 𝑃(𝑍 ≤ −2). Esta
corresponde a toda a região indicada abaixo:
1 − 𝑃(𝑍 ≤ −2)
-2 0
Podemos observar que 𝑃(𝑍 ≥ 2) é bem menor que 50%, enquanto 1 − 𝑃(𝑍 ≤ −2) é bem maior que 50%,
ou seja:
𝑃(𝑍 ≥ 2) ≠ 1 − 𝑃(𝑍 ≤ −2)
Logo, o item está errado.
Gabarito: Errado.


Aula 09
(FGV/2022 – EPE) O salário médio dos funcionários de uma empresa é normalmente distribuído com média
de R$ 2.500,00 e desvio padrão de R$ 1.500,00. A empresa divide os funcionários em 5 classes, a saber: M,
N, O, P e Q, onde “M” é a classe com melhor salário e “Q” a classe com menor salário.
Se apenas 5% dos funcionários dessa empresa estão na classe “M”, o menor valor do salário do funcionário
para ele pertencer à classe “M” é
[Considere que P(Z ≤ 1,64) = 0,95.]
a) 3900,00
b) 4170,00
c) 4960,00
d) 5160,00
e) 5350,00
Comentários:
==3e713==
O enunciado informa que os salários seguem distribuição normal com média μ = R$ 2.500,00 e desvio
padrão σ = R$1.500,00; e pede o valor do menor salário da classe M, associada aos 5% melhores salários,
conforme ilustrado a seguir:
95%
5%
2500 𝑥
Sabendo que 5% (ou 0,05) da distribuição é maior do que o valor buscado, então 95% (ou 0,95) da
distribuição é menor e o enunciado informa justamente que P(Z ≤ 1,64) = 0,95.
Assim, devemos aplicar a transformação para z = 1,64, sabendo que a média é 2500 e o desvio padrão é
1500:
x−μ
z=
σ
x − 2500
1,64 =
1500
x − 2500 = 1,64 × 1500 = 2460
x = 4960
Gabarito: C
(VUNESP/2014 – EMPLASA) O tempo de vida da população de um determinado país tem distribuição normal
com a média igual a 68 anos e o desvio padrão igual a 11.
𝑋−𝜇
Considere os valores da tabela e a fórmula 𝑍 = :
𝜎


Aula 09
A probabilidade de uma pessoa viver mais do que 90 anos é de

a) 15,87%
b) 6,68%
c) 4,82%
d) 3,36%
e) 2,28%
Comentários:
Sendo 𝜇 = 68 e 𝜎 = 11, temos a seguinte transformação para 𝑥 = 90:
𝑥 − 𝜇 90 − 68 22
𝑧= = = =2
𝜎 11 11
Pela tabela, que apresenta a probabilidade 𝑃(0 < 𝑍 < 𝑧), temos:
𝑃 (0 < 𝑍 < 2) = 0,4772
Logo:
𝑃(𝑍 > 2) = 0,5 − 𝑃(0 < 𝑍 < 2) = 0,5 − 0,4772 = 0,0228
𝑃(0 < 𝑍 < 2)
𝑃(𝑍 > 2)
0,5
Gabarito: E.
(FCC/2015 – Auditor Fiscal da SEFAZ/PI) Se Z tem distribuição normal padrão, então: P(Z < 0,4) = 0,655; P(Z
< 1,2) = 0,885; P(Z < 1,6) = 0,945; P(Z < 1,8) = 0,964; P(Z < 2) = 0,977.
O efeito do medicamento A é o de baixar a pressão arterial de indivíduos hipertensos. O tempo, em minutos,
decorrido entre a tomada do remédio e a diminuição da pressão é uma variável aleatória X com distribuição
normal, tendo média µ e desvio padrão σ. Se o valor de µ é de 56 min e o valor de σ é de 10 min, a
probabilidade de X estar compreendido entre 52 min e 74 min é igual a
a) 30,9%
b) 56,0%
c) 61,9%


Aula 09
d) 52,4%
e) 64,5%
Comentários:
A probabilidade de X estar entre 52 min e 74 min pode ser calculada a partir das transformações para x = 74
min e para x = 52 min, considerando a média de 56 min e desvio padrão de 10 min.
Para x = 74, temos:
𝑥−𝜇
𝑧=
𝜎
74 − 56 18
𝑧= = = 1,8
10 10
A transformação para x = 52 é:
52 − 56 −4
𝑧= = = −0,4
10 10
Então, a probabilidade de X estar compreendido entre 52 min e 74 min corresponde a:
𝑃 (52 < 𝑋 < 74) = 𝑃 (−0,4 < 𝑍 < 1,8)
Essa probabilidade pode ser calculada como:
𝑃(−0,4 < 𝑍 < 1,8) = 𝑃 (𝑍 < 1,8) − 𝑃 (𝑍 < −0,4)
𝑃(𝑍 < −0,4)
-0,4 1,8
𝑃(𝑍 < 1,8)
Pela tabela observamos que P(Z < 1,8) = 0,964. Além disso, temos P(Z < 0,4) = 0,655, logo, o seu
complementar é:
P(Z > 0,4) = 1 – 0,655 = 0,345
𝑃(𝑍 < 0,4)

𝑃(𝑍 > 0,4)
0,4
Pela simetria da normal padrão, temos:

P(Z < -0,4) = P(Z > 0,4) = 0,345


Aula 09
𝑃(𝑍 < −0,4)

𝑃(𝑍 > 0,4)
-0,4 0,4
Inserindo esses valores na equação acima, temos:

𝑃 (52 < 𝑋 < 74) = 𝑃 (𝑍 < 1,8) − 𝑃(𝑍 < −0,4) = 0,964 − 0,345 = 0,619
Gabarito: C


Aula 09
SOMA DE VARIÁVEIS E O TEOREMA CENTRAL DO LIMITE

Nesta seção, veremos a soma de variáveis com distribuição normal e, também, com outras distribuições. Ao
final, veremos como aproximar uma distribuição binomial a uma normal.
Soma de Variáveis com Distribuição Normal
A soma de variáveis independentes com distribuição normal também segue uma distribuição normal, cuja
média corresponde à soma das médias das variáveis e a variância corresponde à soma das variâncias.
Se 𝑋1 , 𝑋2 , … , 𝑋𝑛 são variáveis independentes que seguem distribuição normal, então a

soma 𝑌 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 também segue distribuição normal com média e variância
dadas respectivamente por:
𝐸 (𝑌) = 𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 )
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉(𝑋2 ) + ⋯ + 𝑉(𝑋𝑛 )
Ademais, a diferença entre duas variáveis independentes com distribuição normal também segue uma
distribuição normal, cuja média e variância podem ser calculadas pelas propriedades dessas medidas.
Se 𝑋1 e 𝑋2 são variáveis independentes com distribuição normal, então a diferença 𝑌 =

𝑋1 − 𝑋2 segue distribuição normal com média e variância dadas respectivamente por:
𝐸 (𝑌) = 𝐸 (𝑋1 ) − 𝐸(𝑋2 )
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉(𝑋2 )
Por exemplo, sendo 𝑌 = 𝑋1 − 𝑋2 , em que 𝑋1 e 𝑋2 são variáveis normais independentes, com médias
𝐸 (𝑋1 ) = 3 e 𝐸 (𝑋2 ) = 5, e variâncias 𝑉(𝑋1 ) = 4 e 𝑉(𝑋2 ) = 1, então, 𝑌 terá distribuição normal, com
parâmetros:
𝐸 (𝑌) = 𝐸 (𝑋1 ) − 𝐸 (𝑋2 ) = 3 − 5 = −2
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉 (𝑋2 ) = 4 + 1 = 5


Aula 09
Pontue-se que a soma, a subtração, a multiplicação ou a divisão de uma distribuição normal por uma
constante real também segue distribuição normal, cuja média e variância podem ser calculadas pelas
propriedades de esperança e variância.
Por exemplo, sendo X uma variável normal com média E(X) = 3 e variância V(X) = 4, então a variável Y = 2X –
6 terá distribuição normal, com média e variância dadas por:
𝐸(𝑌) = 𝐸(2𝑋 – 6) = 2. 𝐸(𝑋) – 6 = 2 × 3 – 6 = 0
𝑉(𝑌) = 𝑉(2𝑋 – 6) = 22 . 𝑉(𝑋) = 4 × 4 = 16
(2020 – FADESP) A variável aleatória X tem distribuição normal com média µ = 2 e variância σ2 = 9. Seja Y
uma variável aleatória definida por Y = 2X + 1. Nestas condições, pode-se afirmar que Y tem distribuição
a) normal com média µ = 2 e variância σ2 = 30.
b) qui-quadrado com média µ = 5 e variância σ2 = 36.
c) normal com média µ = 5 e variância σ2 = 9.
d) normal com média µ = 5 e variância σ2 = 36.
Comentários:
Vimos que a soma de variáveis normais segue uma distribuição normal, mesmo quando somadas a uma
constante. Logo, a variável Y possui distribuição normal, com média:
E(Y) = E(2X + 1) = 2.E(X) + 1
Sendo E(X) = 2, temos:
E(Y) = 2.2 + 1 = 5
A variância é:
V(Y) = V(2X + 1) = 4V(X)
Sendo V(X) = 36, então:
V(Y) = 4.9 = 36.
Gabarito: D.
(2018 – Petrobras) As variáveis aleatórias X e Y são independentes. A variável X segue uma distribuição
Normal com média 4 e variância 16, e a Y segue uma distribuição Normal com média 9 e variância 1. A
distribuição de X - Y é Normal com


Aula 09
a) média -5 e variância 15.

b) média -5 e variância 17.
c) média 5 e variância 15.
d) média 5 e variância 17.
e) média 13 e variância 15.
Comentários:
Vimos que a diferença de variáveis normais segue uma distribuição normal, com média:
𝜇 = 𝜇𝑋 − 𝜇𝑌 = 4 − 9 = −5
E variância:
𝜎 2 = 𝜎𝑋2 + 𝜎𝑌2 = 16 + 1 = 17
Gabarito: B.
(FCC/2015 – Analista do CNMP – Adaptada) Se Z tem distribuição normal padrão, então: P(Z < 0,5) = 0,591;
P(Z < 1) = 0,841; P(Z < 1,15) = 0,8951; P(Z < 1,17) = 0,879; P(Z < 1,2) = 0,885; P(Z < 1,4) = 0,919; P(Z < 1,64) =
0,95; P(Z < 2) = 0,977; P(Z < 2,06) = 0,98; P(Z < 2,4) = 0,997.
Sejam X1, X2, ... , Xn variáveis aleatórias independentes e identicamente distribuídas com distribuição normal
padrão. Seja a variável aleatória 𝑌 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 .
Considerando essa informação, julgue a seguinte afirmativa.
Para n = 4, P(− 2 < Y < 1) = 0,432.
Comentários:
A soma de n = 4 variáveis aleatórias independentes com distribuição normal padrão N(0,1) segue distribuição
normal com média e variância dadas por:
𝐸 (𝑌) = 𝐸(𝑋1 ) + 𝐸 (𝑋2 ) + 𝐸 (𝑋3 ) + 𝐸 (𝑋4 ) = 0 + 0 + 0 + 0 = 0
𝑉 (𝑌) = 𝑉 (𝑋1 ) + 𝑉(𝑋2 ) + 𝑉(𝑋3 ) + 𝑉 (𝑋4 ) = 1 + 1 + 1 + 1 = 4
Logo, o desvio padrão é:
𝜎 = √𝑉(𝑌) = 2
Para calcular a probabilidade desejada, utilizaremos a fórmula da transformação para a normal padrão. O
valor de z para y = 1 é:
𝑦−𝜇
𝑧=
𝜎
1−0
𝑧= = 0,5
2
E o valor de z para y = -2 é:
−2 − 0
𝑧= = −1
2
Logo, a probabilidade desejada corresponde a:


Aula 09
P(− 2 < Y < 1) = P(− 1 < Z < 0,5) = P(Z < 0,5) – P(Z < -1)
Pela tabela fornecida, observamos que P(Z < 0,5) = 0,591. Temos também que P(Z < 1) = 0,841, logo o seu
complementar é:
P(Z > 1) = 1 – 0,841 = 0,159
P(Z < -1) = P(Z > 1) = 0,159
Assim, a probabilidade P(-2 < Y < 1) corresponde a:
P(Z < 0,5) – P(Z < -1) = 0,591 – 0,159 = 0,432
Resposta: Certo.
Teorema Central do Limite
Um dos motivos pelos quais a Distribuição Normal (ou de Gauss) é tão importante em Estatística decorre do
Teorema Central do Limite (TLC), que trata da soma de variáveis que seguem uma distribuição qualquer:
Para variáveis aleatórias 𝑋1 , 𝑋2 , … , 𝑋𝑛 independentes e identicamente distribuídas (i.i.d),

a distribuição da soma 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 tende a uma distribuição normal, à medida em
que 𝒏 cresce, cuja média e variância são dadas por:
𝐸 (𝑌) = 𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 ) = 𝑛. 𝐸(𝑋)
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉(𝑋2 ) + ⋯ + 𝑉(𝑋𝑛 ) = 𝑛. 𝑉(𝑋)
Note que as variáveis podem apresentar qualquer distribuição, mesmo assim, a sua soma seguirá
aproximadamente uma distribuição normal.
A convergência de que trata o TLC é uma convergência em distribuição. A convergência

em distribuição de uma sequência 𝑋𝑛 a uma variável 𝑋 significa que as funções de
distribuição acumuladas de 𝑋𝑛 e de 𝑋 convergem.
As funções densidade de probabilidade não necessariamente convergem, ou seja, não se

trata de uma convergência ponto a ponto. A convergência em distribuição é o tipo mais
fraco de convergência, dentre os usuais.


Aula 09
Vamos supor que haja 100 variáveis independentes Xi, com i = 1, 2, ..., 100, todas com média E(Xi) = 3 e
variância V(Xi) = 4. Assim, sendo Y = X1 + X2 + ... + X100, então a média e variância de Y serão:
E(Y) = 100 x E(Xi) = 100 x 3 = 300
V(Y) = 100 x V(Xi) = 100 x 4 = 400
Ainda que as variáveis não sejam identicamente distribuídas, isto é, ainda que apresentem distribuições
distintas, mesmo assim, a sua soma terá, aproximadamente, uma distribuição normal, desde que as
variáveis sejam independentes e tenham variâncias similares.
Nesse caso, a esperança e variância serão:
𝐸 (𝑌) = 𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 )
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉(𝑋2 ) + ⋯ + 𝑉(𝑋𝑛 )
Atenção: devemos somar as variâncias, não os desvios padrão!
(FGV/2017 – IBGE) Sejam X1, X2, X3, ..., X64 variáveis aleatórias discretas, com distribuição Binomial, todas
com p = 0,25 e n = 12. Também são conhecidos valores da função distribuição acumulada da normal-padrão,
mais especificamente: ɸ(2) = 0,977, ɸ(1,5) = 0,933, ɸ(1,25) = 0,894.
No caso da extração de uma amostra (n = 64), a probabilidade de que a soma dos valores seja superior a 207
é igual a:
a) 0,023
b) 0,046
c) 0,067
d) 0,106
e) 0,134
Comentários:
Pelo Teorema Central do Limite, a soma de N variáveis independentes identicamente distribuídas X i, cada
uma com média E(X) e variância V(X), é uma variável Y, com distribuição aproximadamente normal, com
média e variância dadas por:
𝐸(𝑌) = 𝑁. 𝐸(𝑋)
𝑉(𝑌) = 𝑁. 𝑉(𝑋)


Aula 09
Sendo X uma variável binomial com n = 12 e p = 0,25 (logo, q = 1 – p = 0,75), então:
𝐸(𝑋) = 𝑛. 𝑝 = 12 × 0,25 = 3
𝑉(𝑋) = 𝑛. 𝑝. 𝑞 = 12 × 0,25 × 0,75 = 9/4
Assim, a distribuição da soma de N = 64 variáveis X terá média e variância dadas por:
𝐸 (𝑌) = 𝑁. 𝐸 (𝑋) = 64 × 3 = 192
9
𝑉(𝑌) = 𝑁. 𝑉 (𝑋) = 64 × = 144
4
O desvio padrão de Y é, portanto:

==3e713==
𝜎𝑌 = √𝑉(𝑋) = √144 = 12
Assim, a probabilidade 𝑃(𝑌 > 207) pode ser calculada pela seguinte transformação:
𝑦 − 𝜇 207 − 192 15
𝑧= = = = 1,25
𝜎 12 12
O enunciado informa que 𝑃(−∞ < 𝑍 < 1,25) = 0,894 . Logo:
𝑃 (𝑍 > 1,25) = 1 − 𝑃(−∞ < 𝑍 < 1,25) = 1 − 0,894 = 0,106
Gabarito: D.
Aproximação da Binomial pela Normal
Como consequência do Teorema Central do Limite, podemos aproximar uma distribuição binomial a uma
distribuição normal 𝑌, quando o número de ensaios 𝒏 for grande.
Nesse caso, a média e a variância da distribuição são, respectivamente:
𝐸(𝑌) = 𝑛. 𝑝
𝑉(𝑌) = 𝑛. 𝑝. (1 − 𝑝)
Assim, podemos aproximar a probabilidade de uma variável binomial 𝑋 apresentar valores dentro de um
intervalo [𝑎, 𝑏], ou seja, 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏), à probabilidade de uma variável normal 𝑌 apresentar valores no
referido intervalo:
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) ≅ 𝑃(𝑎 < 𝑌 < 𝑏)


Aula 09
Considerando uma variável binomial 𝑋, com 𝑛 = 50 e 𝑝 = 0,5, vamos calcular a

probabilidade associada ao intervalo [20, 30].
Pela distribuição binomial, teríamos que calcular:
𝑃(20 ≤ 𝑋 ≤ 30) = 𝑃 (𝑋 = 20) + 𝑃(𝑋 = 21) + ⋯ + 𝑃(𝑋 = 30)
50 50 50
𝑃(20 ≤ 𝑋 ≤ 30) = ( ) 0,520 . 0,530 + ( ) 0,521 . 0,529 + ⋯ + ( ) 0,530 . 0,520
20 21 30
Cansativo, não é? O resultado dessa conta é aproximadamente 0,8811 (confia em mim).
Aproximando essa distribuição a uma variável 𝑌 que segue uma distribuição normal, com
média 𝜇𝑌 = 𝑛. 𝑝 = 25 e variância 𝜎𝑌2 = 𝑛. 𝑝. (1 − 𝑝) = 12,5 (desvio padrão 𝜎𝑌 ≅ 3,5355),
temos a seguinte transformação para 𝑥 = 30:
𝑥−𝜇 30−25
𝑧= ≅ ≅ 1,41
𝜎 3,5255
Pela tabela normal, podemos observar que 𝑃 (0 < 𝑍 < 1,41) = 0,4207.
Considerando que o intervalo [20, 30] é simétrico em relação à média 𝜇𝑌 = 25, então:
𝑃(20 ≤ 𝑋 ≤ 30) ≅ 𝑃(−1,41 < 𝑍 < 1,41) = 2 × 0,4207 = 0,8414
O número exato de ensaios necessários que permite essa aproximação é controverso (e depende do grau de
precisão desejado). O que se sabe é que quanto maior 𝒏 e quanto mais próximo de 𝟏⁄𝟐 é o valor de 𝒑, mais
a distribuição binomial se aproxima da normal.
A seguir, apresento os histogramas1 de distribuições binomiais, para 𝑛 = 10. Note que o histograma para
𝑝 = 0,5 é bem próximo de uma normal, mesmo para um número relativamente pequeno de ensaios (10).
Por outro lado, o histograma para 𝑝 = 0,1 está bem distante de uma normal.
1
Histogramas obtidos das aulas de Bacharelado em Economia da Faculdade de Economia, Administração e
Contabilidade da Universidade de São Paulo (FEA/USP), disponível em https://www.ime.usp.br/~yambar/MAE0219/
Aula%208%20Teorema%20do%20Limite%20Central/Aula%208-Teorema%20do%20Limite%20Central.pdf


Aula 09
Vejamos agora os histogramas para 𝑛 = 50:
Nesse caso, todos os histogramas são próximos de uma curva normal, mesmo para 𝑝 = 0,1.
Existe uma regra empírica que exige que o produto entre 𝒏 e a menor probabilidade entre 𝒑 e 𝒒 deve ser
maior que 5, ou, para uma melhor aproximação, maior que 15.
Na prática, a questão deve fornecer elementos que permitirão concluir que a distribuição binomial pode ser
aproximada a uma normal.


Aula 09
Correção de Continuidade
Por se tratar de uma distribuição discreta sendo aproximada a uma distribuição contínua, para melhorar a
precisão dos resultados, é necessário introduzir uma correção de continuidade.
Para isso, devemos aumentar o intervalo da binomial da forma [𝑎, 𝑏], isto é, com os extremos incluídos, em
0,5 unidade para cada extremo. Em outras palavras, acrescentamos 0,5 unidade ao extremo superior e
subtraímos 0,5 unidade do extremo inferior.
Assim, o intervalo da distribuição normal correspondente será (𝑎 − 0,5, 𝑏 + 0,5):
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) ≅ 𝑃(𝑎 − 0,5 < 𝑌 < 𝑏 + 0,5)
Por exemplo, o intervalo [2, 4] em uma distribuição binomial (discreta) corresponde ao seguinte intervalo na
distribuição normal (contínua):
𝑃(2 ≤ 𝑋 ≤ 4) ≅ 𝑃(2 − 0,5 < 𝑌 < 4 + 0,5)
𝑃 (2 ≤ 𝑋 ≤ 4) ≅ 𝑃(1,5 < 𝑌 < 4,5)
Se o intervalo desejado não incluir um dos extremos, ou ambos, então primeiro ajustamos o intervalo para
incluí-lo(s).
Por exemplo, vamos calcular a probabilidade de obter mais de 3 sucessos e menos de 8 sucessos, o que
corresponde ao intervalo (3, 8), isto é, sem os extremos.
Para utilizar a aproximação da binomial à normal, primeiro ajustamos o intervalo para que os extremos
sejam incluídos.
Ora, o evento mais de 3 sucessos e menos de 8 sucessos, em uma distribuição binomial (discreta), equivale
ao evento 4 ou mais sucessos e 7 ou menos sucessos, o que corresponde ao intervalo [4, 7], isto é, com os
extremos incluídos.
𝑃(3 < 𝑋 < 8) = 𝑃(4 ≤ 𝑋 ≤ 7)
Após o ajuste do intervalo, podemos aplicar a correção de continuidade, somando-se 0,5 unidade ao
extremo superior e subtraindo 0,5 unidade do extremo inferior:
𝑃(4 ≤ 𝑋 ≤ 7) ≅ 𝑃(4 − 0,5 < 𝑌 < 7 + 0,5)
𝑃 (4 ≤ 𝑋 ≤ 7) ≅ 𝑃(3,5 < 𝑌 < 7,5)


Aula 09
Vamos, então, refazer o nosso exemplo com a correção de continuidade:
𝑃(20 ≤ 𝑋 ≤ 30) ≅ 𝑃(19,5 < 𝑌 < 30,5)
Para 𝑥 = 30,5, com 𝜇 = 25 e 𝜎 ≅ 3,5355, temos a seguinte transformação:
𝑥−𝜇 30,5−25
𝑧= ≅ ≅ 1,56
𝜎 3,5255
Pela tabela normal, podemos observar que 𝑃 (0 < 𝑍 < 1,56) = 0,4406. Logo:
𝑃(20 ≤ 𝑋 ≤ 30) ≅ 𝑃(−1,56 < 𝑍 < 1,56) = 2 × 0,4406 = 0,8812
Note que esse resultado é extremamente próximo do resultado exato, qual seja, 0,8811!
Logo, para resolver questões envolvendo a aproximação de uma distribuição binomial X a uma distribuição
normal Y, precisamos:
i. Calcular a média e a variância da distribuição, 𝐸(𝑌) = 𝐸 (𝑋) = 𝑛. 𝑝 e 𝑉(𝑌) = 𝑉(𝑋) = 𝑛. 𝑝. 𝑞

ii. Aplicar a correção de continuidade 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) ≅ 𝑃(𝑎 − 0,5 < 𝑌 < 𝑏 + 0,5)
𝑥−𝜇
iii. Utilizar a transformação para a normal padrão 𝑧 = 𝜎
iv. Consultar a tabela da normal padrão para encontrar os valores de probabilidade
(CESPE/2013 – TRT 17ª Região) No que se refere a distribuições discretas, julgue o seguinte item.
A aproximação da distribuição binomial pela normal não se aplica com base no teorema limite central, visto
que a binomial não se relaciona com uma soma de variáveis aleatórias.
Comentários:
O Teorema Central do Limite garante que, para n suficientemente grande, a distribuição binomial pode sim
ser aproximada pela distribuição Normal.
Pontue-se, ainda, que a distribuição binomial é uma soma de variáveis de Bernoulli.
Gabarito: Errado.


Aula 09
(FGV/2017 – MPE/BA) A probabilidade de que uma decisão de 1ª instância da Justiça Federal do Paraná seja
reformada pelo Tribunal Superior da 4ª Região é de 0,20. No momento 100 recursos aguardam por uma
decisão dos Srs. Desembargadores daquele Tribunal.
São informados alguns valores da distribuição acumulada da normal-padrão:
Ø(1) = 0,87, Ø(1,28)=0,90 e Ø(2) = 98
Sem usar o ajuste de continuidade, a probabilidade de que mais de 24 decisões sejam reformadas é:
a) 13%
b) 10%
c) 8%
d) 5%
e) 2%
Comentários:
A questão trabalha com a aproximação da binomial à normal. Sabendo que a probabilidade de reforma de
decisão é p = 0,20 e que há n = 100 recursos, então a média da distribuição é:
𝜇 = 𝑛 × 𝑝 = 100 × 0,2 = 20
Sendo a probabilidade de não reforma de decisão complementar q = 1 – p = 0,9, a variância é:
𝑉(𝑋) = 𝑛. 𝑝. 𝑞 = 100 × 0,2 × 0,8 = 16
E o desvio padrão:
𝜎 = √𝑉(𝑋) = √16 = 4
Considerando que não deve ser utilizada a correção de continuidade, então a transformação de x = 24 para
a normal padrão é:
𝑥 − 𝜇 24 − 20 4
𝑧= = = =1
𝜎 4 4
Pelas informações fornecidas, observamos que a probabilidade acumulada é 𝑃(𝑍 ≤ 1) = 0,87. Logo, a
probabilidade de haver mais decisões reformadas é complementar:
𝑃(𝑍 > 1) = 1 − 𝑃 (𝑍 ≤ 1) = 1 − 0,87 = 0,13 = 13%
Gabarito: A.


Aula 09
DISTRIBUIÇÃO QUI-QUADRADO
A distribuição qui-quadrado resulta da soma de distribuições normais reduzidas (ou padrão) independentes,
elevadas ao quadrado.
Em outras palavras, a distribuição qui-quadrado 𝒳𝑘2 corresponde à soma dos quadrados de 𝑘 variáveis com
distribuição normal padrão, 𝑍𝑖 ~𝑁(0,1):
𝒳𝑘2 = ∑𝑘𝑖=1(𝑍𝑖 )2
Dizemos que a distribuição apresenta 𝒌 graus de liberdade, sendo 𝒌 o número de variáveis normais que
compõem a distribuição qui-quadrado. O número de graus de liberdade é o único parâmetro da distribuição.
Em particular, para 𝑘 = 1, isto é, havendo uma única variável normal padrão elevada ao quadrado 𝑍 2 , temos
uma distribuição qui-quadrado com um grau de liberdade, 𝒳12 .
Pontue-se que, se as variáveis normais 𝑋𝑖 não forem reduzidas, ou seja, se apresentarem média 𝜇𝑖 e desvio
padrão 𝜎𝑖 , é necessário aplicar a transformação para a normal reduzida, antes de elevar ao quadrado, para
formar a distribuição qui-quadrado padrão:
𝑘 𝑘
𝑋𝑖 − 𝜇𝑖 2
𝒳𝑘2 2
= ∑(𝑍𝑖 ) = ∑ ( )
𝜎𝑖
𝑖=1 𝑖=1
Quando distribuições normais com média 𝜇 ≠ 0 não padronizadas são utilizadas para
formar uma distribuição qui-quadrada, dizemos que a distribuição resultante é não central,
com parâmetro de não centralidade igual à média 𝜇 das variáveis normais.
Para a distribuição qui-quadrado, os diferentes graus de liberdade reproduzem funções densidade de

probabilidade distintas, conforme ilustrado a seguir1.
1
Gráfico do professor Ivan Balducci da Universidade Estadual Paulista, FOSJC/UNESP, disponível em
https://slideplayer.com.br/slide/45581/.


Aula 09
Podemos observar que as variáveis com distribuição qui-quadrado são positivas (afinal correspondem à
soma do quadrado de variáveis) e assimétricas à direita.
Observamos, ainda, que quanto maior o grau de liberdade, isto é, quanto mais variáveis normais ao
quadrado são somadas, mais simétrica será a distribuição.
Inclusive, pelo Teorema Central do Limite, a distribuição qui-quadrado se aproxima a uma distribuição
==3e713==
normal, à medida que o número de graus de liberdade 𝒌 aumenta.
A soma de variáveis com distribuição qui-quadrado com 𝑘1 , 𝑘2 , … , 𝑘𝑛 graus de liberdade,

segue uma distribuição qui-quadrado com 𝑘1 + 𝑘2 + ⋯ + 𝑘𝑛 graus de liberdade.
A média da distribuição qui-quadrado é igual ao número de graus de liberdade 𝒌; e a variância é igual ao

dobro do número de graus de liberdade 𝟐𝒌:
𝑬(𝓧𝟐𝒌 ) = 𝒌
𝑽(𝓧𝟐𝒌) = 𝟐𝒌
A distribuição qui-quadrado também possui uma tabela que associa uma probabilidade 𝑃(𝒳𝑘2 < 𝑥) ou
𝑃(𝒳𝑘2 > 𝑥) a um valor positivo 𝑥, de acordo com o grau de liberdade 𝑘.
Pelo fato de a distribuição não ser simétrica, a distribuição acima da média é diferente daquela abaixo da
média. Por isso, a tabela apresenta os valores de probabilidade para toda a distribuição.
A tabela a seguir apresenta os valores para 𝑃(𝒳𝑘2 < 𝑥), indicados na primeira linha. A primeira (assim como
a última) coluna apresenta os graus de liberdade 𝑘, que a tabela indica como 𝑛.
Por exemplo, a mediana para uma distribuição com 5 graus de liberdade, isto é, o valor de 𝑥 para o qual
𝑃 (𝒳52 < 𝑥 ) = 50%, conforme se observa na linha 𝑛 = 5 e na coluna 𝑃 = 0,5, é 𝑥 = 4,351.


Aula 09
A distribuição qui-quadrado é um caso particular da distribuição gama, cuja f.d.p. é:
𝛽𝛼 𝑥 𝛼−1 𝑒 −𝛽𝑥
, 𝑠𝑒 𝑥 ≥ 0
𝑓 (𝑥 ) = { Γ(𝛼) }
𝒌 𝟏
A f.d.p. da distribuição qui-quadrado é obtida com 𝜶 = 𝟐 e 𝜷 = 𝟐.
Por exemplo, para 𝒌 = 𝟐, temos uma distribuição qui-quadrado com 2 graus de liberdade,
𝟏
o que corresponde a uma distribuição gama com 𝜶 = 𝟏 e 𝜷 = 𝟐.
Nessa situação, em que 𝛼 = 1, a distribuição gama se reduz a uma distribuição

exponencial, com 𝛽 = 𝜆. Então, uma distribuição qui-quadrado com 2 graus de liberdade
𝟏
é também uma distribuição exponencial, com 𝝀 = 𝜷 = 𝟐.
1
A média dessa distribuição é 𝐸 (𝑋) = 𝜆 = 𝟐 ou 𝐸(𝒳𝑘2 ) = 𝑘 = 𝟐.


Aula 09
Distribuição Qui-quadrado com 𝒌 graus de liberdade
Soma de 𝒌 variáveis normais padrão elevadas ao quadrado: 𝒳𝒌2 = ∑𝒌𝑖=1(𝑍𝑖 )2
Assimétrica à direita, com 𝑥 ≥ 0
Esperança: 𝑬(𝓧𝟐𝒌 ) = 𝒌; Variância: 𝑽(𝓧𝟐𝒌 ) = 𝟐𝒌
(FCC/2015 – Analista do CNMP – Adaptada) Sejam X1, X2, ... , Xn variáveis aleatórias independentes e
identicamente distribuídas com distribuição normal padrão e seja a variável aleatória 𝑊 = 𝑋12 + 𝑋22 + ⋯ +
𝑋𝑛2 . Considerando essa informação, julgue a seguinte afirmativa:
A variável W tem distribuição qui-quadrado com (n − 1) graus de liberdade.
Comentários:
Sendo 𝑊 = 𝑋12 + 𝑋22 + ⋯ + 𝑋𝑛2 , então W apresenta distribuição qui-quadrado com k = n graus de liberdade
(não, n – 1).
Resposta: Errado.
(FGV/2021 – FunSaúde/CE) Se X1, X2,...Xn são n variáveis aleatórias independentes e identicamente

distribuídas com distribuição N(μ,σ2), então a variável
𝑛
(𝑋𝑖 − 𝜇 )2
𝑄=∑
𝜎2
𝑖=1
Tem a seguinte distribuição de probabilidades:

a) normal com média 𝑛𝜇 e variância 𝑛𝜎 2 .
b) qui-quadrado com n graus de liberdade
c) qui-quadrado com n-1 graus de liberdade.
d) t-Student com n graus de liberdade.
e) t-Student com n-1 graus de liberdade


Aula 09
Comentários:
A variável Q indicada no enunciado corresponde à soma de n variáveis normais, reduzidas à normal padrão,
𝑋 −𝜇
𝑍𝑖 = 𝑖𝜎 𝑖, elevadas ao quadrado.
𝑖
Assim, a variável Q apresenta distribuição qui-quadrado com k = n graus de liberdade.

Gabarito: B
(CESPE/2018 – Agente de Polícia Federal) 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 𝑆 2 = ∑25 2
𝑖=1 𝑌𝑖 ,
julgue o item a seguir.
A variância da distribuição X2 com 25 graus de liberdade é superior a 40.
Comentários:
A variância da distribuição qui-quadrado, com k = 25 graus de liberdade, é:
𝑉(𝑋) = 2𝑘 = 2 × 25 = 50
Assim, a variância é superior a 40.
Gabarito: Certo.
(CESPE/2018 – Analista Administrativo – EBSERH) Considerando que X e Y sejam variáveis aleatórios

mutuamente independentes que seguem distribuição normal padrão, julgue o próximo item.
A soma dos quadrados Q = X2 + Y2 segue uma distribuição exponencial com média igual a 2.
Comentários:
A soma de k variáveis independentes com distribuição normal padrão elevadas ao quadrado segue
distribuição qui-quadrado, com k graus de liberdade. Nesse caso, temos uma variável com distribuição qui-
quadrado com k = 2. A média dessa distribuição é:
E(X) = k = 2
Especialmente para k = 2, a distribuição qui-quadrado corresponde a uma distribuição exponencial, com 𝜆 =
1
.
2
Gabarito: Certo.


Aula 09
DISTRIBUIÇÃO T DE STUDENT
A variável 𝑇 com distribuição 𝒕 de Student (ou t-Student) é definida como:
𝑍
𝑇=
2
√𝒳𝑘
𝑘
em que 𝑍 é uma variável normal padrão, 𝒳𝑘2 é uma variável com distribuição qui-quadrado, com 𝒌 graus de
liberdade, sendo 𝑍 e 𝒳𝑘2 independentes.
A variável 𝑇 apresenta 𝒌 graus de liberdade, que também é o único parâmetro da distribuição.
O gráfico a seguir1 apresenta as funções densidade de probabilidade para distribuições t-Student com 1, 5 e
25 graus de liberdade.
Observa-se que, assim como a normal padrão, a distribuição t-Student é simétrica, com média 𝝁 = 𝟎 e
formato de sino, assumindo valores em toda a reta real, (−∞, ∞).
Porém, em comparação com a normal, a curva t-Student é mais baixa na região central e mais larga nos
extremos. Ou seja, a distribuição t-Student apresenta maior variabilidade.
A variância da distribuição de t-Student é dada por:
𝑘
𝑉(𝑇) = 𝑘−2 , 𝑝𝑎𝑟𝑎 𝑘 > 2
Pontue-se que a variância não é definida um grau de liberdade menor ou igual a 2 (𝒌 ≤ 𝟐).
1
Obtido na apresentação das aulas da Prof. Tarciana Liberal, da Universidade Federal da Paraíba, disponível em
http://www.de.ufpb.br/~tarciana/Probabilidade2/Aula15.pdf


Aula 09
𝑘
A variância da distribuição de t-Student é sempre maior que 1, para qualquer valor de 𝑘, pois a razão 𝑘−2 é
sempre um valor superior a 1. Porém, à medida que 𝑘 aumenta, essa razão se reduz, aproximando-se de 1.
Assim, à medida que o grau de liberdade 𝒌 aumenta, a distribuição de t-Student se aproxima de uma curva
normal, com variância igual a 1 (outra consequência do Teorema Central do Limite).
A distribuição t-Student também apresenta uma tabela que associa aos valores de probabilidade os
intervalos de valores de 𝑡, de acordo com o grau de liberdade, conforme indicado a seguir. Observe pelo
gráfico anterior a essa tabela, que os seus valores de probabilidade são da forma 𝑃 (𝑇 < 𝑡).


Aula 09
A primeira coluna apresenta os graus de liberdade, que a tabela chama de 𝑣, e a primeira linha apresenta os
valores de probabilidade acumulada, até os valores de 𝑡 indicados nos campos. Por exemplo, para 5 graus
de liberdade (5ª linha), o valor que delimita uma probabilidade 𝑃 (𝑇 < 𝑡) = 0,9 (6ª coluna), é 𝑡 = 1,48.
Lembre-se que a distribuição é simétrica, com média, mediana e moda iguais a 𝜇 = 0. Assim:
𝑃 (𝑇 < −𝑡) = 𝑃(𝑇 > 𝑡)
𝑃 (𝑇 < 0) = 𝑃 (𝑇 > 0) = 0,5
Por isso, são apresentados apenas valores de probabilidades 𝑃(𝑇 < 𝑡) maiores que 50%, uma vez que à
esquerda da média, os valores são simétricos.
Assim como para a curva normal padrão, há outras formas de apresentar a tabela de t-Student.
Ressalte-se que a distribuição t-Student para 𝑘 = 1 consiste na razão entre duas variáveis
normais padrão independentes:
𝑍1 𝑍1 𝑍
𝑇= 2
= = 𝑍1
√𝒳1 √𝑍22 2
1
Nesse caso específico, temos uma distribuição de Cauchy, que corresponde à razão entre
duas variáveis normais independentes.
Essa distribuição também é simétrica e mais achatada em relação à normal. Porém, ela é
uma distribuição "patológica", pois não possui média ou variância definidas.
Distribuição t-Student, definida para todos os valores reais
𝑍
𝑇=
2
√𝒳𝒌
𝒌
Simétrica, com 𝜇 = 0 e formato de sino mais achatado do que a normal
𝑘
Variância: 𝑉(𝑋) = 𝑘−2 , 𝑝𝑎𝑟𝑎 𝑘 > 2


Aula 09
(2017 – TRF 2ª Região – Adaptada) Sobre a distribuição t-Student, julgue a afirmativa a seguir.
Considere uma variável aleatória Z com distribuição normal padrão e uma outra variável aleatória V com
distribuição qui-quadrado e v graus de liberdade. Se Z e V forem independentes, então a variável aleatória
𝑍
𝑇 = 𝑉 tem distribuição t de Student com v graus de liberdade.
√
𝑣
Comentários:
Vimos que a distribuição t-Student é definida como: ==3e713==
𝑍
𝑇=
2
√𝒳𝑘
𝑘
Então, sendo V uma distribuição qui-quadrado com v graus de liberdade, temos:
𝑍
𝑇=
√𝑉
𝑣
Resposta: Certo.
(CESPE/2011 – Analista Judiciário do TJ/ES)
O gráfico acima mostra a função de densidade da distribuição normal padrão N(0, 1) e t(1) e t(5), que
representam, respectivamente, as densidades da distribuição t de Student com 1 e 5 graus de liberdade.
Com base nesse gráfico, julgue o próximo item.
A distribuição N(0, 1) possui variância unitária, a t(5) possui variância igual a 5/3, e a variância da distribuição
t-Student com 1 grau de liberdade é indefinida.
Comentários:
Vamos analisar as três afirmações.


Aula 09
Em relação à primeira afirmação, de fato, a distribuição normal padrão N(0,1) possui variância igual a 1
(unitária).
Em relação à segunda afirmação, a distribuição de t-Student com k = 5 graus de liberdade é:
𝑘 5
𝑉 (𝑋 ) =
=
𝑘−2 3
Em relação à terceira afirmação, a distribuição de t-Student com k = 1 grau de liberdade não tem variância
definida.
Gabarito: Certo.
(FGV/2010 – FIOCRUZ) Duas variáveis aleatórias independentes X e Y são tais que X tem distribuição Normal
com média 0 e variância 4 e Y pode ser escrita como Y = Z12 + Z22 + Z32 + Z42 , em que os Zi são independentes
e identicamente distribuídos com distribuição normal padrão, i = 1, 2, 3, 4. Nesse caso, a seguinte variável
tem distribuição t- Student
a) XY
b) XY-0,5
c) X-1Y
d) 4XY-0,5
e) 2XY
Comentários:
A variável t-Student é definida como:
𝑍
𝑇=
2
√𝒳𝑘
𝑘
Sendo X uma variável normal com média 𝜇 = 0 e variância V(X) = 4, para transformá-la na normal padrão
precisamos dividir pelo desvio padrão 𝜎 = √𝑉(𝑋) = 2:
𝑋−𝜇 𝑋−0 𝑋
=𝑍= =
𝜎 2 2
Sendo Y a soma de 4 variáveis normais padrão independentes elevadas ao quadrado, então Y é uma variável
qui-quadrado 𝒳𝑘2 com k = 4 graus de liberdade.
Sendo as variáveis independentes, então a seguinte razão apresenta distribuição de t-Student:
𝑋 𝑋
𝑍 2 𝑋 2 𝑋
𝑇= = = 2 = × =
2 √𝑌 2 √𝑌 √𝑌
√𝒳𝑘 √𝑌
𝑘 4 2
Essa razão pode ser representada como:
𝑋 1
𝑇= 1 = 𝑋 × 𝑌 −2 = 𝑋 × 𝑌 −0,5
𝑌2
Gabarito: B


Aula 09
(CESPE/2020 – Analista Judiciário do TJ/PA) Se X e Y são variáveis aleatórias normais independentes, tais
𝑋
que X ~ N(0,1) e Y ~ N(0,1), a razão 𝑌 segue uma distribuição
a) de Cauchy
b) de Pareto
c) de Weibull
d) t de Student com 2 graus de liberdade
e) normal padrão
Comentários:
A razão entre variáveis independentes com distribuição normal segue uma distribuição de Cauchy, que
corresponde à razão entre duas variáveis normais.
Note que X e Y são variáveis normais padrão. Nesse caso, temos também uma distribuição t de Student,
porém com 1 grau de liberdade, e não 2, como descrito na alternativa D.
Gabarito: A.


Aula 09
DISTRIBUIÇÃO F DE SNEDECOR
A distribuição 𝐹 de Snedecor (ou de Fisher, ou de Fisher-Snedecor) é definida da seguinte forma, em que
𝒳𝑘21 e 𝒳𝑘22 são variáveis independentes com distribuição qui-quadrado, com 𝑘1 e 𝑘2 graus de liberdade,
respectivamente:
𝒳𝑘21
⁄
𝑘1
𝐹𝑘1 ,𝑘2 = 𝒳𝑘2
2⁄
𝑘2
A variável 𝐹𝑘1 ,𝑘2 apresenta 𝒌𝟏 graus de liberdade no numerador e 𝒌𝟐 graus de liberdade no denominador,
os quais são os parâmetros da distribuição.
O gráfico abaixo1 apresenta as f.d.p. de distribuições F de Snedecor, para diferentes parâmetros.
Observa-se que a variável assume apenas valores positivos, ou seja, no intervalo (0, ∞) (afinal, resulta da
divisão entre duas variáveis positivas). Além disso, observamos que a distribuição é assimétrica à direita,
porém seu formato varia de acordo com os seus parâmetros.
A média dessa distribuição é dada por:
𝑘2
𝜇= , 𝑝𝑎𝑟𝑎 𝑘2 > 2
𝑘2 −2
Assim, para a distribuição F de Snedecor, apenas o grau de liberdade do denominador 𝒌𝟐 influencia no

cálculo da média.
Além disso, a média é 𝝁 > 𝟏, sendo reduzida conforme 𝑘2 aumenta. (Essa é a mesma fórmula da variância
da t-Student!)
1
Obtido na apresentação das aulas da Prof. Tarciana Liberal, da Universidade Federal da Paraíba, disponível em
http://www.de.ufpb.br/~tarciana/Probabilidade2/Aula16.pdf


Aula 09
O quadrado de uma distribuição de t-Student com 𝑘 graus de liberdade corresponde a uma

distribuição F de Snedecor com 1 grau de liberdade no numerador e 𝑘 graus de liberdade
no denominador:
𝑍2
𝑇2 = 𝒳𝑘2 = 𝐹1,𝑘
𝑘
Para a distribuição F de Snedecor, também existe uma tabela para que possamos associar probabilidades
aos intervalos de valores.
Porém, como a distribuição depende de 2 parâmetros, sendo um associado às linhas e o outro, às colunas,
a tabela é apresentada para valores fixos de probabilidade.
A tabela a seguir apresenta os valores de 𝑓 que delimitam uma probabilidade 𝑃 (𝐹 > 𝑓 ) = 0,05.


Aula 09
Com essa tabela, podemos calcular o valor de 𝑓 que delimita uma probabilidade 𝑃 (𝐹 > 𝑓 ) = 0,05 para uma
distribuição com 5 graus de liberdade no numerador (indicados nas linhas) e 10 graus de liberdade no
denominador (indicado nas colunas), por exemplo.
Pela 5ª coluna e 10ª linha da tabela, podemos observar que 𝑓 = 3,33.
Por outro lado, se precisarmos calcular o valor associado a uma outra probabilidade, 𝑃 (𝐹 > 𝑓 ) = 0,1, por
exemplo, precisaríamos de outra tabela.
==3e713==
Distribuição F-Snedecor
Razão entre variáveis qui-quadrado, divididas pelos respectivos graus de liberdade:
𝒳𝑘21
⁄
𝑘1
𝐹𝑘1 ,𝑘2 = 𝒳𝑘2
2⁄
𝑘2
Assimétrica à direita, com 𝑥 ≥ 0
𝑘2
Média: 𝜇 = 𝑘 , 𝑝𝑎𝑟𝑎 𝑘2 > 2
2 −2
(2017 – TRF 2ª Região – Adaptada) Sobre a distribuição F, julgue a afirmativa a seguir.

Se uma variável aleatória Y segue a distribuição F, então seus valores são não negativos e a forma da sua
distribuição é controlada pelos graus de liberdade.
Comentários:
Vimos que a distribuição F assume apenas valores não negativos, e depende dos graus de liberdade no
numerador e no denominador.
Resposta: Certo.


Aula 09
(FCC/2015 – Analista do CNMP) Sejam X1, X2, ... , Xn variáveis aleatórias independentes e identicamente
distribuídas com distribuição normal padrão. Sejam as variáveis aleatórias:
𝑌⁄
𝑌 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ; 𝑊= 𝑋12 + 𝑋22 + ⋯+ 𝑋𝑛2 ; 𝑉= 2
𝑊⁄
𝑛
Com base nessas informações, julgue a afirmativa a seguir:
A variável V tem distribuição F de Snedecor com graus de liberdade 2 e n.
Comentários:
A distribuição F de Snedecor é dada por:
𝒳𝑘21
⁄
𝑘
𝐹𝑘1 ,𝑘2 = 2 1
𝒳𝑘2
⁄
𝑘2
O enunciado informa que:
𝑌⁄
𝑉= 2
𝑊⁄
𝑛
Em que Y é a soma de variáveis normais, ou seja, Y segue distribuição normal, em vez de qui-quadrado, então
V não apresenta distribuição F de Snedecor.
Resposta: Errado.
(CESPE/2010 – Estatístico do MS) A média de uma distribuição F de Snedecor depende de dois parâmetros:
o número de graus de liberdade do denominador e o número de graus de liberdade do numerador.
Comentários:
A média da distribuição F de Snedecor é dada por:
𝑘2
𝜇= , 𝑝𝑎𝑟𝑎 𝑘2 > 2
𝑘2 − 2
Logo, a média depende apenas do número de graus de liberdade do denominador.
Gabarito: Errado.


Aula 09
RESUMO DA AULA
1
Distribuição Uniforme: 𝑓(𝑥 ) = (𝑏−𝑎) , 𝑎 ≤ 𝑥 ≤ 𝑏:
(𝑛−𝑚)
 Probabilidade de um intervalo: 𝑃(𝑚 < 𝑋 < 𝑛) = (𝑏−𝑎)
𝑏+𝑎 (𝑏−𝑎)2
 Esperança: 𝐸(𝑋) = e Variância: 𝑉(𝑋) =
2 12
Distribuição Exponencial, 𝑓 (𝑥 ) = 𝜆. 𝑒 −𝜆𝑥 :
 Probabilidade de um intervalo: 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑒 −𝜆.𝑎 − 𝑒 −𝜆𝑏
 Função de Distribuição Acumulada: 𝑃(𝑋 < 𝑏) = 1 − 𝑒 −𝜆𝑏

1 1
 Esperança: 𝐸(𝑋) = 𝜆 e Variância: 𝑉(𝑋) = 𝜆2
 Propriedade: 𝑃(𝑋 > 𝑡 + 𝑠|𝑋 > 𝑠) = 𝑃(𝑋 > 𝑡)
Distribuição Normal 𝑁 (𝜇, 𝜎 2 ): com média 𝜇 e variância 𝜎 2
 Simétrica com formato de sino, definida em toda a reta real

𝑥−𝜇
 Transformação para a normal padrão 𝑁 (0,1): 𝑧 = 𝜎
 Teorema Central do Limite: Soma de muitas variáveis tende a seguir distribuição normal
Distribuição Qui-quadrado: Positiva; assimétrica

𝑘
𝒳𝑘2 = ∑(𝑍𝑖 )2
𝑖=1
 Esperança: 𝐸(𝑋) = 𝑘 e Variância: 𝑉(𝑋) = 2𝑘
Distribuição t-Student: Simétrica com 𝜇 = 0 e formato de sino mais “achatado” do que a normal
𝑍
𝑇=
2
√𝒳𝑘
𝑘
𝑘
 Variância: 𝑉(𝑋) = 𝑘−2 , 𝑝𝑎𝑟𝑎 𝑘 > 2


Aula 09
Distribuição Fisher-Snedecor: Positiva; assimétrica
𝒳𝑘21
⁄
𝑘
𝐹𝑘1 ,𝑘2 = 2 1
𝒳𝑘2
⁄
𝑘2
𝑘2
 Esperança: 𝐸(𝑋) = 𝑘 , 𝑝𝑎𝑟𝑎 𝑘2 > 2
2 −2


Aula 09
QUESTÕES COMENTADAS – MULTIBANCAS
Noções de variáveis contínuas
CEBRASPE
1. (CEBRASPE/2013 – CNJ)
A função f(t) mostrada acima corresponde à função densidade de probabilidade do tempo gasto (t, em meses)
para se analisar um processo em determinada vara civil. Com relação essa função, julgue o item seguinte.
A probabilidade de um processo, escolhido ao acaso, demorar menos de três meses para ser analisado é
superior a 0,99.
Comentários:
Por se tratar de uma variável contínua, temos 𝑃(𝑡 < 3) = 𝑃(𝑡 ≤ 3).
Pelo enunciado, observamos que para t > 3, a função densidade é igual a zero, ou seja:
𝑃(𝑡 > 3) = 0
Logo, a probabilidade complementar é:
𝑃(𝑡 ≤ 3) = 1 − 𝑃(𝑡 > 3) = 1 − 0 = 1
Como 1 é superior a 0,99, o item está certo.
Gabarito: Certo.


Aula 09
A função f(t) mostrada acima corresponde à função densidade de probabilidade do tempo gasto (t, em meses)
para se analisar um processo em determinada vara civil. Com relação essa função, julgue o item seguinte.
A probabilidade de um processo, escolhido ao acaso, demorar mais de dois meses para ser analisado é superior
a 0,4.
Comentários:
A probabilidade de um processo demorar mais de 2 meses é igual à probabilidade de o processo demorar entre
2 e 3 meses, uma vez que 𝑃(𝑡 > 3) = 0:
𝑃(𝑡 > 2) = 𝑃(2 < 𝑡 ≤ 3)
Pela f.d.p. fornecida, temos:
3 3
𝑡 5
𝑃(2 < 𝑡 ≤ 3) = ∫ 𝑓(𝑡). 𝑑𝑡 = ∫ (− + ) . 𝑑𝑡
2 2 4 6
𝑡 5 𝑡2 5
Considerando que ∫ (− 4 + 6) 𝑑𝑡 = − 4×2 + 6 𝑡, então, aplicando os limites da integral, temos:
(32 − 22 ) 5 5 5 −15 + 20 5
𝑃(2 < 𝑡 ≤ 3) = − + (3 − 2) = − + = = ≅ 0,21
8 6 8 6 24 24
Logo, a probabilidade é inferior a 0,4.
Gabarito: Errado.
3. (CEBRASPE/2014 – Analista Judiciário do TJ/SE) Considerando que X seja uma variável aleatória
contínua, tal que E(X) = 1 e E(X2) = 4, julgue o item seguinte.
O coeficiente de variação é igual ou superior a 2.


Aula 09
Comentários:
O coeficiente de variação é dado por:
𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝜎
𝐶𝑉 = =
𝑚é𝑑𝑖𝑎 𝐸(𝑋)
Para calcular o desvio padrão, vamos primeiro calcular a variância:
𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
O enunciado informa que E(X) = 1 e 𝐸(𝑋 2 ) = 4, logo:
𝑉(𝑋) = 4 − [1]2 = 3
Assim, o desvio padrão, raiz quadrada da variância, é:
𝜎 = √V(X) = √3
Sabendo que E(X) = 1, o coeficiente de variação é:
√3
𝐶𝑉 = = √3 ≅ 1,7
1
Logo, o coeficiente de variação é inferior a 2.
Gabarito: Errado.
4. (CEBRASPE/2020 – Analista Judiciário do TJ/PA) Se Y for uma variável aleatória contínua e simétrica
em torno de zero, tal que P(Y 2 < 4) = 0,4, então P(Y > 2) será igual a
a) 0,2
b) 0,3
c) 0,4
d) 0,5
e) 0,6
Comentários:


Aula 09
Se Y2 < 4, então extraindo a raiz de ambos os lados, temos:
√𝑌 2 < √4
|𝑌| < 2
O enunciado informa que essa probabilidade é de 0,4:
𝑃(𝑌 2 < 4) = 𝑃(|𝑌| < 2) = 0,4
Pelo complementar, temos:

𝑃(|𝑌| > 2) = 1 − 𝑃(|𝑌| < 2) = 1 − 0,4 = 0,6
Substituindo o módulo, temos:
𝑃(|𝑌| > 2) = 𝑃(𝑌 < −2 ∪ 𝑌 > 2) = 𝑃(𝑌 < −2) + 𝑃(𝑌 > 2) = 0,6
Como a distribuição é simétrica em torno de zero, então:
𝑃(𝑌 < −2) = 𝑃(𝑌 > 2)
Logo:
𝑃(𝑌 < −2) + 𝑃(𝑌 > 2) = 2. 𝑃(𝑌 > 2) = 0,6
𝑃(𝑌 > 2) = 0,3
Gabarito: B.
5. (CEBRASPE/2013 – Analista Judiciário do TRT 17ª Região) Com base em distribuições contínuas, julgue
o item subsequente.
Considere que uma variável aleatória contínua e simétrica em zero tenha função densidade de
probabilidade f(x) tal que
Nesse caso, P(X ∈ [-k;k]) = 0.
Comentários:
Sabemos que a probabilidade associada a certo intervalo para uma variável contínua é:


Aula 09
𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥). 𝑑𝑥
𝑎
Assim, as integrais fornecidas no enunciado correspondem às seguintes probabilidades:
0
∫ 𝑓(𝑥). 𝑑𝑥 = 𝑃(−𝑘 ≤ 𝑋 ≤ 0)
−𝑘
𝑘
∫ 𝑓(𝑥). 𝑑𝑥 = 𝑃(0 ≤ 𝑋 ≤ 𝑘)
0
Sendo a variável simétrica em zero, então:
𝑃(−𝑘 ≤ 𝑋 ≤ 0) = 𝑃(0 ≤ 𝑋 ≤ 𝑘)
Pela inequação fornecida no enunciado, temos:
𝑃(−𝑘 ≤ 𝑋 ≤ 0) ≤ 0 ≤ 𝑃(0 ≤ 𝑋 ≤ 𝑘)
Logo:
𝑃(0 ≤ 𝑋 ≤ 𝑘) ≤ 0 ≤ 𝑃(0 ≤ 𝑋 ≤ 𝑘)
Ou seja, essa probabilidade é, ao mesmo tempo, menor ou igual a zero e maior ou igual a zero. A única
possibilidade é ela ser igual a zero. Logo:
𝑃(−𝑘 ≤ 𝑋 ≤ 0) = 𝑃(0 ≤ 𝑋 ≤ 𝑘) = 0
Assim, a probabilidade desejada é:
𝑃(−𝑘 ≤ 𝑋 ≤ 𝑘) = 𝑃(−𝑘 ≤ 𝑋 ≤ 0) + 𝑃(0 ≤ 𝑋 ≤ 𝑘) = 0
Gabarito: Certo.
6. (CEBRASPE/2013 – Analista Judiciário do TRT 17ª Região) Com relação à teoria de probabilidades,
𝑘+1
Se 𝑓(𝑥) for uma função densidade de probabilidade definida em [0, ∞) e se 𝑔(𝑘) = ∫𝑘 𝑓(𝑥). 𝑑𝑥, então
∑∞𝑘=0 𝑔(𝑘) = 1
Comentários:


Aula 09
A probabilidade de um intervalo de uma variável contínua é dada por:
𝑏
𝑃(𝑎 ≤ 𝑋 < 𝑏) = ∫ 𝑓(𝑥). 𝑑𝑥
𝑎
𝑘+1
Logo, a integral ∫𝑘 𝑓(𝑥). 𝑑𝑥 corresponde à probabilidade 𝑃(𝑘 ≤ 𝑋 < 𝑘 + 1). Assim, o somatório ∑∞
𝑘=0 𝑔(𝑘)
corresponde ao somatório de probabilidades:
∞
∑ 𝑔(𝑘) = 𝑃(0 ≤ 𝑋 < 1) + 𝑃(1 ≤ 𝑋 < 2) + 𝑃(2 ≤ 𝑋 < 3) + ⋯

𝑘=0
Sabendo que a f.d.p. está definida no intervalo [0, ∞) então esse somatório corresponde à soma da
probabilidade de todos os resultados possíveis da variável, que sabemos ser igual a 1:
∞
∑ 𝑔(𝑘) = 𝑃(𝑈) = 1
𝑘=0
Gabarito: Certo
7. (CEBRASPE/2020 – Analista Judiciário do TJ/PA) O tempo de duração de processos judiciais (em anos)
que tramitam em certo tribunal é representado por uma variável aleatória contínua Y cuja função de
distribuição acumulada é expressa por:
A partir dessa situação hipotética, assinale a opção correta.
a) A mediana de Y é superior a 1.
b) P(Y = 1) = 0,75
c) A moda da variável Y é igual a 1,5
d) O valor esperado de Y é igual a 1.
e) A variância de Y é inferior a 100.


Aula 09
Comentários:
Em relação à alternativa A, a mediana é calculada, a partir da função acumulada, como:
𝐹(𝑦𝑀𝑑 ) = 0,5
Considerando o valor da função acumulada fornecida no enunciado, temos:
1 2
1−( ) = 0,5
2𝑦𝑀𝑑
1 2
( ) = 0,5
2𝑦𝑀𝑑
1
2 = 0,5
4𝑦𝑀𝑑
2
2. 𝑦𝑀𝑑 =1
2
𝑦𝑀𝑑 = 0,5
Extraindo a raiz de ambos os lados da equação, temos:
|𝑦𝑀𝑑 | = √0,5
Como 𝑦 ≥ 0,5, então 𝑦 só pode ser positivo. Logo:
𝑦𝑀𝑑 = √0,5
Esse valor é menor que 1, portanto, a alternativa A está incorreta.
Em relação à alternativa B, como se trata de uma variável contínua, a probabilidade de a variável assumir
exatamente determinado valor é zero, então P(Y = 1) = 0. Logo, a alternativa B está incorreta.
Em relação à alternativa C, a moda é o valor de y que maximiza a f.d.p. Vamos, então, calculá-la, pela derivada
da função de distribuição acumulada fornecida pelo enunciado:
𝑑 1
𝑓(𝑦) = [1 − 𝑦 −2 ]
𝑑𝑦 4
1 1
𝑓(𝑦) = 0 − × (−2. 𝑦 −3 ) =
4 2. 𝑦 3


Aula 09
Por se tratar de uma divisão, quanto maior y, menor o valor de f(y). Assim, a moda é o menor valor possível
para a variável: 𝑦𝑀𝑜 = 0,5. Logo, a alternativa C está incorreta.
Em relação à alternativa D, o valor esperado é:

𝑥𝑆
𝐸(𝑌) = ∫ 𝑦. 𝑓(𝑦) . 𝑑𝑦
𝑥𝐼
1
Sabendo que 𝑦 ≥ 0,5 e 𝑓(𝑦) = 2.𝑦 3, temos:
∞ ∞ ∞
1 1 1 −2
𝐸(𝑌) = ∫ 𝑦. . 𝑑𝑦 = ∫ . 𝑑𝑦 = ∫ . 𝑦 . 𝑑𝑦
0,5 2. 𝑦 3 0,5 2. 𝑦
2
0,5 2
Desconsiderando os limites, o resultado da integral é:
1 −2 1 𝑦 −1 1
∫ . 𝑦 𝑑𝑦 = × =−
2 2 −1 2𝑦
Aplicando os limites da integral, temos1:
1 1
𝐸(𝑌) = − ( − )
2 × ∞ 2 × 0,5
A divisão de um número finito por infinito é 0, logo:
1
𝐸(𝑌) = − (0 − )=1
2 × 0,5
Logo, a alternativa D está correta.
A variância é dada por:
𝑉(𝑌) = 𝐸(𝑌 2 ) − [𝐸(𝑋)]2
Sendo:
𝑥𝑆 ∞ ∞
1 1 1
𝐸(𝑌 2 ) = ∫ 𝑦 2 . 𝑓(𝑦) . 𝑑𝑦 = ∫ 𝑦 2 . 3
. 𝑑𝑦 = ∫ × . 𝑑𝑦
𝑥𝐼 0,5 2. 𝑦 0,5 2 𝑦
Desconsiderando os limites, temos:
1 1
1 Formalmente, não representamos a divisão por infinito como . O correto seria lim . Porém, essa expressão pode confundir
∞ 𝑦→∞ 𝑦
alguns alunos e por isso
SEFAZ-BA preferimos
- Estatística a primeira
- 2023 forma para simplificar.
(Pré-Edital) 126

Aula 09
1 1 1
∫ × 𝑑𝑦 = ln 𝑦
2 𝑦 2
Em seguida, devemos aplicar os limites da integral. Porém, o logaritmo de infinito é infinito. Ou seja, 𝐸(𝑌 2 ) =
∞ e, consequentemente, 𝑉(𝑌) = ∞. Por isso, a alternativa E está incorreta.
Gabarito: D.
FGV
8. (FGV/2017 – IBGE) Sejam X e Y duas variáveis aleatórias com variâncias iguais a 21 e 17,
respectivamente. Além disso, sabe-se que a variável Z representada pela diferença entre as duas tem
variância igual a 44. Com base em tais informações, é correto deduzir que:
a) as variáveis Z e X são positivamente correlacionadas;
b) o momento de segunda ordem de Y é maior do que o de Z;
c) a média de Z é menor do que ambas as médias, de X e de Y;
d) a covariância entre X e Y é positiva;
e) as variáveis X e Y são negativamente correlacionadas
Comentários:
Sendo Z = X – Y (ou Z = Y – X), a variância de Z é dada por:
Var(Z) = Var(X – Y) = Var(X) + Var(Y) – 2.Cov(X,Y)
O enunciado informa que Var(X) = 21, Var(Y) = 17 e Var(Z) = 44. Substituindo esses valores, temos:
44 = 21 + 17 – 2.Cov(X,Y)
44 – 38 = -2Cov(X,Y)
6 = -2Cov(X,Y)
Cov(X,Y) = -3
Com esse resultado, podemos concluir que as alternativas A e D estão incorretas e a alternativa E está correta.
Em relação à alternativa B, sabemos que a variância é dada por:


Aula 09
𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
Logo, o segundo momento é:
𝐸(𝑋 2 ) = 𝑉(𝑋) + [𝐸(𝑋)]2
Ou seja, para calcular o segundo momento, a partir da variância, precisamos dos valores das médias, os quais
não foram informados. Assim, a alternativa B está incorreta.
Em relação à alternativa C, a média de Z é dada por:
E(Z) = E(X) – E(Y)
Como não conhecemos nem E(X) nem E(Y), não temos como comparar a média de Z com as médias de X ou Y.
Gabarito: E.
9. (FGV/2018 – TJ/AL) Seja X uma variável aleatória do tipo contínua com função de densidade de
ƒx(x) = (2 – 2x) para 0 < x < 1 e Zero caso contrário
Assim sendo, sobre as estatísticas de X tem-se que:
a) E(X) = 0,75;
b) Var(X) = 4;
c) Mo(X) = 0;
d) Me(X) = 0,25;
e) Q3 = 0,5
Comentários:
Em relação à alternativa A, a esperança é, por definição:
∞ 1 1
𝐸(𝑋) = ∫ 𝑥. 𝑓(𝑥). 𝑑𝑥 = ∫ 𝑥. (2 − 2𝑥). 𝑑𝑥 = ∫ (2. 𝑥 − 2𝑥 2 ). 𝑑𝑥
−∞ 0 0
1
2. 𝑥 3 2. 13 2 1
𝐸(𝑋) = 𝑥 2 ]10 − ] = 12 − = 1− =
3 0 3 3 3


Aula 09
Logo, a alternativa A está incorreta.
Em relação à alternativa B, precisamos de 𝐸(𝑋 2 ) para calcular a variância:
∞ 1 1
2)
𝐸(𝑋 = ∫ 𝑥 . 𝑓(𝑥). 𝑑𝑥 = ∫ 𝑥 . (2 − 2𝑥). 𝑑𝑥 = ∫ (2. 𝑥 2 − 2𝑥 3 ). 𝑑𝑥
2 2
−∞ 0 0
1 1
2)
2. 𝑥 3 2. 𝑥 4 2. 13 14 2 1 4 − 3 1
𝐸(𝑋 = ] − ] = − = − = =
3 0 4 0 3 2 3 2 6 6
A variância é, então:
1 1 2 1 1 3−2 1
𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 = −( ) = − = =
6 3 6 9 18 18
Logo, a alternativa B está incorreta.
Em relação à alternativa C, a moda corresponde ao valor de X ao qual está associado o maior valor da f.d.p.
Como a função assume valor no intervalo 0 < x < 1 e zero, caso contrário, então a f.d.p. para x = 0 assume o valor
0. Por isso, não é a moda da função. Logo, a alternativa C está incorreta.
Para calcular a mediana e o terceiro quartil (alternativas D e E), precisamos da função de distribuição acumulada,
dada por:
𝑥 𝑥
𝐹(𝑥) = ∫ 𝑓(𝑥). 𝑑𝑥 = ∫ (2 − 2𝑥). 𝑑𝑥 = 2. 𝑥 − 𝑥 2
−∞ 0
A mediana é o valor de x para o qual F(x) = 0,5:
𝐹(𝑥) = 2. 𝑥 − 𝑥 2 = 0,5
−𝑥 2 + 2. 𝑥 − 0,5 = 0
Multiplicando toda a equação por -1, temos:
𝑥 2 − 2. 𝑥 + 0,5 = 0
Pela fórmula de bhaskara, com a = 1, b = -2 e c = 0,5, temos:
−𝑏 ± √𝑏 2 − 4. 𝑎. 𝑐 2 ± √4 − 2 2 ± √2
𝑥= = =
2𝑎 2 2
Esse resultado é aproximadamente 1 ± 0,7. Como 1,7 está acima do limite superior, a mediana é
aproximadamente 0,3. Logo, a alternativa D está errada.
O terceiro quartil é o valor de x para o qual F(x) = 0,75:


Aula 09
𝐹(𝑥) = 2. 𝑥 − 𝑥 2 = 0,75
−𝑥 2 + 2. 𝑥 − 0,75 = 0
𝑥 2 − 2. 𝑥 + 0,75 = 0
Pela fórmula de bhaskara, com a = 1, b = -2 e c = 0,75, temos:
−𝑏 ± √𝑏 2 − 4. 𝑎. 𝑐 2 ± √4 − 3 2 ± 1
𝑥= = =
2𝑎 2 2
Ou seja, as raízes são x = 1,5 ou x = 0,5. Como x = 1,5 está acima do limite superior, então o 3º quartil é x = 0,5.
Logo, a alternativa E está correta.
Gabarito: E.
10. (FGV/2017 – IBGE) Para duas variáveis aleatórias estão disponíveis as seguintes informações
estatísticas:
Cov (Y, Z) = 18, E(Z) = 4, Var(Z) = 25, E(Y) = 4 e CV(Y) = 2.
Onde CV é o coeficiente de variação, além da nomenclatura usual.
Então a expressão E(Z2) + Var(2Y - 3Z) vale:
a) 265
b) 274
c) 306
d) 373
e) 405
Comentários:
Vamos calcular E(Z2) + Var(2Y - 3Z) por partes. O valor de E(Z2) pode ser calculado a partir da variância:
𝑉𝑎𝑟(𝑍) = 𝐸(𝑍 2 ) − [𝐸(𝑍)]2
𝐸(𝑍 2 ) = 𝑉𝑎𝑟(𝑍) + [𝐸(𝑍)]2


Aula 09
O enunciado informou que Var(Z) = 25 e E(Z) = 4, logo:
𝐸(𝑍 2 ) = 25 + [4]2 = 25 + 16 = 41
A variância da diferença entre duas variáveis é dada por:
Var(2Y – 3Z) = Var(2Y) + Var(3Z) – 2.Cov(2Y,3Z)
Pelas propriedades da variância, temos:
Var(2Y) = 4.Var(Y)
Var(3Z) = 9.Var(Z)
Pelas propriedades da covariância, temos:
Cov(2Y,3Z) = 2x3xCov(Y,Z)
Substituindo esses resultados na expressão anterior, temos:
Var(2Y – 3Z) = 4.Var(Y) + 9.Var(Z) – 12.Cov(Y,Z)
O enunciado informa que Cov(Y,Z) = 18 e Var(Z) = 25. O valor de Var(Y) pode ser obtido a partir do coeficiente
de variação e da esperança de Y, fornecidos pelo enunciado:
𝜎 √𝑉𝑎𝑟(𝑌) √𝑉𝑎𝑟(𝑌)
𝐶𝑉 = = = =2
𝜇 𝐸(𝑌) 4
√𝑉𝑎𝑟(𝑌) = 2 × 4 = 8
Var(Y) = 64
Logo:
Var(2Y – 3Z) = 4x64 + 9x25 – 12x18 = 256 + 225 – 216 = 265
A expressão solicitada no enunciado é, portanto:
E(Z2) + Var(2Y - 3Z) = 41 + 265 = 306
Gabarito: C


Aula 09
11. (FGV/2015 – TJ-BA) Seja X uma variável aleatória contínua com uma distribuição triangular, com
função densidade de probabilidade não nula no intervalo [0,2], dada por f(x) = 1/2.(2-x) , sendo nula caso
contrário. Então é possível afirmar que:
a) P(X > 1) = P( X ≤ 1) = 0,5
b) FX(x) = 1 – x2/4, é a função distribuição acumulada de X;
c) FX(1,5) = 15/16
d) E(X) = ¾, é a esperança matemática de X;
e) Me(X) > 1, onde Me(X) representa a mediana de X
Comentários:
1
O enunciado informa que a f.d.p. da variável é 𝑓(𝑥) = 2 . (2 − 𝑥), para o intervalo 0 ≤ 𝑥 ≤ 2. Em relação à
alternativa A, a probabilidade P(X ≤ 1) pode ser calculada como:
1
1
𝑃(𝑋 ≤ 1) = ∫ . (2 − 𝑥). 𝑑𝑥
0 2
A integral, sem os limites, é:
1 1 1 1 𝑥2 𝑥2
∫ . (2 − 𝑥). 𝑑𝑥 = ∫ (1 − 𝑥) 𝑑𝑥 = ∫ 1. 𝑑𝑥 − ∫ 𝑥. 𝑑𝑥 = 𝑥 − × =𝑥−
2 2 2 2 2 4
1
1 12 02 1 3
𝑃(𝑋 ≤ 1) = ∫ (1 − 𝑥) . 𝑑𝑥 = (1 − 0) − ( − ) = 1 − =
0 2 4 4 4 4
Logo, P(X > 1) é a probabilidade complementar:
3 1
𝑃(𝑋 > 1) = 1 − 𝑃(𝑋 ≤ 1) = 1 − =
4 4
Logo, a alternativa A está errada. Em relação à alternativa B, a função distribuição acumulada é dada por
(calculamos a integral na alternativa anterior):
𝑥 𝑥
1 1 𝑥2
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ . (2 − 𝑥). 𝑑𝑥 = ∫ (1 − 𝑥) . 𝑑𝑥 = 𝑥 −
0 2 0 2 4
Logo, a alternativa B está errada. Em relação à alternativa C, o valor de F(1,5) pode ser calculado aplicando-se x
= 1,5 na função calculada na alternativa anterior:

Aula 09
1,52 3 2,25 24 − 9 15
𝐹(1,5) = 1,5 − = − = =
4 2 4 16 16
Logo, a alternativa C está correta. Em relação à alternativa D, a esperança matemática é dada por:
2 2
1 1
𝐸(𝑋) = ∫ 𝑥. . (2 − 𝑥). 𝑑𝑥 = ∫ (𝑥 − 𝑥 2 ) . 𝑑𝑥
0 2 0 2
1 1 𝑥2 1 𝑥3 𝑥2 𝑥3
∫ (𝑥 − 𝑥 2 ) 𝑑𝑥 = ∫ 𝑥. 𝑑𝑥 − ∫ 𝑥 2 . 𝑑𝑥 = − × = −
2 2 2 2 3 2 6
2
1 22 02 23 03 8 6−4 2
𝐸(𝑋) = ∫ (𝑥 − 𝑥 2 ) . 𝑑𝑥 = − −( − )=2− = =
0 2 2 2 6 6 6 3 3
Logo, a alternativa D está incorreta. Em relação à alternativa E, a mediana é o valor de x para o qual a f.d.a. é
F(x) = 0,5. Vamos calcular o valor de F(1) para avaliar se a mediana é superior a 1, como afirma a alternativa, ou
não. Para isso, aplicamos x = 1 na f.d.a. calculada na alternativa B:
12
𝐹(1) = 1 − = 0,75
4
Isso significa que a mediana é inferior a 1 e, por isso, a alternativa E está errada.
Gabarito: C
12. (FGV/2016 – IBGE) Seja X uma variável aleatória mista com função densidade de probabilidade dada
por:
𝟏
𝒇𝑿 (𝒙) = 𝒙𝟐 𝒑𝒂𝒓𝒂 𝟏 < 𝒙 ≤ 𝟒, 𝑷(𝑿 = 𝟏) = 𝟎, 𝟐𝟓, sendo igual a zero caso contrário. Então os valores de
𝑷(𝑿 ≤ 𝟐) e 𝑬(𝑿𝟐 ), esperança matemática de X ao quadrado, são respectivamente iguais a:
a) 0,25 e 2,50;
b) 0,50 e 2,50;
c) 0,50 e 3,25;
d) 0,75 e 2,50;
e) 0,75 eSEFAZ-BA
3,25. - Estatística - 2023 (Pré-Edital) 133

Aula 09
Comentários:
Trata-se de uma variável mista, com natureza discreta para X = 1 e contínua para o intervalo (1,4].
Assim, a probabilidade 𝑃(𝑋 ≤ 2) pode ser calculada como:
2
1
𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 1) + 𝑃(1 < 𝑋 ≤ 2) = 0,25 + ∫ 𝑑𝑥
1 𝑥2
1 −2
𝑥 −2+1 𝑥 −1 1
∫ 2 𝑑𝑥 = ∫ 𝑥 . 𝑑𝑥 = = =−
𝑥 −2 + 1 −1 𝑥
Aplicando os limites, temos: ==3e713==
2
1 1 1 1
∫ 2
𝑑𝑥 = (− ) − (− ) = 1 − = 0,5
1 𝑥 2 1 2
Logo:
𝑃(𝑋 ≤ 2) = 0,25 + 0,5 = 0,75
Analogamente, o segundo momento, 𝐸(𝑋 2 ), pode ser calculado como:
4 4
2) 2
1 2
𝐸(𝑋 = 1 × 𝑃(𝑋 = 1) + ∫ 𝑥 × 2 . 𝑑𝑥 = 0,25 + ∫ 1 . 𝑑𝑥
1 𝑥 1
Considerando que a integral é ∫ 1. 𝑑𝑥 = 𝑥, aplicando os limites, temos:
4
∫ 1. 𝑑𝑥 = (4) − (1) = 3
1
Logo:
𝐸(𝑋 2 ) = 0,25 + 3 = 3,25
Gabarito: E


Aula 09
FCC
13. (FCC/2015 – DPE-SP) Usuários de certo medicamento para o tratamento de câncer interpõem aos
órgãos públicos responsáveis, através da Defensoria Pública de sua região, ações para o recebimento do
medicamento. Suponha que o tempo, em meses, entre a interposição da ação e o recebimento do
medicamento pelos usuários, seja uma variável aleatória com a seguinte função de probabilidade
𝑲. 𝒙, 𝟎<𝒙≤𝟐
𝒇(𝒙) = { 𝟐𝑲, 𝟐 < 𝒙 ≤ 𝟒}
𝟎, 𝒙>𝟒
Nessas condições, o tempo médio, em dias, para o recebimento do medicamento pelos usuários pertence ao
intervalo
a) [68,70)
b) [65,68)
c) [74,76)
d) [71,73)
e) [73,75)
Comentários:
Para calcularmos o tempo médio (esperança da variável) precisamos do valor de K. Para isso, devemos
considerar o axioma de que a probabilidade associada a todo o Espaço Amostral é igual a 1 (100%). Para isso,
vamos considerar o gráfico da função:
2K
0 2 4
Embora não conheçamos o valor de K, sabemos que no intervalo (0,2] temos uma reta que varia em função de
x, da forma Kx, e que no intervalo (2,4] temos uma reta paralela ao eixo x, da forma 2K. Logo, a probabilidade
associada a todo o Espaço Amostral pode ser calculada pela área do trapézio:
(𝐵 + 𝑏) × ℎ
𝐴𝑇𝑟𝑎𝑝 = =1
2
(4 + 2) × 2𝐾
𝐴𝑇𝑟𝑎𝑝 = = 6×𝐾 =1
2

Aula 09
1
𝐾=
6
Conhecendo a função densidade de probabilidade, podemos calcular a esperança, atentando-se para o fato de
que a função não é a mesma em todo o intervalo:
𝑥𝑆
𝐸(𝑋) = ∫ 𝑥. 𝑓(𝑥). 𝑑𝑥
𝑥𝐼
2 4 2 4
1 1 1 1
𝐸(𝑋) = ∫ 𝑥. . 𝑥. 𝑑𝑥 + ∫ 𝑥. 2. . 𝑑𝑥 = ∫ . 𝑥 2 . 𝑑𝑥 + ∫ 𝑥. 𝑑𝑥
0 6 2 6 0 6 2 3
2 4
1 𝑥3 1 𝑥2 1 3 1
𝐸(𝑋) = [ . ] + [ . ] = [2 − 03 ] + [42 − 22 ]
6 3 0 3 2 2 18 6
8 16 − 4 4 22
𝐸(𝑋) = + = +2=
18 6 9 9
Esse é o tempo médio em meses, pois a função de probabilidade fornecida está em meses, conforme informado
no enunciado. Mas, a questão pediu o tempo médio em dias. Logo, devemos multiplicar esse resultado por 30:
22 220
× 30 = ≅ 73,3
9 3
Logo, o tempo médio em dias pertence ao intervalo [73, 75)
Gabarito: E
14. (FCC/2015 – TRE-RR) A função de distribuição acumulada da variável aleatória X é dada por
𝟎, 𝒔𝒆 𝒙 ≤ 𝟎
𝑭(𝒙) = {𝟒. 𝒙𝟐 , 𝒔𝒆 𝟎 < 𝒙 ≤ 𝟎, 𝟓}
𝟏, 𝒔𝒆 𝒙 > 𝟎, 𝟓
Nessas condições, a variância de X é igual a:
a) 1/36
b) 1/18
c) 1/72
d) 1/9
e) 2/9 SEFAZ-BA - Estatística - 2023 (Pré-Edital) 136


Aula 09
Comentários:
A variância de X pode ser calculada como:
𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
Para isso, precisamos da função densidade de probabilidade, que corresponde à derivada da função de
distribuição acumulada:
𝑑[𝐹(𝑥)] 𝑑[4𝑥 2 ]
𝑓(𝑥) = = = 2 × 4𝑥1 = 8. 𝑥
𝑑𝑥 𝑑𝑥
Válida no intervalo 0 < 𝑥 ≤ 0,5.
A esperança é dada por:

𝑥𝑆
𝐸(𝑋) = ∫ 𝑥. 𝑓(𝑥). 𝑑𝑥
𝑥𝐼
0,5 0,5 0,5

𝑥3 8
𝐸(𝑋) = ∫ 𝑥. 8𝑥. 𝑑𝑥 = ∫ 8𝑥 . 𝑑𝑥 = [8. ] = [0,53 − 03 ]
2
0 0 3 0 3
8 1 3 8 1 1
𝐸(𝑋) = ×( ) = × =
3 2 3 8 3
Logo:
1 2 1
2
[𝐸(𝑋)] = ( ) =
3 9
E o segundo momento é dado por:

𝑥𝑆
𝐸(𝑋 2 ) = ∫ 𝑥 2 . 𝑓(𝑥). 𝑑𝑥
𝑥𝐼
0,5 0,5 0,5

2)
𝑥4
𝐸(𝑋 = ∫ 𝑥 . 8𝑥. 𝑑𝑥 = ∫ 8𝑥 . 𝑑𝑥 = [8. ] = 2. [0,54 − 04 ]
2 3
0 0 4 0
1 4 1 1
𝐸(𝑋 2 ) = 2 × ( ) = 2 × =
2 16 8
E a variância é:


Aula 09
1 1 9−8 1
𝑉(𝑋) = − = =
8 9 72 72
Gabarito: C
15. (FCC/2018 – TRT-2ª Região) A função densidade de probabilidade de uma variável aleatória contínua
X é dada por
𝟎, 𝟐(𝒙 − 𝟎, 𝟓), 𝒑𝒂𝒓𝒂 𝟐 ≤ 𝒙 ≤ 𝑲

𝒇𝑿 (𝒙) = { }
𝟎, 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐
Sendo K > 2, então a variância de X é igual a
a) 103/225
b) 4/9
c) 71/225
d) 199/225
e) 9/15
Comentários:
A variância de X pode ser calculada como:
𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
Para isso, precisamos do intervalo em que a função densidade é válida. Para isso, devemos considerar o axioma
de que a probabilidade associada a todo o Espaço Amostral é igual a 1 (100%). Sabendo que o limite inferior da
variável é 𝑥𝐼 = 2, temos2:
𝑥𝑆
𝑃(𝑈) = ∫ 𝑓(𝑥). 𝑑𝑥 = 1
𝑥𝐼
𝑥𝑆 𝑥𝑆 𝑥
𝑥2 𝑆
𝑃(𝑈) = ∫ 0,2. (𝑥 − 0,5). 𝑑𝑥 = ∫ (0,2. 𝑥 − 0,1). 𝑑𝑥 = [0,2. − 0,1. 𝑥] = 1

2 2 2 2
2Alternativamente, por se tratar de uma reta, poderíamos encontrar o valor do limite superior graficamente, como fizemos em
questões anteriores.

Aula 09
𝑃(𝑈) = 0,1. [𝑥𝑆2 − 22 ] − 0,1. [𝑥𝑆 − 2] = 0,1. 𝑥𝑆2 − 0,4 − 0,1. 𝑥𝑆 + 0,2 = 1
0,1. 𝑥𝑆2 − 0,1. 𝑥𝑆 − 1,2 = 0
𝑥𝑆2 − 𝑥𝑆 − 12 = 0
Podemos aplicar a fórmula de Bhaskara para encontrar as raízes, ou perceber que os números cuja soma é -1 e
o produto é -12 são -4 e 3:
𝑥𝑆2 − 𝑥𝑆 − 12 = (𝑥𝑆 − 4). (𝑥𝑆 + 3)
Logo, as raízes são:
𝑥1 = 4, 𝑥2 = −3
Sabendo que o valor de K é maior que 2, então K = 4. A esperança é dada por:

𝑥𝑆
𝐸(𝑋) = ∫ 𝑥. 𝑓(𝑥). 𝑑𝑥
𝑥𝐼
4 4 4
2
𝑥3 𝑥2
𝐸(𝑋) = ∫ 𝑥. (0,2. 𝑥 − 0,1). 𝑑𝑥 = ∫ (0,2. 𝑥 − 0,1. 𝑥). 𝑑𝑥 = [0,2. − 0,1. ]
2 2 3 2 2
1 3 1 1 1 56 12 56 3 56 − 9 47
𝐸(𝑋) = [4 − 23 ] − [42 − 22 ] = [64 − 8] − [16 − 4] = − = − = =
15 20 15 20 15 20 15 5 15 15
E o quadrado é:
47 2 2209
2
[𝐸(𝑋)] = ( ) =
15 225
E o segundo momento é dado por:

𝑥𝑆
2)
𝐸(𝑋 = ∫ 𝑥 2 . 𝑓(𝑥). 𝑑𝑥
𝑥𝐼
4 4 4
2) 2
𝑥4 𝑥3
𝐸(𝑋 = ∫ 𝑥 . (0,2. 𝑥 − 0,1). 𝑑𝑥 = ∫ (0,2𝑥 3 − 0,1𝑥 2 ).
𝑑𝑥 = [0,2. − 0,1. ]
2 2 4 3 2
1 4 1 3 1 1 240 56 28
𝐸(𝑋 2 ) = [4 − 24 ] − [4 − 23 ] = [256 − 16] − [64 − 8] = − = 12 −
20 30 20 30 20 30 15
180 − 28 152
𝐸(𝑋 2 ) = =
15 15


Aula 09
Logo, a variância é:
152 2209 2280 − 2209 71

𝑉(𝑋) = − = =
15 225 225 225
Gabarito: C
16. (FCC/2012 – TRE-SP) A função densidade de probabilidade da variável aleatória X é dada por:
𝒌. 𝒙𝟑 , 𝟎≤𝒙≤𝟐
𝒇(𝒙) = { }
A probabilidade condicional dada por: P(1 ≤ X ≤ 1,5 | X ≤ 1,5) é igual a
a) 2/9
b) 5/9
c) 15/49
d) 43/81
e) 65/81
Comentários:
Para calcularmos a probabilidade desejada, primeiro precisamos do valor de k. Para isso, devemos considerar o
axioma de que a probabilidade associada a todo o Espaço Amostral é igual a 1 (100%).
Sabendo que X só assume valor no intervalo 0 ≤ 𝑥 ≤ 2, temos:

𝑥𝑆
𝑃(𝑈) = ∫ 𝑓(𝑥). 𝑑𝑥 = 1
𝑥𝐼
2 2 2
3
𝑥 3+1 𝑥4 24 04 16
𝑃(𝑈) = ∫ 𝑘. 𝑥 . 𝑑𝑥 = 𝑘. [ ] = 𝑘. [ ] = 𝑘 [ − ] = 𝑘. = 4. 𝑘
0 3+1 0 4 0 4 4 4
𝑃(𝑈) = 4. 𝑘 = 1
1
𝑘=
4


Aula 09
Portanto, agora conhecemos a f.d.p. Após calcular a integral, podemos obter a f.d.a.:
𝑥
𝐹(𝑥) = ∫ 𝑓(𝑥). 𝑑𝑥
𝑥𝐼
𝑥
1 3 1 𝑥 4 04 𝑥4
𝐹(𝑥) = ∫ . 𝑥 . 𝑑𝑥 = . [ − ] =
0 4 4 4 4 16
A probabilidade condicional que a questão pede é definida como:
𝑃(1 ≤ 𝑋 ≤ 1,5 ∩ 𝑋 ≤ 1,5)

𝑃(1 ≤ 𝑋 ≤ 1,5|𝑋 ≤ 1,5) =
𝑃(𝑋 ≤ 1,5)
Observe que a interseção entre 1 ≤ 𝑋 ≤ 1,5 e 𝑋 ≤ 1,5, indicada no numerador, corresponde justamente a 1 ≤
𝑋 ≤ 1,5, ou seja:
𝑃(1 ≤ 𝑋 ≤ 1,5)
𝑃(1 ≤ 𝑋 ≤ 1,5|𝑋 ≤ 1,5) =
𝑃(𝑋 ≤ 1,5)
A probabilidade do denominador corresponde à f.d.a. no ponto x = 1,5 = 3/2:
(3⁄2)4 34 1 81
𝑃(𝑋 ≤ 1,5) = 𝑃(𝑋 ≤ 3⁄2) = 𝐹(3⁄2) = = 4× =
16 2 16 256
E a probabilidade do numerador corresponde à diferença entre a f.d.a. no ponto x = 1,5 (que já calculamos) e a
f.d.a. no ponto x = 1:
81 (1)4 81 16 65
𝑃(1 ≤ 𝑋 ≤ 1,5) = 𝐹(1,5) − 𝐹(1) = − = − =
256 16 256 256 256
Agora, podemos calcular a probabilidade condicional desejada:
65
256 65
𝑃(1 ≤ 𝑋 ≤ 1,5|𝑋 ≤ 1,5) = =
81 81
256
Gabarito: E


Aula 09
CESGRANRIO
17. (CESGRANRIO/2011 – Petrobrás) A função densidade de uma variável aleatória é dada por f(x) = x/4,
para 1 ≤ x ≤ 3, com f(x) = 0 para os demais valores de x. A probabilidade de que X assuma um valor menor
que 2 é
a) 1/4
b) 1/3
c) 5/16
d) 3/8
e) 1/2
Comentários:
Sendo a função f(x) = x/4, 1 ≤ x ≤ 3, temos:
• para x = 1, temos f(1) = 1/4 = 0,25;

• para x = 2, temos f(2) = 2/4 = 0,5; e
• para x = 3, temos f(3) = 3/4 = 0,55.
Logo, podemos representar a função pelo gráfico a seguir:
0,75
0,50
0,25
1 2 3
Podemos observar que a probabilidade P(X < 2) corresponde à área do trapézio abaixo da função (reta azul),
entre os pontos x = 1 e x = 2:
(𝐵 + 𝑏) × ℎ (0,5 + 0,25) × 1 0,75 3

𝑃(𝑋 < 2) = Á𝑟𝑒𝑎 𝑑𝑜 𝑡𝑟𝑎𝑝é𝑧𝑖𝑜 = = = =
2 2 2 8
Gabarito: D


Aula 09
18. (CESGRANRIO/2011 – Transpetro)
O gráfico da figura acima mostra a função densidade de probabilidade de um experimento com uma variável
aleatória X. O valor de A é
a) 0,10
b) 0,15
c) 0,20
d) 0,25
e) 0,30
Comentários:
O enunciado pede o valor de A. Para obtê-lo, devemos considerar que a probabilidade associada a todo o Espaço
Amostral é P(U) = 1. Ou seja, a área sob a função deve ser igual a:
𝑏×ℎ 8×𝐴
𝑃(𝑈) = Á𝑟𝑒𝑎 𝑑𝑜 𝑡𝑟𝑖â𝑛𝑔𝑢𝑙𝑜 = = =1
2 2
8×𝐴=2
2 1
𝐴= = = 0,25
8 4
Gabarito: D


Aula 09
19. (CESGRANRIO/2014 – FINEP) As Figuras abaixo mostram os gráficos de diversas funções que deveriam
representar a distribuição acumulada de probabilidade de uma variável aleatória contínua X. Essa variável X
assume valores no intervalo fechado [0, 1], segundo uma distribuição uniforme.
Constata-se que o gráfico correspondente à distribuição acumulada de X é o da Figura
a)
b)
c)


Aula 09
d)
e)
Comentários:
A função de distribuição acumulada é uma função não decrescente que assume valores entre 0 e 1. Para uma
distribuição uniforme no intervalo [0, 1], a função acumulada cresce constantemente nesse intervalo, como
indicado na letra A.
Gabarito: A


Aula 09
Teoremas de Desigualdade
1. (FCC/2014 – Analista Judiciário do TRT 13ª Região) A média de uma variável aleatória contínua X, em
que se desconhece sua distribuição, é igual a 10,4. Pelo teorema de Tchebichev obteve-se um intervalo igual
a (7,4 ; 13,4) em que a probabilidade mínima de X pertencer a este intervalo é igual a 84%. O valor da variância
(σ2) da variável X é tal que
a) 𝜎 2 < 1,25.
b) 1,25 ≤ 𝜎 2 < 1,50.
c) 1,50 ≤ 𝜎 2 < 1,75.
d) 1,75 ≤ 𝜎 2 < 2,00.
e) 𝜎 2 ≥ 2,00.
Comentários:
Sabendo que a média de X é 𝜇 = 10,4, então o intervalo 7,4 < X < 13,4, cuja probabilidade mínima foi fornecida
no enunciado, corresponde a um distanciamento de até 3 em relação à média, ou seja:
𝑃(7,4 < 𝑋 < 13,4) = 𝑃(|𝑋 − 10,4| < 3)
O complementar dessa probabilidade está associado a um distanciamento maior que 3:
𝑃(|𝑋 − 10,4| ≥ 3) = 1 − 𝑃(|𝑋 − 10,4| < 3)
Como 𝑃(|𝑋 − 10,4| < 3) ≥ 84% = 0,84, conforme consta no enunciado, então:
𝑃(|𝑋 − 10,4| ≥ 3) ≤ 1 − 0,84
𝑃(|𝑋 − 10,4| ≥ 3) ≤ 0,16
Pelo teorema de Chebyshev, temos:
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤
𝛿2


Aula 09
Portanto, para essa questão, temos 𝜇 = 10,4 e 𝛿 = 3:
𝜎2
𝑃(|𝑋 − 10,4| ≥ 3) ≤
9
Sabendo que 𝑃(|𝑋 − 10,4| ≥ 3) ≤ 0,16, temos:
𝜎2
= 0,16
9
𝜎 2 = 9 × 0,16 = 1,44
Gabarito: B
2. (FCC/2014 – TRE-RR) Conclui-se que, com a utilização do Teorema de Tchebichev, uma variável
aleatória X com média igual a 50 apresenta uma probabilidade mínima de 75% de X pertencer ao intervalo
(45, 55). A variância de X é
a) 4,00.
b) 1,00.
c) 1,44
d) 2,25.
e) 6,25.
Comentários:
Sabendo que a média de X é 𝜇 = 50, então o intervalo 45 < X < 55, cuja probabilidade mínima foi fornecida no
enunciado, corresponde a um distanciamento de até 5 em relação à média, ou seja:
𝑃(45 < 𝑋 < 55) = 𝑃(|𝑋 − 50| < 5)
𝑃(|𝑋 − 50| ≥ 5) = 1 − 𝑃(|𝑋 − 50| < 5)
Como 𝑃(|𝑋 − 50| < 5) ≥ 75% = 0,75, conforme consta no enunciado, então:
𝑃(|𝑋 − 50| ≥ 5) ≤ 1 − 0,75
𝑃(|𝑋 − 50| ≥ 5) ≤ 0,25


Aula 09
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 2
𝛿
Portanto, para essa questão, temos 𝜇 = 50 e 𝛿 = 5:
𝜎2
𝑃(|𝑋 − 50| ≥ 5) ≤
25
Sabendo que 𝑃(|𝑋 − 50| ≥ 5) ≤ 0,25, temos:
𝜎2
= 0,25
25
𝜎 2 = 25 × 0,25 = 6,25
Gabarito: E
3. (FCC/2016 – TRT-20ª Região) Sabe-se, pelo Teorema de Tchebichev, que a probabilidade mínima de
que uma variável aleatória X pertença ao intervalo (m − 1, m + 1) é igual a 75%. Se a média de X é m, então a
variância de X é igual a
a) 1/4
b) 1/16
c) 1/64
d) 1
e) 9/16
Comentários:
Sabendo que a média de X é 𝑚, então o intervalo m – 1 < X < m + 1, cuja probabilidade mínima foi fornecida no
enunciado, corresponde a um distanciamento de até 1 em relação à média, ou seja:
𝑃(𝑚 − 1 < 𝑋 < 𝑚 + 1) = 𝑃(|𝑋 − 𝑚| < 1)
𝑃(|𝑋 − 𝑚| ≥ 1) = 1 − 𝑃(|𝑋 − 𝑚| < 1)


Aula 09
Como 𝑃(|𝑋 − 𝑚| < 1) ≥ 75% = 0,75, conforme consta no enunciado, então:
𝑃(|𝑋 − 𝑚| ≥ 1) ≤ 1 − 0,75
𝑃(|𝑋 − 𝑚| ≥ 1) ≤ 0,25
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 2
𝛿
Portanto, para essa questão, temos 𝜇 = 𝑚 𝛿 = 1:
𝜎2
𝑃(|𝑋 − 𝑚| ≥ 1) ≤
==3e713==
Sabendo que 𝑃(|𝑋 − 𝑚| ≥ 1) ≤ 0,25, temos:
𝜎2
= 0,25
1
1
𝜎 2 = 0,25 =
4
Gabarito: A
4. (FCC/2018 – TRT-2ª Região) Em virtude de não se conhecer a função de densidade de uma variável
aleatória X, com média 22, obteve-se um intervalo de confiança (20, 24), sabendo-se que existe a
probabilidade mínima de 84% de X pertencer a este intervalo conforme o Teorema de Tchebichev.
Considerando este mesmo teorema, obtém-se que a probabilidade de X não pertencer ao intervalo (22 − K,
22 + K) é no máximo 6,25%. A amplitude deste último intervalo é de
a) 8,0
b) 3,2
c) 6,4
d) 4,0
e) 5,6
Comentários:


Aula 09
A questão trabalha com o teorema de Chebyshev, dado por:
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 2
𝛿
O enunciado informa que a média é 𝜇 = 22 e que a probabilidade associada ao intervalo (20, 24) é de no mínimo
84%. Logo, a probabilidade de a variável afastar de sua média em mais que 𝛿 = 2 é complementar
𝑃(|𝑋 − 22| ≥ 2) ≤ 1 − 0,84 = 0,16
Com essas informações, podemos calcular a variância:
𝜎2
𝑃(|𝑋 − 22| ≥ 2) ≤ ≤ 0,16
22
𝜎 2 = 0,16 × 4 = 0,64
Em seguida o enunciado informa que a probabilidade de a variável não pertencer ao intervalo da forma (22 − K,
22 + K) é no máxima de 6,25%:
𝑃(|𝑋 − 22| ≥ 𝐾) ≤ 0,0625
O valor de K pode ser calculado pelo teorema de Chebyshev:
𝜎 2 0,64
= 2 = 0,0625
𝛿2 𝐾
𝐾 2 = 10,24
𝐾 = √10,24 = 3,2
Logo, a amplitude do intervalo é:
2. 𝐾 = 2 × 3,2 = 6,4
Gabarito: C


Aula 09
5. (FCC/2014 – Analista Judiciário do TRT 19ª Região) Uma variável contínua X apresenta uma média igual
a 50. Pelo Teorema de Tchebyshev, a probabilidade de X não pertencer ao intervalo (10, 90) é no máximo
25%. O resultado da divisão da variância de X pelo quadrado da média de X é
a) 0,64.
b) 0,25.
c) 0,16.
d) 0,32.
e) 0,04.
Comentários:
Sabendo que 𝜇 = 50, então:
𝑃(𝑋 < 10 𝑜𝑢 𝑋 > 90) = 𝑃(|𝑋 − 50| ≥ 40)
O enunciado informa que 𝑃(|𝑋 − 50| ≥ 40) ≤ 25%. Pelo teorema de Chebyshev, temos:
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 2
𝛿
𝜎2
𝑃(|𝑋 − 50| ≥ 40) ≤
1600
𝜎 2 = 1600 × 0,25 = 400
Assim, a variância relativa é:
𝜎2 400
𝑉(𝑋)𝑅𝑒𝑙 = 2
= = 0,16
𝜇 2500
Gabarito: C


Aula 09
Uniforme
CEBRASPE
1. (CEBRASPE/2016 – Auditor de Controle Externo do TCE/PA) Considerando que, em um circuito elétrico,
a corrente I siga uma distribuição uniforme no intervalo (0,1) e que a potência W desse circuito seja expressa
por W = I2, julgue o item a seguir relativo às transformações de variáveis.
A função de distribuição acumulada de W é F(w) = P(W ≤ w) = w2 , em que 0 ≤ w ≤ 1.
Comentários:
A função de distribuição de uma variável aleatória W = I 2 pode ser descrita como
𝐹 (𝑤 ) = 𝑃 ( 𝑊 ≤ 𝑤 ) = 𝑃 (𝐼 2 ≤ 𝑤 )
Aplicando a raiz em ambos os lados da inequação, temos:
𝐹(𝑤) = 𝑃(|𝐼| ≤ √𝑤)
Sendo I uma variável não negativa, pois assume valores no intervalo (0,1), então, não precisamos do módulo:
𝐹 (𝑤) = 𝑃(𝐼 ≤ √𝑤)
Sabendo que I apresenta distribuição uniforme no intervalo a = 0 e b = 1, então a probabilidade 𝑃(𝐼 ≤ √𝑤)
pode ser calculada como:
√𝑤 − 𝑎 √𝑤 − 0
𝑃(𝐼 ≤ √𝑤) = = = √𝑤
𝑏−𝑎 1−0
Gabarito: Errado

Nesse circuito, a potência esperada é igual a 1/3.
Comentários:

Aula 09
O valor esperado de W = I2, sendo I uma distribuição uniforme, no intervalo (a,b), é dado por:
𝑏 𝑏
1
𝐸 (𝑊 ) = 𝐸 (𝐼 2 ) = ∫ 𝑥 2 . 𝑓 (𝑥 ). 𝑑𝑥 = ∫ 𝑥 2 . . 𝑑𝑥
𝑎 𝑎 𝑏−𝑎
Sendo a = 0 e b = 1, temos:
𝑏 1
1
𝐸 (𝑊 ) = ∫ 𝑥 2 . . 𝑑𝑥 = ∫ 𝑥 2 . 𝑑𝑥
𝑎 1−0 0
𝑥3
Sabendo que ∫ 𝑥 2 𝑑𝑥 = , então aplicando os limites, temos:
3
1
13 − 03 1
𝐸(𝑊 ) = ∫ 𝑥 2 . 𝑑𝑥 = =
0
==3e713==
3 3
Gabarito: Certo.

A variância de W é maior que 0,10.
Comentários:
A variância de uma variável aleatória W qualquer pode ser calculada como:
𝑉 (𝑊 ) = 𝐸 (𝑊 2 ) − [𝐸 (𝑊 )]2
Sendo W = I2, temos:
𝑉(𝐼 2 ) = 𝐸 (𝐼 4 ) − [𝐸 (𝐼 2 )]2
1
Na última questão, vimos que 𝐸 (𝑊 ) = 𝐸 (𝐼 2 ) = 3. Agora, vamos calcular 𝐸(𝑊 2 ) = 𝐸(𝐼 4 ), sendo 𝐼 uma
distribuição uniforme:
𝑏 𝑏
1
𝐸 (𝑊 2 ) = 𝐸(𝐼 4 ) = ∫ 𝑥 4 . 𝑓 (𝑥 ). 𝑑𝑥 = ∫ 𝑥 4 . . 𝑑𝑥
𝑎 𝑎 𝑏−𝑎
Sendo a = 0 e b = 1, temos:


Aula 09
𝑏 1
1
𝐸 (𝑊 2 ) = ∫ 𝑥 4 . . 𝑑𝑥 = ∫ 𝑥 4 . 𝑑𝑥
𝑎 1−0 0
𝑥5
Sabendo que ∫ 𝑥 4 𝑑𝑥 = , então aplicando os limites, temos:
5
15 − 05 1
𝐸 (𝑊 2 ) = =
5 5
A variância de W é, portanto, dada por:
𝑉 (𝑊 ) = 𝑉 (𝐼 2 ) = 𝐸 (𝐼 4 ) − [𝐸 (𝐼 2 )]2
1 1 2 1 1 9−5 4
𝑉 (𝑊 ) = −( ) = − = = ≅ 0,089
5 3 5 9 45 45
Logo, a variância é inferior a 0,1.
Gabarito: Errado.
FGV
4. (FGV/2018 – AL/RO) Se (Xn) é uma sequência de variáveis aleatórias com distribuição uniforme no
intervalo (0, (n – 1)/ n), n > 1, então (Xn) converge para uma distribuição
a) uniforme no intervalo (0, 1).
b) qui-quadrado com 1 grau de liberdade
c) exponencial com parâmetro 𝜆 = 1.
d) normal padrão.
e) geométrica parâmetro 𝜃 = 1.
Comentários:
𝑛−1
Sendo Xn uma sequência de variáveis aleatórias com distribuição uniforme no intervalo (0, ), então quando
𝑛
𝑛−1
𝑛 → ∞, a razão 𝑛 converge para 1, porque 𝑛 − 1 e 𝑛 convergem para o mesmo valor. Logo, Xn converge para
uma distribuição uniforme no intervalo (0, 1).
Gabarito: A.


Aula 09
5. (FGV/2017 – IBGE) Sabe-se que o tempo de aplicação de um questionário em uma pesquisa de campo
é uma variável com distribuição uniforme entre 8 e 20 minutos. Um entrevistador pretende aplicar três
questionários.
Logo, é correto afirmar que:
a) a probabilidade de que todas as entrevistas durem mais do que 15 minutos é de 27/64;
b) a probabilidade de que duas entrevistas durem mais do que a média é igual a 5/8;
c) o desvio padrão do tempo de duração de cada entrevista é igual a 2 minutos;
d) a probabilidade de que apenas uma das entrevistas leve menos da metade do tempo máximo é igual a 25/72.
e) a probabilidade do tempo total de entrevista exceder 40 minutos é igual a 0,5.
Comentários:
Primeiro vamos calcular o valor da f.d.p.:
1 1 1
𝑘= = =
𝑏 − 𝑎 20 − 8 12
Em relação à alternativa a, a probabilidade de um questionário durar mais que 15 minutos é:
𝑏−𝑚
𝑃 (𝑋 > 𝑚 ) =
𝑏−𝑎
20 − 15 5
𝑃(𝑋 > 15) = 𝑃 (15 < 𝑋 < 20) = =
20 − 8 12
A probabilidade de os 3 questionários durarem mais que 15 minutos é o produto:
5 5 5 125
𝑃(𝑋 > 15) × 𝑃(𝑋 > 15) × 𝑃 (𝑋 > 15) = × × =
12 12 12 1728
Portanto, a alternativa a está errada.
Em relação à alternativa b, precisamos calcular a média:
𝑏 + 𝑎 20 + 8
𝜇 = 𝐸 (𝑋 ) = = = 14
2 2
A probabilidade de uma entrevista durar mais que a média, isto é, 𝑝 = 𝑃 (𝑋 > 14), é dada por:
20 − 14 6
𝑝 = 𝑃(𝑋 > 14) = 𝑃 (14 < 𝑋 < 20) = = = 0,5
20 − 8 12

Aula 09
A probabilidade de 2 questionários, dentre 3, durarem mais que a média, é dada pela fórmula da distribuição
binomial, em que a probabilidade de sucesso (isto é, de um questionário durar mais que a média) é p = 0,5 e a
probabilidade de fracasso é q = 1 – p = 0,51:
𝐶3,2 × 𝑝2 × 𝑞 = 3 × 0,52 × 0,5 = 0,375
Portanto, a alternativa b está errada.
Em relação à alternativa c, o desvio padrão é dado por:
(𝑏 − 𝑎)2 𝑏 − 𝑎
𝜎𝑋 = √𝑉(𝑋) = √ =
12 √12
20 − 8 12
𝜎𝑋 = = = √12
√12 √12
Portanto, a alternativa c está errada.
Em relação à alternativa d, a probabilidade de uma entrevista levar menos da metade do tempo máximo,
𝑃 (𝑋 < 10) é:
10 − 8 2 1
𝑃(𝑋 < 10) = 𝑃(8 < 𝑋 < 10) = = =
20 − 8 12 6
A probabilidade de apenas um dos questionários durar menos de 10 minutos, e os demais, mais que 10 minutos,
5
com probabilidade 𝑃 (𝑋 ≥ 10) = 1 − 𝑃(𝑋 < 10) = 6, é:
1 5 5 25
𝑃(𝑋 < 10) × 𝑃 (𝑋 ≥ 10) × 𝑃 (𝑋 ≥ 10) × 𝐶3,2 = × × ×3=
6 6 6 72
Portanto, a alternativa d está correta.
Em relação à alternativa e, o tempo total de entrevista (com os 3 questionários) é uma variável com média igual
à mediana, dada por:
𝐸 (𝑇𝑜𝑡𝑎𝑙 ) = 𝐸 (𝑋1 + 𝑋2 + 𝑋3 ) = 𝐸 (𝑋1 ) + 𝐸 (𝑋2 ) + 𝐸(𝑋3 )
A média de tempo de cada questionário é a média aritmética entre os limites 8 e 20:
1 É necessário multiplicar o produto das probabilidades 𝑝2 × 𝑞 pelo número de maneiras de escolher 2 questionários, dentre 3
(isto é, pela combinação 𝐶3,2 ). Isso porque o produto 𝑝 2 × 𝑞 fornece a probabilidade associada a determinada ordem (por
exemplo, SEFAZ-BA
de os 2 primeiros questionários
- Estatística durarem mais e o 3º questionário durar menos que a média).
- 2023 (Pré-Edital) 156

Aula 09
8 + 20
𝐸 (𝑋1 ) = 𝐸 (𝑋2 ) = 𝐸 (𝑋3 ) = = 14
2
Logo, a média do tempo total da entrevista é:
𝐸 (𝑇𝑜𝑡𝑎𝑙 ) = 14 + 14 + 14 = 42
Portanto, a probabilidade de o tempo total exceder 42 minutos (não 40 minutos) é igual 0,5.
Gabarito: D


Aula 09
Exponencial
CEBRASPE
1. (CEBRASPE/2016 – Analista de Controle Externo do TCE/PA) Se o tempo de espera por atendimento
(T, em minutos) em determinada repartição pública segue uma distribuição exponencial com média igual a
30 minutos, então:
A probabilidade de ocorrer o evento [T = 30], isto é, P([T=30]), é igual a zero.
Comentários:
Sabemos que, para variáveis contínuas, associamos probabilidades aos intervalos, ao invés de probabilidades
da forma P(X = x), justamente porque essa probabilidade é zero.
Gabarito: Certo.
2. (CEBRASPE/2018 – Analista Administrativo EBSERH) Em uma pequena clínica hospitalar, a receita

diária R e a despesa diária D, ambas em R$ mil, são variáveis aleatórias contínuas, tais que:
P(R ≤ r) = 1 – e–0,2r , para r ≥ 0; e P(R ≤ r) = 0, para r < 0; e
P(D ≤ d) = 1 – e–0,25d , para d ≥ 0; e P(D ≤ d) = 0, para d < 0.
Considerando que a covariância entre as variáveis R e D seja igual a 10, e que S = R – D seja o saldo diário,
O saldo diário esperado é E(S) = 0,05.
Comentários:
Sendo o saldo diário dado pela diferença S = R – D, então pelas propriedades da esperança, temos:
E(S) = E(R – D) = E(R) – E(D)
Podemos observar que as equações fornecidas são funções de distribuições exponenciais acumuladas, dadas
por:
𝐹 (𝑥 ) = 1 − 𝑒 −𝜆𝑥

Aula 09
Comparando essa equação com as equações fornecidas, comcluímos que os parâmetros das distribuições são:
𝜆𝑅 = 0,2
𝜆𝐷 = 0,25
A esperança da distribuição exponencial é dada por:
1
𝐸 (𝑋 ) =
𝜆
Portanto, as esperanças de R e de D são:
1 1
𝐸 (𝑅 ) = = =5
𝜆𝑅 0,2
1 1
𝐸 (𝐷 ) = = =4
𝜆𝐷 0,25
Assim, o valor esperado do saldo é a diferença:
E(S) = 5 – 4 = 1
Gabarito: Errado.

A variância do saldo diário é Var(S) = 41.
Comentários:
Sendo o saldo diário dado pela diferença S = R – D, então a variância de S é:
Var(S) = Var(R – D) = Var(R) + Var(D) – 2.Cov(R,D)
Podemos observar que as equações fornecidas são funções de distribuições exponenciais acumuladas, dadas
por 𝐹 (𝑥 ) = 1 − 𝑒 −𝜆𝑥 . Logo, podemos concluir que os parâmetros das distribuições são: 159
SEFAZ-BA - Estatística - 2023 (Pré-Edital)

Aula 09
𝜆𝑅 = 0,2
𝜆𝐷 = 0,25
A variância da distribuição exponencial é dada por:
1
𝑉𝑎𝑟(𝑋) =
𝜆2
Portanto, as variâncias de R e de D são:
1 1 1
𝑉𝑎𝑟(𝑅) = = = = 25
𝜆2𝑅 0,22 0,04
1 1 1
𝑉𝑎𝑟(𝐷 ) = = = = 16
𝜆2𝐷 0,252 0,0625
Considerando esses valores e a informação do enunciado de que Cov(R,D) = 10, então a variância do saldo é:
Var(S) = 25 + 16 – 2.10 = 41 – 20 = 21
Gabarito: Errado.

A correlação linear entre as variáveis aleatórias R e D é igual a 0,5.
Comentários:
A correlação linear é dada por:
𝐶𝑜𝑣(𝑅, 𝐷)
𝜌(𝑅, 𝐷 ) =
√𝑉𝑎𝑟(𝑅). √𝑉𝑎𝑟(𝐷)
Podemos observar que R e D são distribuições exponenciais, com os seguintes parâmetros:
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 𝜆𝑅 = 0,2 160


Aula 09
𝜆𝐷 = 0,25
1
A variância da distribuição exponencial é dada por 𝑉𝑎𝑟(𝑋) = 𝜆2 . Portanto, as variâncias de R e de D são:
1 1 1
𝑉𝑎𝑟(𝑅) = = = = 25
𝜆2𝑅 0,22 0,04
1 1 1
𝑉𝑎𝑟(𝐷 ) = = = = 16
𝜆2𝐷 0,252 0,0625
E os desvios padrão, raiz quadrada das variâncias, são:
√𝑉𝑎𝑟(𝑅) = √25 = 5
√𝑉𝑎𝑟(𝐷) = √16 = 4
Substituindo esses resultados na fórmula da correlação, bem como a informação do enunciado de que Cov(R,D)
= 10, temos:
10
𝜌(𝑅, 𝐷 ) = = 0,5
5×4
Gabarito: Certo.

A probabilidade de o saldo S ser nulo é igual a 0.
Comentários:
O saldo S é definido como a diferença entre duas variáveis contínuas (com distribuição exponencial), sendo,
portanto, uma variável contínua. Vimos que a probabilidade de uma variável contínua qualquer assumir um
valor específico é igual a 0 (motivo pelo qual atribuímos probabilidade somente a intervalos de valores). Logo,
a probabilidade de o saldo ser exatamente igual a 0 é nula.
Gabarito: Certo. 161


Aula 09

P(R ≤ r) = 1 – e0,2r, para r ≥ 0; e P(R ≤ r) = 0, para r < 0; e
P(D ≤ d) = 1 – e0,25d, para d ≥ 0; e P(D ≤ d) = 0, para d < 0.
Considerando que a covariância entre as variáveis R e D seja igual a 10, e que S = R D seja o saldo diário, julgue
o item a seguir.
P(R ≤ 5) = P(D ≤ 4).
Comentários:
Substituindo o valor r = 5 na equação P(R ≤ r) fornecida pelo enunciado, temos:
P(R ≤ r) = 1 – e0,2r → P(R ≤ 5) = 1 – e0,2x5 = 1 – e1 = 1 – e
Substituindo o valor d = 4 na equação P(D ≤ d) fornecida pelo enunciado, temos:
P(D ≤ d) = 1 – e0,25d → P(D ≤ 4) = 1 – e0,25x4 = 1 – e1 = 1 – e
Logo, podemos concluir que P(R ≤ 5) = P(D ≤ 4).
Gabarito: Certo.
FGV
7. (FGV/2018 – TJ-AL) Suponha que o tempo de espera para a marcação de uma 1a audiência nas varas
de família de um tribunal seja uma variável aleatória que depende do número de novas ações, seguindo uma
distribuição exponencial com média de 2,5 meses.
Então, trabalhando com 𝒆−𝟎,𝟒 = 𝟐⁄𝟑, a probabilidade de que uma 1ª audiência seja marcada para mais do
que 2 meses depois é igual a aproximadamente:
a) 16%
b) 33%
c) 45%
d) 56%
e) 67%

Aula 09
Comentários:
O enunciado informou que o tempo de espera segue distribuição exponencial com média de 2,5 meses:
1
𝐸 (𝑋 ) = = 2,5
𝜆
1
𝜆=
2,5
A probabilidade de o tempo de espera superar 2 meses é dada por:
𝑃(𝑋 > 𝑥 ) = 𝑒 −𝜆.𝑥
2
−
𝑃(𝑋 > 2) = 𝑒 2,5 = 𝑒 −0,8 = 𝑒 −0,4×2
Pela propriedade da função logarítmica, temos (𝑏𝑎 )𝑐 = 𝑏𝑎×𝑐 , logo:
2 2 4
𝑃(𝑋 > 2) = (𝑒 −0,4 )2 = ( ) = ≅ 0,45
3 9
Gabarito: C
8. (FGV/2015 – TJ-BA) O tempo necessário para apreciação de uma petição pelos magistrados em
determinado tribunal foi tipificado como uma variável aleatória com distribuição exponencial. Sabe-se ainda
que a probabilidade de que uma petição não seja apreciada nos 30 dias após ser encaminhada é de 40%. Se
uma petição já está aguardando despacho há 60 dias, a probabilidade de que seja apreciada antes de
completar 90 dias é igual a:
a) (0,6)3
b) (0,4)1(0,6)2
c) (0,4)2(0,6)1
d) 0,4
e) 0,6
Comentários:
A probabilidade de a petição ser apreciada antes de completar 90 dias é o complementar de ela ser apreciada
não ser apreciada nesse período.

Aula 09
Sabendo que a petição já está aguardando há 60 dias, a probabilidade de ela não ser apreciada em 90 dias pela
propriedade sem memória da distribuição exponencial:
𝑃 (𝑇 > 90|𝑇 > 60) = 𝑃(𝑇 > 30)
O enunciado informa que a probabilidade de a petição não ser apreciada em 30 dias é P(T > 30) = 40% = 0,4.
Assim, a probabilidade de a petição ser apreciada antes de completar 90 dias, sabendo que está aguardando há
60 dias é complementar:
1 – 0,4 = 0,6
Gabarito: E
9. (FGV/2015 – TJ-RO) Sabe-se que o tempo de duração de um processo na justiça do trabalho é uma
variável aleatória contínua distribuída exponencialmente, com média de 1200 dias. Se já passaram 900 dias
de um processo, a probabilidade de que ele dure mais do que 1500 dias é igual a:
a) e-5/4
b) e-3/4
c) e-1/2
d) 1 – e-2/3
e) 1 – e-1/2
Comentários:
A probabilidade de o processo durar mais do que 1500 dias, sabendo que já se passaram 900 dias, ou seja, de
durar 1500 – 900 = 600 dias a mais, segue a propriedade sem memória da distribuição exponencial:
𝑃(𝑇 > 1500|𝑇 > 900) = 𝑃(𝑇 > 600)
Conhecendo a média da distribuição, E(X) = 1200, podemos calcular o valor de 𝜆:
1
𝐸 (𝑋 ) = = 1200
𝜆
1
𝜆=
1200
A probabilidade de o processo durar mais de 600 dias é, então, dada por:


Aula 09
600 1
𝑃 (𝑇 > 600) = 𝑒 −𝜆.600 = 𝑒 −1200 = 𝑒 −2
Gabarito: E
10. (FGV/2017 – IBGE) Suponha que o tempo de vida útil da lâmpada de um Scanner seja distribuído
exponencialmente com parâmetro 𝜷 = 600 horas.
Se T representa a durabilidade da lâmpada, é correto afirmar que:
a) P(T > 600) = 0,50;
b) P(200 < T < 600) = 0,25;
c) P(T > 1500) = 1 – e-2;
d) P(T > 1200 | T > 300) = P(T > 900)
e) P(T < 450) = 1 – e-2/5
Comentários:
A distribuição exponencial é definida como 𝑓 (𝑥 ) = 𝜆𝑒 −𝜆𝑥 . O que o enunciado chamou de parâmetro é a sua
média:
1
𝐸 (𝑋 ) = 𝛽 = = 600
𝜆
Logo:
1
𝜆=
600
Em relação à alternativa A, a probabilidade P(T > 600) é dada por:
600
𝑃 (𝑇 > 600) = 𝑒 −𝜆.600 = 𝑒 −600 = 𝑒 −1
Esse valor é aproximadamente 0,37, logo a alternativa A está incorreta,
Em relação à alternativa B, a probabilidade P(200 < T < 600) é dada por:
600 200 1
𝑃 (200 < 𝑋 < 600) = −𝑒 −𝜆.600 + 𝑒 −𝜆.200 = −𝑒 −600 + 𝑒 −600 = −𝑒 −1 +𝑒 −3
Esse resultado é um pouco maior que 1, logo a alternativa B está incorreta.


Aula 09
Em relação à alternativa C, a probabilidade P(T < 500) é dada por:
500 5
𝑃 (𝑇 < 500) = 1 − 𝑒 −𝜆.500 = 1 − 𝑒 −600 = 1 − 𝑒 −6
Logo, a alternativa C está incorreta.
A alternativa D trabalha com a propriedade de falta de memória da distribuição:
𝑃 (𝑇 > 𝑡 + 𝑠|𝑇 > 𝑠) = 𝑃(𝑇 > 𝑡)
Fazendo t = 900 e s = 300, temos:
𝑃(𝑇 > 1200|𝑇 > 300) = 𝑃(𝑇 > 900)
Em relação à alternativa E, a probabilidade P(T < 450) é dada por:
450 3
𝑃 (𝑇 < 450) = 1 − 𝑒 −𝜆.450 = 1 − 𝑒 −600 = 1 − 𝑒 −4
Logo, a alternativa E está incorreta.
Gabarito: D.
11. (FGV/2018 – AL-RO) Acerca da soma de variáveis aleatórias, avalie se as afirmativas a seguir, estão
corretas.
I. A soma de n variáveis aleatórias independentes e identicamente distribuídas Bernoulli com parâmetro p,

tem distribuição binomial com parâmetros n e p.
II. A soma de n variáveis aleatórias independentes e identicamente distribuídas Poisson com parâmetro λ tem
distribuição Poisson com parâmetro nλ.
III. A soma de n variáveis aleatórias independentes e identicamente distribuídas exponencial com parâmetro
λ tem distribuição gama com parâmetros n e λ.
Está correto o que se afirma em
a) I, apenas.
b) I e II, apenas.
c) I e III, apenas.

Aula 09
d) II e III, apenas.
e) I, II e III.
Comentários:
Em relação à afirmativa I, sabemos que a soma de variáveis independentes com distribuição de Bernoulli com
parâmetro p, segue distribuição binomial com parâmetros n e p. Logo, a afirmativa I está correta.
Em relação à afirmativa II, sabemos que a soma de variáveis independentes com distribuição de Poisson segue
distribuição de Poisson. O parâmetro dessa distribuição equivale à soma dos parâmetros. Logo, a afirmativa II
está correta.
Em relação à afirmativa III, vimos que a soma de n variáveis exponenciais independentes com parâmetro 𝜆 segue
distribuição gama com parâmetros 𝛼 = 𝑛 e 𝛽 = 𝜆. Logo, a afirmativa III está correta.
Gabarito: E
FCC
12. (FCC/2016 – TRT/20ª Região) Suponha que a variável X, que representa o tempo de vida, em horas, do
vírus da gripe em superfícies não porosas como metal, plástico e madeira, tenha distribuição exponencial com
média de 10 horas. Nessas condições, P(X < 8 horas) é igual a
Dados: e-0,8 =0,45 e-0,4=0,67 e-1=0,37
a) 0,62
b) 0,45
c) 0,33
d) 0,38
e) 0,55
Comentários:
Sendo X uma variável com distribuição exponencial e média 10, temos:
1
𝐸 (𝑋 ) = = 10
𝜆
1
𝜆=
10

Aula 09
Logo:
𝑃(𝑋 < 𝑥 ) = 1 − 𝑒 −𝜆𝑥
𝑃(𝑋 < 8) = 1 − 𝑒 −0,8 = 1 − 0,45 = 0,55
Gabarito: E
13. (FCC/2014 – TRT/19ª Região) O tempo de espera, em meses, para a concessão de certa licença
ambiental em um órgão responsável por tais licenças é uma variável aleatória X com distribuição exponencial
com média de 2 meses. A probabilidade condicional de X ser superior a 2 meses, sabendo-se que X foi, no
máximo, igual a 3 meses é igual a
Dados: e-1 = 0,368; e-1,5 = 0,223; e-2 = 0,135
a) 123/210
b) 151/632
c) 145/632
d) 123/505
e) 145/777
Comentários:
O enunciado pede a probabilidade condicional de 𝑋 > 2 meses, dado que 𝑋 ≤ 3 meses:
𝑃(𝑋 > 2 ∩ 𝑋 ≤ 3) 𝑃(2 < 𝑋 ≤ 3)

𝑃 (𝑋 > 2|𝑋 ≤ 3) = =
𝑃(𝑋 ≤ 3) 𝑃(𝑋 ≤ 3)
O enunciado informa que X é uma variável com distribuição exponencial e média 2:
1
𝐸 (𝑋 ) = =2
𝜆
1
𝜆=
2
Sabendo que 𝑃(𝑋 ≤ 𝑥 ) = 1 − 𝑒 −𝜆𝑥 , o denominador é dado por:
1
𝑃 (𝑋 ≤ 3) = 1 − 𝑒 −2×3 = 1 − 𝑒 −1,5 ≅ 1 − 0,223 = 0,777

Aula 09
Sabendo que 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝑒 −𝜆.𝑎 − 𝑒 −𝜆𝑏 , o numerador é:
1 1
𝑃 (2 < 𝑋 ≤ 3) = 𝑒 −2×2 − 𝑒 −2×3 = 𝑒 −1 − 𝑒 −1,5 ≅ 0,368 − 0,223 = 0,145
Logo, a probabilidade condicional desejada é:
0,145 145
𝑃(𝑋 > 2|𝑋 ≤ 3) = =
0,777 777
Gabarito: E
14. (FCC/2017 – Analista Judiciário do TRT/11ª Região) Uma indústria produz lâmpadas do tipo I e II.
==3e713==
Considere as seguintes variáveis aleatórias: X = tempo de vida das lâmpadas do tipo I em horas e Y = tempo
de vida das lâmpadas do tipo II em horas. De um lote de 500 lâmpadas sendo 200 do tipo I e 300 do tipo II
retira-se ao acaso uma lâmpada. Sabe-se que X tem distribuição exponencial com média de 5000 horas e que
Y tem distribuição exponencial com média de 8000 horas. Nessas condições, a probabilidade da lâmpada
selecionada ter duração entre 4000 e 6000 horas é
Dados: e−0,5 = 0,61 e−0,75 = 0,47 e−0,8 = 0,45 e−1 = 0,37 e−1,2 = 0,30
a) 0,072
b) 0,110
c) 0,144
d) 0,230
e) 0,180
Comentários:
Vamos chamar o fato de uma lâmpada ter duração entre 4000 e 6000 horas de evento A. Pelo Teorema da
Probabilidade Total, temos:
𝑃(𝐴) = 𝑃(𝐴|𝐼 ) × 𝑃 (𝐼 ) + 𝑃(𝐴|𝐼𝐼) × 𝑃(𝐼𝐼)
Pelas informações do enunciado, sabemos que:
𝑛(𝐼) 200
𝑃 (𝐼 ) = = = 0,4
𝑛(𝑈) 500


Aula 09
𝑛(𝐼𝐼) 300
𝑃(𝐼𝐼 ) = = = 0,6
𝑛(𝑈) 500
Sabendo que o tempo de vida das lâmpadas tipo I segue uma distribuição exponencial X, com média de 5000
horas, temos:
1
𝐸 (𝑋 ) = = 5000
𝜆𝑋
1
𝜆𝑋 =
5000
Sabendo que o tempo de vida das lâmpadas tipo II segue uma distribuição exponencial Y, com média de 8000
horas, temos:
1
𝐸 (𝑌 ) = = 8000
𝜆𝑌
1
𝜆𝑌 =
8000
Assim, podemos calcular as probabilidades condicionais:
𝑃(𝑎 < 𝑋 < 𝑏) = −𝑒 −𝜆𝑏 + 𝑒 −𝜆𝑎
6000 4000
𝑃(𝐴|𝐼 ) = 𝑃(4000 < 𝑋 < 6000) = −𝑒 −5000 + 𝑒 −5000 = −𝑒 −1,2 + 𝑒 −0,8 = −0,30 + 0,45 = 0,15
6000 4000
𝑃(𝐴|𝐼𝐼) = 𝑃(4000 < 𝑌 < 6000) = −𝑒 −8000 + 𝑒 −8000 = −𝑒 −0,75 + 𝑒 −0,5 = −0,47 + 0,61 = 0,14
Agora, podemos calcular o valor de uma lâmpada aleatório durar entre 4000 e 6000 horas:
𝑃(𝐴) = 0,15 × 0,4 + 0,14 × 0,6 = 0,144
Gabarito: C.
15. (FCC/2014 – TRT/16ª Região) Para responder às questões use, dentre as informações dadas abaixo, as
que julgar apropriadas.
Se e é a base dos logaritmos naturais, tem-se e-1 = 0,37, e-1,2 = 0,30, e-1,5 = 0,22, e-2 = 0,14.
Para fazer uma compra, via internet, uma pessoa escolhe entre duas grandes lojas de departamentos: A e B.
Suponha que em 40% dos casos essa pessoa escolha a loja A e em 60% dos casos escolha a B. Suponha que o
tempo de conexão, em minutos, para a efetivação da compra seja uma variável com distribuição exponencial
com médias 5 minutos e 4 minutos, respectivamente, para a compra em A e B. Nessas condições, a

Aula 09
probabilidade de ao fazer uma compra a loja escolhida ser B, dado que o tempo de efetivação da compra foi
superior a 6 minutos é igual a
a) 11/21
b) 11/26
c) 10/23
d) 10/11
e) 12/23
Comentários:
O enunciado pede a probabilidade de a compra ter sido feita no loja B, dado que o tempo para efetivá-la foi
superior a 6 minutos, 𝑃(𝐵|𝑡 > 6). Essa probabilidade pode ser calculada a partir do teorema de Bayes:
𝑃(𝑡 > 6|𝐵) × 𝑃(𝐵)

𝑃 (𝐵|𝑡 > 6) =
𝑃(𝑡 > 6|𝐴) × 𝑃 (𝐴) + 𝑃(𝑡 > 6|𝐵) × 𝑃(𝐵)
Para isso, o enunciado informa que:
• 40% escolhe a loja A: P(A) = 40% = 0,4

• 60% escolhe a loja B: P(B) = 60% = 0,6
• O tempo de compra na loja A segue distribuição exponencial com média 5 minutos. Logo:
1
𝐸(𝑋𝐴 ) = =5
𝜆𝐴
1
𝜆𝐴 =
5
• O tempo de compra na loja B segue distribuição exponencial com média 4 minutos. Logo:
1
𝐸(𝑋𝐵 ) = =4
𝜆𝐵
1
𝜆𝐵 =
4
Com esses dados e sabendo que 𝑃 (𝑋 > 𝑥 ) = 𝑒 −𝜆𝑥 , podemos calcular a probabilidade de o tempo de conexão
ser maior do 6 minutos em cada uma das lojas:
1
𝑃(𝑡 > 6|𝐴) = 𝑃(𝑋𝐴 > 6) = 𝑒 −5×6 = 𝑒 −1,2 ≅ 0,30


Aula 09
1
𝑃(𝑡 > 6|𝐵) = 𝑃(𝑋𝐵 > 6) = 𝑒 −4×6 = 𝑒 −1,5 ≅ 0,22
Logo, a probabilidade desejada é:
0,22 × 0,6 0,132 132 11

𝑃(𝐵|𝑡 > 6) = = = =
0,3 × 0,4 + 0,22 × 0,6 0,120 + 0,132 252 21
Gabarito: A
CESGRANRIO
16. (CESGRANRIO/2014 – EPE) Um equipamento eletrônico tem vida útil média de 10 anos. Supondo que
a vida útil do equipamento segue o comportamento de uma variável aleatória com distribuição exponencial,
qual é a probabilidade de esse equipamento ter vida útil acima de 12 anos?
a) exp(-120)
b) exp(-12)
c) exp(-1,2)
d) exp(-0,12)
e) exp(-0,012)
Comentários:
O enunciado informa que a variável segue distribuição exponencial com média E(X) = 10 anos. Então, o
parâmetro da distribuição é:
1
𝐸 (𝑋 ) = = 10
𝜆
1
𝜆= = 0,1
10
Logo, a probabilidade de a vida útil ser maior que x = 12 anos é:
𝑃(𝑋 > 𝑥 ) = 𝑒 −𝜆.𝑥
𝑃(𝑋 > 12) = 𝑒 −0,1×12 = 𝑒 −1,2 = exp {−1,2}
Gabarito: C


Aula 09
17. (CESGRANRIO/2014 – EPE) Um componente tem a vida útil (em horas) regida pela distribuição
exponencial com média θ horas. Qual a probabilidade de um dado componente atender à demanda de θ
horas?
a) 1/2
2
b) 𝑒 −𝜃
c) 𝑒 −𝜃
d) 𝑒 −1/2
e) 𝑒 −1
Comentários:
O enunciado informa que a variável segue distribuição exponencial com média E(X) = 𝜃 horas. Então, o
1
𝐸 (𝑋 ) = =𝜃
𝜆
1
𝜆=
𝜃
Logo, a probabilidade de o componente durar mais de x = 𝜃 horas é:
𝑃(𝑋 > 𝑥 ) = 𝑒 −𝜆.𝑥

1
𝑃(𝑋 > 𝜃) = 𝑒 −𝜃×𝜃 = 𝑒 −1
Gabarito: E


Aula 09
18. (CESGRANRIO/2013 – BNDES) O tempo de ligações telefônicas segue uma distribuição de

probabilidade exponencial com média de 3 minutos. Um sujeito chega a um telefone público e descobre que
a pessoa à sua frente está na ligação há pelo menos dois minutos.
Qual é a probabilidade de essa ligação durar pelo menos cinco minutos no total?
a) e-1
b) e-2
c) e-3
d) 1 – e-3
e) 1 – e-5
Comentários:
Essa questão trabalha com a propriedade sem memória da distribuição exponencial:
𝑃 (𝑋 > 𝑡 + 𝑠|𝑋 > 𝑠) = 𝑃(𝑋 > 𝑡)
Essa propriedade nos afirma que a probabilidade de a ligação durar mais de t + s = 5 minutos, dado que durou
mais de s = 2 minutos é igual à probabilidade de a ligação durar mais de t = 3 minutos.
Para isso, o enunciado informa que a média da distribuição é 𝐸(𝑋) = 3. Logo, o parâmetro da distribuição é:
1
𝐸 (𝑋 ) = =3
𝜆
1
𝜆=
3
E a probabilidade de a ligação durar mais de t = 3 minutos é dada por:
𝑃(𝑋 > 𝑡) = 𝑒 −𝜆.𝑡

1
𝑃(𝑋 > 3) = 𝑒 −3×3 = 𝑒 −1
Que é igual à probabilidade de a ligação durar pelo menos 5 minutos no total, sabendo que já durou pelo menos
2 minutos.
Gabarito: A


Aula 09
19. (CESGRANRIO/2014 – EPE) Uma companhia possui dois geradores elétricos. O tempo até a falha de
cada gerador se comporta segundo uma distribuição exponencial, com média de 10 anos. A companhia passa
a usar o segundo gerador tão logo o primeiro em funcionamento falhe.
Qual é a variância do tempo total em que os dois geradores produziram energia?
a) 200
b) 150
c) 100
d) 20
e) 10
Comentários:
O enunciado informa que a variável segue distribuição exponencial com média E(X) = 10 anos. Então, o
1
𝐸 (𝑋 ) = = 10
𝜆
1
𝜆= = 0,1
10
Portanto, a variância da distribuição é:
1 1 1
𝑉 (𝑋 ) = = = = 100
𝜆2 0,12 0,01
Considerando que os geradores são independentes, a variância da soma é a soma das variâncias:
𝑉 (𝑋1 + 𝑋2 ) = 𝑉(𝑋1 ) + 𝑉(𝑋2 ) = 100 + 100 = 200
Gabarito: A


Aula 09
Distribuição Normal
CEBRASPE
1. (CEBRASPE/2018 – Oficial Técnico de Inteligência da ABIN) Em uma fábrica de ferragens, o

departamento de controle de qualidade realizou testes na linha de produção de parafusos. Os testes
ocorreram em dois campos: comprimento dos parafusos e frequência com que esse comprimento fugia da
medida padrão. Historicamente, o comprimento médio desses parafusos é 3 cm, e o desvio padrão observado
é 0,3 cm. Foram avaliados 10.000 parafusos durante uma semana. Desses, 1.000 fugiram às especificações
técnicas da gerência: o comprimento do parafuso deveria variar de 2,4 cm a 3,6 cm. O chefe da linha de
produção, porém, insiste em afirmar que, em média, 4% da produção de parafusos fogem às especificações.
O departamento de controle de qualidade assume que os comprimentos dos parafusos têm distribuição
normal.
A partir dessa situação hipotética, julgue o item subsequente, considerando que Φ(1) = 0,841, Φ(1,65) = 0,95,
Φ(2) = 0,975 e Φ(2,5) = 0,994, em que Φ(z) é a função distribuição normal padronizada acumulada, e que
𝟎,𝟎𝟑𝟖𝟒
0,002 seja valor aproximado para √𝟏𝟎.𝟎𝟎𝟎.
Considere que o maior parafuso já encontrado na linha de produção tenha 3,75 cm de comprimento. Nesse
caso, a probabilidade de que um parafuso escolhido aleatoriamente tenha comprimento maior que esse será
superior a 1%.
Comentários:
Para calcular a probabilidade de P(X > 3,75), utilizamos a transformação para x = 3,75, com média de 3cm (𝜇 =
3) e desvio padrão de 0,3cm (𝜎 = 0,3):
𝑥−𝜇
𝑧=
𝜎
3,75 − 3 0,75
𝑧= = = 2,5
0,3 0,3
Observamos, pela tabela, que 𝑃(𝑍 ≤ 2,5) = 0,994. Logo:
𝑃(𝑍 > 2,5) = 1 − 𝑃(𝑍 ≤ 2,5) = 1 − 0,994 = 0,006 = 0,6%
Esse valor é inferior a 1%.
Gabarito: Errado. - Estatística - 2023 (Pré-Edital)

SEFAZ-BA 176

Aula 09
2. (CEBRASPE/2018 – Agente de Polícia Federal) O valor diário (em R$ mil) apreendido de contrabando
em determinada região do país é uma variável aleatória W que segue distribuição normal com média igual a
R$ 10 mil e desvio padrão igual a R$ 4 mil. Nessa situação hipotética, julgue o próximo item.
P(W > R$ 10 mil) = 0,5.
Comentários:
Considerando que a distribuição normal é simétrica em torno da média, então:
𝑃(𝑊 > 𝜇) = 0,5
50% 50%
Como 𝜇 = 10 𝑚𝑖𝑙, então:
𝑃(𝑊 > 10 𝑚𝑖𝑙) = 0,5
Gabarito: Certo.
em determinada região do país é uma variável aleatória W que segue distribuição normal com média igual a
𝑊−20
A razão segue distribuição normal padrão.
√4
Comentários:
Sendo W uma variável com distribuição normal e média 𝜇 = 10 e desvio padrão 𝜎 = 4 então a seguinte variável
seguirá distribuição normal padrão:
𝑊 − 𝜇 𝑊 − 10
𝑍= =
𝜎 4


Aula 09
𝑾−𝟐𝟎
Ou seja, não segue distribuição normal padrão.
√𝟒
Gabarito: Errado.
4. (CEBRASPE/2016 – TCE-PR) Se X for uma variável aleatória normal com média 0,8 e variância 0,4, e P(X
≤ x) representar a função de distribuição de probabilidade acumulada dessa variável X, para x ∈ R, então
𝑋−0,8
a) A razão será uma variável aleatória normal padrão.
0,4
b) O coeficiente de variação de X será inferior a 0,4
c) A moda de X será inferior a 0,6
d) P(X = 0,8) = P(X = 0,1)
e) P(X ≤ 0,7) < P(X ≥ 0,9)
Comentários:
Sendo X uma variável com distribuição normal e média 𝜇 = 0,8 e variância 𝜎 2 = 0,4 (portanto, desvio padrão
𝜎 = √0,4), então a seguinte variável seguirá distribuição normal padrão:
𝑋 − 𝜇 𝑋 − 0,8
𝑍= =
𝜎 √0,4
𝑋−0,8
Ou seja, a razão não é uma variável normal padrão e a alternativa A está incorreta.
0,4
O coeficiente de variação é a razão:
𝜎 √0,4
𝐶𝑉 = = ≅ 0,79
𝜇 0,8
Que é superior a 0,4, logo a alternativa B está incorreta.
A moda de uma distribuição normal é igual à média, no caso, 𝜇 = 0,8, que é superior a 0,6, logo a alternativa C
está incorreta.
A probabilidade P(X = 0,8) é a mesma que P(X = 0,1), pois como a variável é contínua, a probabilidade de se
observar um valor específico (qualquer valor que seja) é nula:
P(X = 0,8) = P(X = 0,1) = 0


Aula 09
Por fim, como a distribuição normal é simétrica, a probabilidade de a distribuição se distanciar da média em
mais de 0,1 para ambos os lados é a mesma, ou seja:
P(X ≤ 0,7) = P(X ≥ 0,9)
P(X ≤ 0,7) P(X ≥ 0,9)
0,7 0,8 0,9

Gabarito: D.
5. (CEBRASPE/2015 – FUB) Em um estudo, determinou-se que a medida representada pela variável

aleatória X segue a distribuição normal com média 1e variância 4 e que a função de densidade dessa variável
é expressa por:
em que x é um número real. Com base nos dados desse estudo, julgue o item a seguir, considerando
que Φ(0,674) = 0,750, Φ(2,0) = 0,977 e Φ(3,0) = 0,999, em que Φ(z) representa a função de
distribuição acumulada da distribuição normal padrão.
É correto afirmar que P(|X| < 5) = 0,954.
Comentários:
A probabilidade P(|X| < 5) corresponde a:
P(|X| < 5) = P(-5 < X < 5)
Sabendo que a média de X é 𝜇 = 1 e a variância é V(X) = 4, logo, o desvio padrão é 𝜎 = √𝑉(𝑋) = 2, então a
transformação para a normal padrão para x = 5 é:
𝑥−𝜇 5−1
𝑧= = =2
𝜎 2
E para x = -5 é:


Aula 09
−5 − 1
𝑧= = −3
2
Logo, a probabilidade desejada equivale a:
P(-5 < X < 5) = P(-3 < Z < 2) = P(Z < 2) – P(Z < -3)
Pelos valores fornecidos, observamos que P(Z < 2) = 0,977. Além disso, pela simetria da normal padrão, temos:
P(Z < -3) = P(Z > 3)
Sabendo que P(Z < 3) = 0,999, então o seu complementar é:
P(Z < -3) = P(Z > 3) = 1 – P(Z < 3) = 1 – 0,999 = 0,001

==3e713==
Logo, a probabilidade desejada é:
P(-5 < X < 5) = P(Z < 2) – P(Z < -3) = 0,977 – 0,001 = 0,976
Portanto, o item está errado. O valor fornecido corresponde à probabilidade de P(|Z| < 2), ou seja, de P(-2 < Z
< 2).
Gabarito: Errado.

é expressa por:
1
A probabilidade de se observar o evento [X = 1] é igual a 2√2.𝜋.
Comentários:
Por se tratar de uma variável contínua, a probabilidade de se observar um valor específico, qualquer que seja,
é igual a zero.
Gabarito: Errado.

Aula 09

é expressa por:
O terceiro quartil da distribuição X é igual a 2,348.
Comentários:
O terceiro quartil Q3 está associado à probabilidade de:
P(X < Q3) = 0,75
Pelos valores fornecidos, observamos que P(Z < 0,674) = 0,75.
Sabendo que a média de X é 𝜇 = 1 e a variância é V(X) = 4, logo, o desvio padrão é 𝜎 = √𝑉(𝑋) = 2, então a
transformação de z = 0,674 para X é:
𝑥−𝜇
𝑧=
𝜎
𝑥−1
0,674 =
2
𝑥 = 2 × 0,674 + 1 = 2,348
Gabarito: Certo.


Aula 09
FGV
8. (FGV/2017 – MPE/BA) O tempo para a tramitação de certo tipo de procedimento aberto pelo
Ministério Público, em um dado instante, é uma variável aleatória com distribuição normal, tendo média igual
de 10 meses e desvio-padrão de 3 meses. Um novo grupo de procuradores, recém-chegados à instituição,
deve cuidar de alguns procedimentos, que serão sorteados dentre os que já têm mais de 7 meses de duração.
Sobre a função acumulada da normal são dados os valores: Ø(1) = 0,80 , Ø(1,5) = 0,92 e Ø(2,0) = 0,98
Com tais informações, a probabilidade de que um procedimento com mais de 16 meses seja selecionado é
igual a:
a) 2,0%
b) 2,5%
c) 5,0%
d) 8,0%
e) 10,0%
Comentários:
A questão pede a probabilidade de o procedimento ter mais de 16 meses, sabendo que foi selecionado dentre
os processos com mais de 7 meses (probabilidade condicional), dada por:
𝑃(𝑋 > 16 ∩ 𝑋 > 7)

𝑃(𝑋 > 16|𝑋 > 7) =
𝑃(𝑋 > 7)
Considerando que um processo que tem mais de 16 meses terá, necessariamente, mais de 7 meses, então
𝑃(𝑋 > 16 ∩ 𝑋 > 7) = 𝑃(𝑋 > 16), logo:
𝑃(𝑋 > 16)

𝑃(𝑋 > 16|𝑋 > 7) =
𝑃(𝑋 > 7)
Essas probabilidades podem ser calculadas, considerando a informação de que o tempo de tramitação segue
distribuição normal com média 𝜇 = 10 meses e desvio padrão 𝜎 = 3 meses. A probabilidade P(X > 16) pode ser
calculada pela seguinte transformação:
𝑥 − 𝜇 16 − 10 6
𝑧= = = =2
𝜎 3 3
O enunciado informa que P(Z < 2) = 0,98. Logo, a probabilidade P(Z > 2) é complementar:
𝑃(𝑍 > 2) = 1 − 𝑃(𝑍 < 2) = 1 − 0,98 = 0,02


Aula 09
E a probabilidade P(X > 7) pode ser calculada pela seguinte transformação:
𝑥 − 𝜇 7 − 10 −3
𝑧= = = = −1
𝜎 3 3
O enunciado informa que P(Z < 1) = 0,8. Logo, pela simetria da normal padrão, temos:
𝑃(𝑍 > −1) = 𝑃(𝑍 < 1) = 0,8
Substituindo esses resultados na probabilidade condicional, temos:
𝑃(𝑋 > 16) 0,02 1

𝑃(𝑋 > 16|𝑋 > 7) = = = = 2,5%
𝑃(𝑋 > 7) 0,8 40
Gabarito: B
9. (FGV/2015 – TCM-SP) Uma cuidadosa pesquisa de preços sobre os custos da construção civil, mais
especificamente para a edificação de certos tipos de infraestruturas públicas, demonstrou que o valor por
metro quadrado tem distribuição próxima da Normal com média de R$1.600 e variância 14.400. São
fornecidos também valores da distribuição normal padrão e respectivas probabilidades, conforme abaixo:
Suponha que, para fins de fiscalização, o Tribunal de Contas do Município de São Paulo tenha convencionado
que, dentre todas as obras, as 10% mais caras deveriam passar por um exame ainda mais detalhado. Então,
isso significa que o critério estabelecido determina, estatisticamente, que uma obra deverá receber um
tratamento mais rigoroso quando o custo por metro quadrado for superior a:
a) R$ 1,403,20;
b) R$ 1.446,40;
c) R$ 1.753,60;
d) R$ 1.796,80;
e) R$ 1.835,20.
Comentários:


Aula 09
Observe que a questão apresenta valores de P(|Z| > z). Ou seja, valores para o seguinte intervalo de valores da
curva normal padrão:
P(|Z| > z) = P(Z < -z ou Z > z) = P(Z < -z) + P(Z > z)
𝑃(𝑍 < −𝑧) 𝑃(𝑍 > 𝑧)
−𝑧 𝑧
O enunciado informa que 10% das obras mais caras devem receber tratamento mais rigoroso. Ou seja,
precisamos do valor associado à probabilidade:
P(Z > z) = 10%
Pela simetria da curva normal, temos:
P(Z < -z) = 10%
Então, devemos buscar na tabela o valor de z associado à seguinte probabilidade:
P(|Z| > z) = P(Z < -z) + P(Z > z) = 10% + 10% = 20%
Pela tabela, observamos que esse valor é z = 1,28.
O enunciado informa, ainda, que a variância da distribuição é 𝜎 2 = 14.400. Logo, o desvio padrão é:
𝜎 = √𝜎 2 = √14400 = 120
Considerando que a média é 𝜇 = 1600, conforme enunciado, então o valor de x buscado é:
𝑥−𝜇
𝑧=
𝜎
𝑥 − 1600
1,28 =
120
𝑥 = 120 × 1,28 + 1600 = 153,60 + 1600 = 1753,60
Gabarito: C


Aula 09
10. (FGV/2015 – TJ-BA) Sejam Y e W variáveis aleatórias independentes, ambas com distribuição normal,
com médias μy = 2 e μW = 4 e com variâncias dadas por 𝝈𝟐 y = 9 e 𝝈𝟐 W = 16
a) P(Y > 4) > P(W < 2);
b) P(Y < -4) = P(W < -4);
c) P(|Y| < 2) > P(|W| > 4);
d) P(2Y – W > -1) < 0,5;
e) P(Y + W < 6) < 0,5 e P(W – Y > 3) > 0,5.
Comentários:
O enunciado informa as variâncias das distribuições: 𝜎 2 y = 9 e 𝜎 2 W = 16. Os desvios-padrão são, portanto:
𝜎𝑦 = √𝜎𝑦2 = 3
𝜎𝑤 = √𝜎𝑤2 = 4
O enunciado informa, ainda, que as médias são μy = 2 e μW = 4.
Em relação à alternativa A, o valor de y = 4 está associado ao seguinte valor de z da normal padrão:
𝑦−𝜇 4−2 2
𝑧= = =
𝜎 3 3
Logo:
2
P(Y > 4) = P(Z > 3)
E o valor de w = 2 está associado ao seguinte valor de z da normal padrão:
𝑤 − 𝜇 2 − 4 −2 1
𝑧= = = =−
𝜎 4 4 2
Logo:
1
P(W < 2) = P(Z < − 2)
1
P(W < 2) = P(Z > 2)

Aula 09
2 1 2 1
Como 3 > 2 (ou seja, 3 está mais distante da média do que 2), então:
2 1
P(Z > 3) < P(Z > 2)
Ou seja, P(Y > 4) < P(W < 2). Logo, a alternativa A está incorreta.
Em relação à alternativa B, o valor de y = -4 está associado ao seguinte valor de z da normal padrão:
𝑦 − 𝜇 −4 − 2 −6
𝑧= = = = −2
𝜎 3 3
Logo:
P(Y < -4) = P(Z < -2)
E o valor de w = -4 está associado ao seguinte valor de z da normal padrão:
𝑤 − 𝜇 −4 − 4 −8
𝑧= = = = −2
𝜎 4 4
Logo:
P(W < -4) = P(Z < -2)
Ou seja:
P(Y < -4) = P(W < -4)
Portanto, a alternativa B está correta, mas vejamos as demais alternativas.
Em relação à alternativa C, a probabilidade P(|Y| < 2) corresponde ao seguinte intervalo:
P(|Y| < 2) = P(-2 < Y < 2)
O valor de y = 2 corresponde ao seguinte valor de z da curva normal padrão:
𝑦−𝜇 2−2
𝑧= = =0
𝜎 3
E o valor de y = -2 corresponde ao seguinte valor de z:
𝑦 − 𝜇 −2 − 2 4
𝑧= = =−
𝜎 3 3
Logo, a probabilidade P(|Y| < 2) corresponde ao seguinte intervalo da normal padrão:
4
P(|Y| < 2) = P(-2 < Y < 2) = P(− < Z < 0) 186

Aula 09
Esse intervalo corresponde à seguinte região:
4
𝑃 ൬− < 𝑍 < 0൰
3
4
−
3 0
Já, a probabilidade P(|W| > 2) corresponde ao seguinte intervalo:
P(|W| > 4) = P(W < -4 ou W > 4) = P(W < -4) + P(W > 4)
O valor de w = 4 está associado ao seguinte valor de z da normal padrão:
𝑤−𝜇 4−4
𝑧= = =0
𝜎 4
E o valor de w = -4 está associado ao seguinte valor de z:
𝑤 − 𝜇 −4 − 4
𝑧= = = −2
𝜎 4
Logo, a probabilidade P(|W| > 2) corresponde ao seguinte intervalo da normal padrão:
P(|W| > 4) = P(W < -4) + P(W > 4) = P(Z < -2) + P (Z > 0)
Esse intervalo corresponde à seguinte região:
𝑃(𝑍 > 0) = 0,5
𝑃(𝑍 < −2)
−2 0
Ou seja, enquanto P(|Y| < 2) é menor que 0,5, P(|W| > 4) é maior que 0,5, logo:
P(|Y| > 2) < P(|W| > 4)


Aula 09
Em relação à alternativa D, a distribuição 2Y – W apresenta a seguinte média, conforme propriedades da

esperança:
E(2Y – W) = 2.E(Y) – E(W)
Sendo E(Y) = 2 e E(W) = 4, conforme o enunciado:
E(2Y – W) = 2 x 2 – 4 = 0
E, sabendo que as variáveis são independentes, então a distribuição 2Y – W apresenta a seguinte variância,
conforme propriedades da variância:
V(2Y – W) = V(2Y) – V(W) = 4V(Y) – V(W)
Sendo V(Y) = 9 e V(W) = 16, conforme enunciado, então:
V(2Y – W) = 4 x 9 – 16 = 20
O desvio padrão, então, é 𝜎 = √20
Sendo 𝜇 = 0 e 𝜎 = √20, o valor de x = -1 está associado ao seguinte valor de z da curva normal padrão:
𝑥−𝜇 1
𝑧= =− ≅ −0,22
𝜎 √20
Logo, P(2Y – W > -1) = P(Z > -0,22). Essa probabilidade é maior que 0,5. Logo, a alternativa D está incorreta.
Em relação à alternativa E, a distribuição Y + W apresenta a seguinte média:
E(Y + W) = E(Y) + E(W) = 2 + 4 = 6
Logo, o valor de x = 6 está associado ao valor de z = 0. Ou seja:
P(Y + W < 6) = P(Z < 0) = 0,5
Portanto, a primeira parte da alternativa está incorreta. Em relação à segunda parte, a distribuição W – Y
apresenta a seguinte média e variância:
E(W – Y) = E(W) – E(Y) = 4 – 2 = 2
V(W – Y) = V(W) + V(Y) = 9 + 16 = 25
Logo, o desvio padrão é 𝜎 = √25 = 5. Então, para 𝜇 = 2 e 𝜎 = 5, o valor de x = 3 está associado ao seguinte
valor de z da normal padrão:
𝑥−𝜇 3−2
𝑧= = = 0,2
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 𝜎 5 188

Aula 09
Ou seja:
P(W – Y > 3) = P(Z > 0,2) < 0,5
Gabarito: B
11. (FGV/2016 – IBGE) A distribuição das alturas dos indivíduos de uma população é aproximadamente
Normal, com média 1,70 m e variância 0,01. Adicionalmente, não havendo, na população, pessoas com alturas
inferiores a 1,50 m nem superiores a 1,90 m, essa distribuição é truncada nos extremos.
São fornecidas também as seguintes informações: ɸ (1)≅ 0,84 e ɸ (2) ≅ 0,98, ɸ (z) = função distribuição
acumulada da Normal Padrão.
Então a probabilidade de que um indivíduo da população, sorteado ao acaso, tenha altura entre 1,60 m e 1,80
m é:
23
a) (24);
21
b) (24);
21
c) (23);
17
d) (24);
17
e) (23);
Comentários:
O enunciado informa que a altura de indivíduos segue distribuição aproximadamente normal, com média 𝜇 =
1,70 e variância 𝜎 2 = 0,01. Assim, o desvio padrão é:
𝜎 = √𝜎 2 = √0,01 = 0,1
O enunciado pede a probabilidade de sortear um indivíduo com altura entre 1,60 e 1,80. A transformação para
a Normal Padrão de x = 1,80 é:
𝑥 − 𝜇 1,80 − 1,70
𝑧= = =1
𝜎 0,1


Aula 09
Como 1,60 está equidistante em relação à média, temos z = -1. Logo, a probabilidade associada ao intervalo
P(1,60 < X < 1,80) corresponde à probabilidade P(-1 < Z < 1). Sabendo que P(Z < 1) = 0,84 (dado fornecido),
temos:
𝑃(𝑍 < 1) = 𝑃(𝑍 < 0) + 𝑃(0 < 𝑍 < 1)
0,84 = 0,5 + 𝑃(0 < 𝑍 < 1)
𝑃(0 < 𝑍 < 1) = 0,34
Logo, a probabilidade P(-1 < Z < 1) é o dobro:
𝑃(−1 < 𝑍 < 1) = 2 × 𝑃(0 < 𝑍 < 1) = 2 × 0,34 = 0,68
Se tivéssemos uma distribuição perfeitamente normal, já teríamos a resposta buscada. Porém, o enunciado
informa que a distribuição é truncada nos extremos, pois não há indivíduos com mais de 1,90 ou menos de 1,50.
Isso significa que toda a distribuição (100%) está contida no intervalo (1,50; 1,90).
Na normal padrão, x = 1,90 está associado à seguinte transformação:
𝑥 − 𝜇 1,90 − 1,70
𝑧= = =2
𝜎 0,1
Como 1,50 está equidistante em relação à média, temos z = -2. Ou seja, 100% da distribuição está concentrada
no intervalo -2 < Z < 2. Sabendo que P(Z < 2) = 0,98 (dado fornecido), temos:
𝑃(𝑍 < 2) = 𝑃(𝑍 < 0) + 𝑃(0 < 𝑍 < 2)
0,98 = 0,5 + 𝑃(0 < 𝑍 < 2)
𝑃(0 < 𝑍 < 2) = 0,48
Logo, a probabilidade P(-2 < Z < 2) é o dobro:
𝑃(−2 < 𝑍 < 2) = 2 × 𝑃(0 < 𝑍 < 2) = 2 × 0,48 = 0,96
Então, a probabilidade associada ao intervalo 1,60 < X < 1,80 é1:
1 Para entender a lógica por trás da divisão, você pode pensar em regra de 3:
0,68 → 𝑥
0,96 → 1
Ou, pode considerar que se trata de uma probabilidade condicional: deseja-se obter a probabilidade associada ao intervalo
(1,60;1,80), sabendo que o indivíduo tem altura no intervalo (1,50;1,90):
𝑃(1,60 < 𝑋 < 1,80) 0,68
𝑃(1,60 < 𝑋 < 1,80|1,50 < 𝑋 < 1,90) = = 190
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 𝑃(1,50 < 𝑋 < 1,90) 0,98

Aula 09
0,68 17
𝑃= =
0,96 24
Gabarito: D.
FCC
12. (FCC/2019 – Auditor Fiscal da SEFAZ/BA) Durante um período de tempo, registrou-se em uma fábrica
a quantidade diária de óleo (Q) em litros consumida para a produção de um produto. Concluiu-se que a
população formada por estas quantidades é normalmente distribuída com média igual a 50 litros por dia.
Sabe-se que 5% dos valores destas quantidades são inferiores a 41,8 litros e 90% possuem um valor de no
máximo x litros. O valor de x é igual a
a) 58,2
b) 56,4
c) 59,8
d) 57,3
e) 54,2
Comentários:
A questão não informou o desvio padrão para aplicarmos a transformação para a normal padrão. Porém,
podemos obtê-lo a partir da média e da informação de que 5% das quantidades são inferiores a 41,8L.
Pela tabela, podemos observar que z = 1,64 deixa 5% da distribuição acima.
5%
95%
1,64


Aula 09
Pela simetria em torno de zero da curva normal padrão, z = -1,64 deixa 5% da distribuição abaixo.
5%
95%
-1,64
Portanto, temos:
𝑥−𝜇
𝑧=
𝜎
41,8 − 50
−1,64 =
𝜎
8,2
𝜎= =5
1,64
Agora, podemos utilizar a transformação para calcular o valor de x, que representa o limite máximo de 90% da
distribuição. Pela tabela, observamos que o valor de z correspondente é z = 1,28, logo:
𝑥 − 50
1,28 =
5
𝑥 − 50 = 6,4
𝑥 = 56,4
Gabarito: B
13. (FCC/2019 – Auditor Fiscal de Tributos da SEMEF/Manaus) Uma grande população formada pelos
comprimentos de determinadas peças é normalmente distribuída com média μ igual a 20 centímetros.
Observa-se que 84% das peças da população possuem um comprimento inferior a 25 centímetros.


Aula 09
Se 90% das peças possuem um comprimento superior a x centímetros, então, x é igual a
a) 12,2
b) 13,6
c) 11,8
d) 15,8
e) 14,7
Comentários:
A questão não informou o desvio padrão para aplicarmos a transformação para a normal padrão. Porém,
podemos obtê-lo a partir da média e da informação de que 84% das peças são menores que 25cm:
84%
25cm
Isso significa que 34% das peças entre a média (𝜇 = 20 cm) e 25 cm:
34%
50%
𝜇 = 20 25
Pela tabela, podemos observar que o valor de z para o qual P(0 < Z < z) = 34% = 0,34 é z = 1, pois P(0 < Z < 1) =
0,34. Portanto, temos:
𝑥−𝜇
𝑧=
𝜎
25 − 20
1=
𝜎
𝜎=5

Aula 09
Agora, podemos utilizar a transformação para calcular o valor de x, que representa o limite mínimo de 90% da
distribuição:
90%
xmin
Isso corresponde a 40% da distribuição entre x e a média:
40% 50%
xmin 𝜇 = 20
Pela tabela, observamos que o valor de z para o P(0 < Z < z) = 40% = 0,4 é z = 1,28, pois P(0 < Z < 1,28) = 0,4. Pela
simetria, z = -1,28 corresponde ao valor desejado:
40% 40%
-z 0 z
𝑥 − 20
−1,28 =
5
𝑥 − 20 = −6,4
𝑥 = 13,6
Gabarito: B


Aula 09
14. (FCC/2017 – Analista Judiciário do TRT/11ª Região) Se Z tem distribuição normal padrão, então:
P(Z < 0,4) = 0,655; P(Z < 0,67) = 0,75; P(Z < 1,4) = 0,919; P(Z < 1,6) = 0,945;
P(Z < 1,64) = 0,95; P(Z < 1,75) = 0,96; P(Z < 2) = 0,977; P(Z < 2,05) = 0,98
A porcentagem do orçamento gasto com educação nos municípios de certo estado é uma variável aleatória X
com distribuição normal com média μ(%) e variância 4(%)2. Um gasto em educação superior a 10% tem
probabilidade de 4%. Nessas condições, o valor de μ é igual a
a) 5,50%
b) 6,20%
c) 7,35%
d) 6,50%
e) 7,85%
Comentários:
Se 4% dos gastos superam o percentual de 10%, então 96% dos gastos são inferiores a esse valor:
96%
4%
10%
Pela tabela, observamos que isso corresponde a z = 1,75, pois P(Z < 1,75) = 0,96. Aplicando a transformação
para x = 10%, variância 𝜎 2 = 4, ou seja, desvio padrão 𝜎 = 2, temos:
𝑥−𝜇
𝑧=
𝜎
10% − 𝜇
1,75 =
2%
10% − 𝜇 = 3,5%
𝜇 = 6,5%
Gabarito: D.

Aula 09
15. (FCC/2018 – Analista Judiciário do TRT/2ª Região) Em uma grande cidade, a população formada pela
altura de seus habitantes adultos é normalmente distribuída e considerada de tamanho infinito.
Sabe-se que 5% destes habitantes têm altura superior a 180 cm. Se apenas 2,5% destes habitantes têm altura
inferior a 162 cm, então a média desta população é de
a) 171,2
b) 171,8
c) 171,4
d) 171,6
e) 172,0
Comentários:
A questão não informou a média ou o desvio padrão, mas podemos obtê-los a partir das informações fornecidas.
Se 5% da população tem altura superior a 180cm, então, devemos buscar o valor de z que deixa 5% acima de z
e 5% abaixo de -z:
90%
5% 5%
-z z
Portanto, precisamos do valor de z tal que:
𝑃(|𝑍| ≤ 𝑧) = 𝑃(−𝑧 ≤ 𝑍 ≤ 𝑧) = 1 − 𝛼 = 90%
𝛼 = 10%
Pela fornecida, observamos que esse valor é z = 1,64. Logo, temos:
𝑥−𝜇
𝑧=
𝜎


Aula 09
180 − 𝜇
1,64 =
𝜎
180 − 𝜇
𝜎=
1,64
Se 2,5% da população tem altura inferior a 162cm, então agora temos 𝛼 = 2,5% + 2,5% = 5%:
95%
2,5% 2,5%
-z z
Pela tabela fornecida, observamos que o valor de Z que está associado a 𝛼 = 5% é z = 1,96. Pela simetria da
normal padrão, o valor x = 162 cm está associado a z = -1,96
162 − 𝜇
−1,96 =
𝜎
162 − 𝜇
𝜎=
−1,96
Igualando o desvio padrão pelas duas equações, temos:
180 − 𝜇 162 − 𝜇
𝜎= =
1,64 −1,96
1,64 × 162 − 1,64 × 𝜇 = −1,96 × 180 + 1,96 × 𝜇
3,6𝜇 = 1,96 × 180 + 1,64 × 162
𝜇 = 171,8
Gabarito: B
P(Z < 0,4) = 0,655; P(Z < 0,67) = 0,75; P(Z < 1,4) = 0,919; P(Z < 1,6) = 0,945;
P(Z < 1,64) = 0,95; P(Z < 1,75) = 0,96; P(Z < 2) = 0,977; P(Z < 2,05) = 0,98


Aula 09
O diâmetro de uma peça produzida por uma indústria metalúrgica é uma variável aleatória X, normal, com
média de 10 cm e primeiro quartil igual a 7,99 cm. Todas as peças desta produção que distam da média por
mais do que 4,2 cm são vendidas como sucata. Nessas condições, a proporção de peças da produção que será
vendida como sucata é igual a
a) 15,6%
b) 12,4%
c) 8,1%
d) 8,7%
e) 16,2%
Comentários:
O primeiro quartil da normal padrão corresponde à probabilidade P(Z < z) = 0,25, em que z < 0. Pela simetria,
temos P(Z < -z) = 0,75.
0,25 0,25
-z z
0,75
Pela tabela fornecida, observamos que -z = 0,67, pois P(Z < 0,67) = 0,75, logo, z = -0,67.
Sendo o primeiro quartil igual a 7,99cm e a média igual a 10cm, então o desvio padrão é dado por:
𝑥−𝜇
𝑧=
𝜎
7,99 − 10
−0,67 =
𝜎
−2,01
𝜎= =3
−0,67
Nessas condições, a transformação para a normal padrão em relação a x = 14,2 cm é:
14,2 − 10
𝑧= = 1,4
3

Aula 09
Pela tabela, observamos que P(Z < 1,4) = 0,919, logo, P(Z > 1,4) = 1 – 0,919 = 0,081. Pela simetria, temos:
𝑃(𝑍 < −1,4 ∪ 𝑍 > 1,4) = 2 × 0,081 = 0,162
Portanto, 16,2% das peças são vendidas como sucata.
Gabarito: E.
17. (FCC/2015 – TER/RR) Se Z tem distribuição normal padrão, então: P(Z < 1) = 0,841; P(Z < 1,28) = 0,90;
P(Z < 1,5) = 0,933; P(Z < 1,8) = 0,964.
O diâmetro de uma peça é uma variável aleatória X, com distribuição normal com média μ (cm) e variância
igual a 2,25(cm)2.
Ao vender a peça, o lucro obtido pelo fabricante é de 50 reais se X se distanciar de sua média por, no máximo,
1,5 cm e, é de −10 reais caso contrário. Nessas condições, o lucro esperado por peça do fabricante é, em reais,
igual a
a) 25,40
b) 32,80
c) 30,92
d) 28,50
e) 32,84
Comentários:
O valor esperado do lucro é a soma dos possíveis valores de lucro multiplicados pelas respectivas
probabilidades:
𝐸(𝐿) = 50 × 𝑃(−1,5 < 𝑋 − 𝜇 < 1,5) + (−10) × 𝑃(𝑋 − 𝜇 < −1,5 ∪ 𝑋 − 𝜇 > 1,5)
O enunciado informa que a variância da peça é V(X) = 2,25, logo o desvio padrão é:
𝜎 = √𝑉(𝑋) = √2,25 = 1,5
Portanto, a transformação para a normal padrão de 𝑥 − 𝜇 = 1,5 é:
𝑥 − 𝜇 1,5
𝑧= = =1
𝜎 1,5
Analogamente, para
SEFAZ-BA 𝑥 − 𝜇 =- −1,5
- Estatística a transformação é z = -1, logo o lucro esperado é dado por:
2023 (Pré-Edital) 199

Aula 09
𝐸(𝐿) = 50 × 𝑃(−1 < 𝑍 < 1) − 10 × 𝑃(𝑍 < −1 ∪ 𝑍 > 1)
A probabilidade 𝑃(−1 < 𝑍 < 1) pode ser calculada como:
𝑃(−1 < 𝑍 < 1) = 𝑃(𝑍 < 1) − 𝑃(𝑍 < −1)
Pela simetria da normal padrão, a probabilidade 𝑃(𝑍 < −1) é:
𝑃(𝑍 < −1) = 𝑃(𝑍 > 1) = 1 − 𝑃(𝑍 < 1)
Pela tabela fornecida, temos P(Z < 1) = 0,841, logo:
𝑃(𝑍 < −1) = 1 − 0,841 = 0,159
𝑃(−1 < 𝑍 < 1) = 0,841 − 0,159 = 0,682
E a probabilidade 𝑃(𝑍 < −1 ∪ 𝑍 > 1) é complementar:
𝑃(𝑍 < −1 ∪ 𝑍 > 1) = 1 − 𝑃(−1 < 𝑍 < 1) = 1 − 0,682 = 0,318
Logo, o lucro esperado é:
𝐸(𝐿) = 50 × 0,682 − 10 × 0,318 = 34,1 − 3,18 = 30,92
Gabarito: C
VUNESP
18. (VUNESP/2015 – TJ-SP) Em uma indústria, certo produto é embalado, e o peso médio com a
embalagem é de 600 g com distribuição normal, e o desvio padrão, 1,5 g. Há um setor de controle que
considera fora do padrão para comercialização embalagens com menos de 597 g ou mais de 603 g. Em cada
lote de 1 000 embalagens que passam por esse setor de controle, espera-se um número n de embalagens fora
do padrão. Assinale a alternativa que apresenta o número mais próximo de n.
a) 23
b) 26
c) 30
d) 33
e) 46

Aula 09
Para esta e para as próximas questões, considere a seguinte tabela, constante nas respectivas provas.
Comentários:
Note que ambos os valores 603g e 597g apresentam a mesma distância de 3g em relação à média de 600g. Logo,
basta calcularmos 𝑧 para um desses valores, pois o outro será −𝑧.


Aula 09
Sendo 𝜇 = 600 e 𝜎 = 1,5, temos a seguinte transformação para 𝑥 = 603:
𝑥 − 𝜇 603 − 600 3
𝑧= = = =2
𝜎 1,5 1,5
Pela tabela, que apresenta a probabilidade 𝑃(0 < 𝑍 < 𝑧), temos:
𝑃(0 < 𝑍 < 2) = 0,4772
Pela simetria da curva normal, temos:
𝑃(−2 < 𝑍 < 0) = 0,4772
Logo, a probabilidade de o produto estar no intervalo correspondente a −2 < 𝑍 < 2 é a soma dessas
probabilidades:
𝑃(−2 < 𝑍 < 2) = 𝑃(−2 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 2) = 0,4772 + 0,4772 = 0,9544
Portanto, a probabilidade de o produto estar fora do padrão é complementar:
𝑃(𝑍 < −2 𝑜𝑢 𝑍 > 2) = 1 − 𝑃(−2 < 𝑍 < 2) = 1 − 0,9544 = 0,0456
Logo, a cada 1000 peças, o número esperado de peças fora do padrão é:
1000 × 0,0456 = 45,6 ≅ 46
Gabarito: E
19. (VUNESP/2014 – TJ-PA) Supondo que em uma amostra de 4 baterias automotivas tenha-se calculado
o tempo de vida média de 4 anos. Sabe-se que o tempo de vida da bateria é uma distribuição normal com
desvio padrão de 1 ano e meio.
Supondo que a média de todas as baterias seja de 4 anos, com o desvio padrão de 1 ano e meio, se a fábrica
de baterias dá 2 anos de garantia, a porcentagem de baterias trocadas será de aproximadamente:
a) 12%
b) 9%
c) 7%
d) 5%
e) 2%

Aula 09
Comentários:
A porcentagem de baterias trocadas corresponde à probabilidade de a bateria durar menos de 2 anos.
Sendo 𝜇 = 6 e 𝜎 = 1,5, temos a seguinte transformação para 𝑥 = 2:
𝑥 − 𝜇 2 − 4 −2
𝑧= = = = −1,33
𝜎 1,5 1,5
Pela tabela, observamos que P(0 < Z < 1,33) = 0,40824. Pela simetria, temos:
𝑃(−1,33 < 𝑍 < 0) = 0,40824
A probabilidade de a bateria durar menos de 2 anos corresponde a P(Z < -1,33). Sabendo que P(Z < 0) = 0,5,
então:
𝑃(𝑍 < −1,33) = 0,5 − 𝑃(−1,33 < 𝑍 < 0) = 0,5 − 0,40824 = 0,09176 ≅ 9%
Gabarito: B
20. (VUNESP/2015 – TJ-SP) Em uma distribuição normal, em que 9% dos dados estão acima de 20, e 15%
dos dados estão abaixo de 10, os valores mais próximos da média e do desvio padrão são, respectivamente,
a) 10,1 e 2,2.
b) 11,3 e 2,5.
c) 13,1 e 3,2.
d) 13,5 e 3,3.
e) 14,4 e 4,2.
Comentários:
Pela simetria da curva normal, sabemos que 50% dos dados estão acima da média. Então, se 9% dos dados estão
acima de 20, então entre a média e esse valor temos a seguinte proporção:
50% - 9% = 41% = 0,41
Pela tabela fornecida, podemos observar que o valor de z c que delimita a probabilidade mais próxima de P(0 <
Z < zc) = 0,41 é zc = 1,34, pois P(0 < Z < 1,34) = 0,40988.


Aula 09
Ou seja, o valor de x = 20 corresponde a z = 1,34:
𝑥−𝜇
𝑧=
𝜎
20 − 𝜇
1,34 =
𝜎
Analogamente, se 15% dos dados estão abaixo de 10, então entre a média e esse valor temos a seguinte
proporção:
50% - 15% = 35% = 0,35
Pela tabela fornecida, podemos observar que o valor de z c que delimita a probabilidade mais próxima de P(0 <
Z < zc) = 0,35 é zc = 1,04, pois P(0 < Z < 1,04) = 0,35083.
Como x = 10 está abaixo da média, utilizamos z = -1,04:
10 − 𝜇
−1,04 =
𝜎
−10 + 𝜇
1,04 =
𝜎
Vamos isolar o desvio padrão para igualar as duas equações:
20 − 𝜇 −10 + 𝜇
𝜎= =
1,34 1,04
1,04 × (20 − 𝜇) = 1,34 × (−10 + 𝜇)
20,8 − 1,04. 𝜇 = −13,4 + 1,34. 𝜇
34,2 = 2,38. 𝜇
𝜇 ≅ 14,4
Agora, podemos calcular o desvio padrão:
20 − 𝜇 20 − 14,4 5,4
𝜎= = = ≅ 4,2
1,34 1,34 1,34
Gabarito: E


Aula 09
CESGRANRIO
21. (CESGRANRIO/2012 – Petrobras) Considere que, no verão, o valor das vendas de determinada loja, nas
sextas-feiras que sejam dias úteis, tem uma distribuição de probabilidades normal, com média igual a R$
10.000,00 e desvio padrão de R$ 2.000,00.
Com essa hipótese, a probabilidade de que, em uma dessas sextas-feiras úteis do verão, o valor das vendas
seja inferior a R$ 8.000,00 é
a) menor que 20%
b) igual a 20%
c) maior que 20% e menor que 25%
d) igual a 25%
e) maior que 25%
Comentários:
O enunciado informa que a variável segue distribuição normal com média 𝜇 = 10.000 reais e desvio padrão
𝜎 = 2000 reais. Então, para calcular a probabilidade de o valor das vendas ser inferior a x = 8000 reais, usamos
a seguinte transformação para a curva normal padrão:
𝑥 − 𝜇 8000 − 10.000 −2000

𝑧= = = = −1
𝜎 2000 2000
Pela regra empírica, sabemos que:
𝑃(−1 < 𝑍 < 1) ≅ 68%
68%
Z = -1 Z=1
Pela simetria da normal padrão, a probabilidade P(-1 < Z < 0) é a metade desse valor:
68%
𝑃(−1 < 𝑍 < 0) ≅ = 34%
2


Aula 09
𝑃(𝑍 < −1)
34%
−1 0
Sabendo que a área à esquerda da média tem probabilidade P(Z < 0) = 50%, então a probabilidade P(Z < -1) é:
𝑃(𝑍 < −1) ≅ 50% − 34% = 16%
Que é menor que 20%.
Gabarito: A
22. (CESGRANRIO/2012 – Innova) Suponha que o tempo de vida de baterias de celular tenha distribuição
normal com média de 120 minutos e variância de 100 minutos. Qual é a probabilidade aproximada de uma
bateria durar menos que 100 minutos?
a) 0,15%
b) 2,5%
c) 5%
d) 10%
e) 16%
Comentários:
O enunciado informa que a variável segue distribuição normal com média 𝜇 = 120 e variância 𝜎 2 = 100. Logo,
o desvio padrão, raiz quadrada da variância é:
𝜎 = √𝜎 2 = √100 = 10
Então, para calcular a probabilidade de a bateria durar menos de x = 100 minutos, usamos a seguinte
transformação para a curva normal padrão:


Aula 09
𝑥 − 𝜇 100 − 120 −20

𝑧= = = = −2
𝜎 10 10
Pela regra empírica, sabemos que:
𝑃(−2 < 𝑍 < 2) ≅ 95%
95%
Z = -2 Z=2
Então, a probabilidade associada aos valores externos ao intervalo (-2; 2) é:
100% - 95% = 5%
Pela simetria da normal padrão, a probabilidade P(Z < -2) é a metade desse valor:
2,5%
95%
Z = -2 Z=2
5%
𝑃(𝑍 < −2) ≅ = 2,5%
2
Que é a probabilidade de a bateria durar menos de 100 minutos.
Gabarito: B
Para as próximas questões, utilize a tabela normal a seguir, constante nas respectivas provas da
CESGRANRIO.


Aula 09


Aula 09
23. (CESGRANRIO/2012 – Petrobras) O peso de lotes produzidos por uma certa indústria segue uma
distribuição normal, com média de 10 kg e desvio padrão de 0,2 kg. Em um lote dessa indústria, selecionado
aleatoriamente, qual a probabilidade de o peso do lote não se afastar por mais de 1% do peso médio?
a) 50%
b) 38,30%
c) 17,42%
d) 7,96%
e) 0%
Comentários:
O enunciado pede a probabilidade de o peso de um lote selecionado aleatoriamente não se afaste da média em
mais de 1% = 0,01. Sabendo que a média é de 10kg, a distância máxima desejada é:
10 × 0,01 = 0,1
Então, buscamos a probabilidade de o lote estar no intervalo:
𝑃(9,9 < 𝑋 < 10,1)
Sabendo que a média é 𝜇 = 10 e desvio padrão 𝜎 = 0,2, calculamos a probabilidade de o lote ser superior x =
10,1, pela seguinte transformação para a curva normal padrão:
𝑥 − 𝜇 10,1 − 10 0,1
𝑧= = = = 0,5
𝜎 0,2 0,2
E a transformação para x = 9,9 é:
𝑥 − 𝜇 9,9 − 10 −0,1
𝑧= = = = −0,5
𝜎 0,2 0,2
Logo, a probabilidade buscada é igual a:
𝑃(9,9 < 𝑋 < 10,1) = 𝑃(−0,5 < 𝑍 < 0,5) = 𝑃(−0,5 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 0,5)


Aula 09
P(-0,5<Z<0) P(-0<Z<0,5)
−0,5 0 0,5
Pela tabela normal, observamos que P(0 < Z < 0,5) = 0,19146. Pela simetria, temos:
P(0 < Z < 0,5) = P(-0,5 < Z < 0) = 0,19146
Logo:
𝑃(−0,5 < 𝑍 < 0,5) = 0,19146 + 0,19146 = 0,38292 ≅ 38,3%
Gabarito: B
24. (CESGRANRIO/2016 – IBGE) O tempo de atendimento (em minutos) para chamadas de emergência do
SAMU no Rio de Janeiro segue uma distribuição normal com média 12 e variância 25.
Qual a probabilidade de que o tempo de atendimento para uma dada chamada exceda a 20 minutos?
a) 1,79%
b) 2,87%
c) 5,48%
d) 25,50%
e) 37,45%
Comentários:
O enunciado informa que a variável segue distribuição normal com média 𝜇 = 12 e variância 𝜎 2 = 25. O desvio
padrão é, então:
𝜎 = √𝜎 2 = √25 = 5


Aula 09
Portanto, para calcular a probabilidade de uma chamada exceder x = 20 minutos, usamos a seguinte
transformação para a curva normal padrão:
𝑥 − 𝜇 20 − 12 8
𝑧= = = = 1,6
𝜎 5 5
Pela tabela normal, observamos que P(0 < Z < 1,6) = 0,4452, como ilustrado a seguir.
0,4452 𝑃(𝑍 > 1,6)
0 1,6
Sabendo que a área à direita da média tem probabilidade P(Z > 0) = 0,5, então a probabilidade P(Z > 1,6) é:
𝑃(𝑍 > 1,6) = 0,5 − 0,4452 = 0,0548 = 5,48%
Gabarito: C
25. (CESGRANRIO/2012 – Petrobras) Os salários de técnicos de uma empresa se distribuem normalmente

com média de R$ 3.200,00 e desvio padrão de R$ 800,00.
Selecionando-se aleatoriamente dois salários de técnicos dessa empresa, qual a probabilidade de pelo menos
um deles ser superior a R$ 3.880,00?
a) 72,25%
b) 15,86%
c) 3,91%
d) 19,77%
e) 35,63%
Comentários:


Aula 09
A probabilidade de pelo menos um, dentre os dois salários selecionados aleatoriamente, ser superior a R$ 3.880,
pode ser calculada pelo complementar da probabilidade de ambos os salários serem inferiores a esse valor:
𝑃(𝑝𝑒𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 𝑢𝑚 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟) = 1– 𝑃(𝑎𝑚𝑏𝑜𝑠 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟𝑒𝑠)
Para calcular a probabilidade de ambos os salários serem inferiores a tal valor, precisamos primeiro calcular a
probabilidade de um salário ser inferior. Para isso, o enunciado informa que os salários seguem distribuição
normal com média 𝜇 = 3.200 e desvio padrão 𝜎 = 800. Portanto, para calcular a probabilidade de um salário
ser inferior a x = 3.880 minutos, usamos a seguinte transformação para a curva normal padrão:
𝑥 − 𝜇 3880 − 3200 680

𝑧= = = = 0,85
𝜎 800 800
Pela tabela normal, observamos que P(0 < Z < 0,85) = 0,30234, como ilustrado a seguir.
0,30234
0,5
0 0,85
Sabendo que a área à esquerda da média tem probabilidade P(Z < 0) = 0,5, então a probabilidade P(Z < 0,85) é:
𝑃(𝑍 < 0,85) = 0,5 + 0,30234 = 0,80234
Então, a probabilidade de os dois salários selecionados aleatoriamente serem inferiores ao valor (interseção dos
eventos) é o produto das probabilidades:
𝑃(𝑎𝑚𝑏𝑜𝑠 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟𝑒𝑠) = 0,80234 × 0,80234 ≅ 0,6437
E a probabilidade de ter pelo menos um salário superior ao citado valor é o complementar:
𝑃(𝑝𝑒𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 𝑢𝑚 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟) ≅ 1 − 0,6437 = 0,3563 = 35,63%
Gabarito: E


Aula 09
Soma de Variáveis e o Teorema Central do Limite
CEBRASPE
1. (CEBRASPE/2018 – Oficial Técnico de Inteligência da ABIN) Se X e Y forem variáveis independentes e

tiverem distribuição normal com médias μX e μY, respectivamente, e variâncias σ2x e σ2y , respectivamente,
então a soma X + Y terá média μX + μY e variância σ2x + σ2y.
Comentários:
A soma de variáveis independentes com distribuição normal e médias 𝜇1 e 𝜇2 e variâncias 𝜎12 e 𝜎22 , tem
distribuição normal, com média 𝜇1 + 𝜇2 e variância 𝜎12 + 𝜎22 .
Gabarito: Certo.
2. (CEBRASPE/2018 – Agente de Polícia Federal) O valor diário (em R$ mil) apreendido de contrabando
em determinada região do país é uma variável aleatória W que segue distribuição normal com média igual a
Se W1 e W2 forem duas cópias independentes e identicamente distribuídas como W, então a soma W1 + W2

seguirá distribuição normal com média igual a R$ 20 mil e desvio padrão igual a R$ 8 mil.
Comentários:
A soma de variáveis independentes com distribuição normal, médias 𝜇1 e 𝜇2 e variâncias 𝜎12 e 𝜎22 , tem
distribuição normal, com média 𝜇1 + 𝜇2 e variância 𝜎12 + 𝜎22 . Sendo 𝜇1 = 𝜇2 = 10 mil e 𝜎12 = 𝜎22 = 42 = 16
mil2, então a distribuição W1 + W2 tem média e variância dadas respectivamente por:
𝜇 = 𝜇1 + 𝜇2 = 10 + 10 = 20
𝜎 2 = 𝜎12 + 𝜎22 = 16 + 16 = 32
O desvio padrão de W1 + W2 é, então:
𝜎 = √𝜎 2 = √32 ≅ 5,7
Gabarito: Errado. 213


Aula 09
3. (CEBRASPE/2018 – Analista Judiciário STM) Supondo que Z seja uma distribuição normal padrão,
considere as seguintes transformações de variáveis aleatórias: W = 1 – Z e V = Z2 – W2+ 1. A respeito dessas
variáveis aleatórias, julgue o item a seguir.
A variável aleatória W segue distribuição normal com variância unitária.
Comentários:
Sendo Z uma variável com distribuição normal, então a variável W = 1 – Z segue distribuição normal. Pelas
propriedades da variância, temos:
V(W) = V(1 – Z) = V(Z)
Sendo Z uma variável com distribuição normal padrão, então V(Z) = 1, logo:
V(W) = 1
Assim, a variância de W é unitária.
Gabarito: Certo.
A variável aleatória V segue distribuição normal.
Comentários:
Pelo enunciado, temos V = Z2 – W2+ 1, em que W = 1 – Z. Logo:
𝑉 = 𝑍 2 − (1 − 𝑍)2 + 1 = 𝑍 2 − (1 − 2𝑍 + 𝑍 2 ) + 1 = 𝑍 2 − 1 + 2𝑍 − 𝑍 2 + 1 = 2𝑍
Sabendo que Z segue distribuição normal, então 2Z também segue.
Gabarito: Certo.
A variância da variável aleatória V é igual a 2.


Aula 09
Comentários:
Na questão anterior, calculamos que, sendo V = Z2 – W2+ 1, com W = 1 – Z, então V = 2Z. Pelas propriedades da
variância de V, temos:
𝑉(𝑉) = 𝑉(2𝑍) = 22 𝑉(𝑍) = 4 × 1 = 4
Gabarito: Errado.
A covariância entre W e Z é igual a -1.
Comentários:
Sendo W = 1 – Z, então a covariância entre W e Z é dada por:
𝐶𝑜𝑣(𝑊, 𝑍) = 𝐶𝑜𝑣(1 − 𝑍, 𝑍)
Pelas propriedades da covariância, temos:
𝐶𝑜𝑣(1 − 𝑍, 𝑍) = 𝐶𝑜𝑣(1, 𝑍) − 𝐶𝑜𝑣(𝑍, 𝑍) = 0 − 𝑉𝑎𝑟(𝑍)
Como Z é a normal padrão, com Var(Z) = 1, então:
𝐶𝑜𝑣(1 − 𝑍, 𝑍) = −1
Gabarito: Certo.
7. (CEBRASPE/2018 – Analista Administrativo – EBSERH) Considerando que X e Y sejam variáveis

aleatórios mutuamente independentes que seguem distribuição normal padrão, julgue o próximo item.
A soma S = X + Y e a diferença D = X – Y seguem distribuições distintas.
Comentários:
Tanto a soma de variáveis, quanto a diferença entre variáveis, com distribuição normal, apresenta distribuição
normal. Vejamos os seus valores de média e variância.
A média de S = X + Y é:

Aula 09
E(S) = E(X + Y) = E(X) + E(Y).
Sendo X e Y variáveis normais padrão, então E(X) = E(Y) = 0:
E(S) = 0 + 0 = 0
A variância de S = X + Y, para X e Y independentes, é:
V(S) = V(X + Y) = V(X) + V(Y).
Sendo X e Y variáveis normais padrão, então V(X) = V(Y) = 1:
V(S) = 1 + 1 = 2
A média de D = X – Y é:
E(D) = E(X – Y) = E(X) – E(Y) = 0.
A variância de D = X – Y, para X e Y independentes, é:
V(D) = V(X – Y) = V(X) + V(Y) = 1 + 1 = 2.
Assim, S e D são variáveis normais, com média igual a zero e variância igual a 2. Portanto, seguem distribuições
iguais.
Gabarito: Errado.
FGV
8. (FGV/2018 – TJ-AL) Suponha que as penas previstas para punição por corrupção e lavagem de dinheiro,
a serem aplicadas a um ex-chefe do executivo, são em média iguais a 12 anos. Registros passados indicam
que, em geral, a variância é de 24 anos ao quadrado, com igual distribuição e independentes umas das outras.
Considere φ(1,25) ≅ 0,9 φ(1,5) ≅ 0,95 φ(2) ≅ 0,975 e φ(2,25) ≅ 0,99 onde φ(z) é a função acumulada da N
(0,1). Se o réu, que será julgado em 6 processos, for condenado em todos, a probabilidade de que a sua pena
exceda 45 anos é:
a) 75%
b) 90%
c) 95%
d) 97,5%
e) 99% SEFAZ-BA - Estatística - 2023 (Pré-Edital) 216


Aula 09
Comentários:
Pelo Teorema Central do Limite, a soma de n variáveis independentes identicamente distribuídas Xi, cada uma
com média E(X) e variância V(X), é uma variável Y, com distribuição aproximadamente normal, com média e
variância dadas por:
E(Y) = n.E(X)
V(Y) = n.V(X)
Sendo E(X) = 12, V(X) = 24 e n = 6 então:
𝐸(𝑌) = 𝑛. 𝐸(𝑋) = 6 × 12 = 72
𝑉(𝑌) = 𝑛. 𝑉(𝑋) = 6 × 24 = 144
𝜎𝑌 = √𝑉(𝑌) = √144 = 12
Assim, a probabilidade 𝑃(𝑌 > 45) pode ser calculada pela seguinte transformação:
𝑦 − 𝜇 45 − 72 −27
𝑧= = = = −2,25
𝜎 12 12
Logo, a probabilidade de a pena exceder 45 anos corresponde à probabilidade P(Z > -2,25). Pela simetria da
curva normal, temos:
𝑃(𝑍 > −2,25) = 𝑃(𝑍 < 2,25) = 0,99 = 99%
Gabarito: E.


Aula 09
9. (FGV/2015 – TJ-BA) Sejam X1,X2,X3,...X25 variáveis aleatórias independentes e identicamente

distribuídas, com E (Xi) = 4 e (Vi) = 9
Sobre a variável Y = X1 + X2 + X3 + ... + X25 e usando a tabela da normal-padrão acima é correto afirmar que:
a) 𝑃(𝑌 > 122,5) ≅ 10,75%
b) 𝑃(𝑌 ≤ 70,6) ≅ 5,25%
c) 𝑃(80,8 < 𝑌 < 119,2) ≅ 75,25%
d) 𝑃(𝑌 ≥ 134,95) ≅ 2,00%
e) 𝑃(75,25 ≤ 𝑌 < 133,75) ≅ 93,75%
Comentários:
Pelo Teorema Central do Limite, a soma de n variáveis independentes identicamente distribuídas Xi, cada uma
com média E(X) e variância V(X), é uma variável Y, com distribuição aproximadamente normal, com média e
variância dadas por:
E(Y) = n.E(X)
V(Y) = n.V(X)
Sendo E(X) = 4, V(X) = 9 e n = 25 então:
𝐸(𝑌) = 𝑛. 𝐸(𝑋) = 25 × 4 = 100
𝑉(𝑌) = 𝑛. 𝑉(𝑋) = 25 × 9 = 175
𝜎𝑌 = √𝑉(𝑌) = √25 × 9 = 5 × 3 = 15
É importante lembrar que para variáveis contínuas, não importa se usamos o sinal > ou ≥, pois a probabilidade
de ser igual a determinado valor é zero.
Em relação à alternativa A, a probabilidade 𝑃(𝑌 > 122,5) pode ser calculada pela seguinte transformação:
𝑦 − 𝜇 122,5 − 100 22,5

𝑧= = = = 1,5
𝜎 15 15


Aula 09
Esse valor é maior que 1,28 e menor que 1,65, cujas probabilidades foram fornecidas pela tabela. Podemos
observar que P(|Z| > 1,65) = 10% o que equivale a:
P(|Z| > 1,65) = P(Z < -1,65 ou Z > 1,65) = P(Z < -1,65) + P(Z > 1,65) = 10%
Pela simetria da curva normal padrão, temos P(Z < -1,65) = P(Z > 1,65), logo:
2 x P(Z > 1,65) = 10%
P(Z > 1,65) = 5%
Utilizando o mesmo raciocínio para P(|Z| > 1,28), temos:
P(|Z| > 1,28) = 2 x P(Z > 1,28) = 20%
P(Z > 1,28) = 10%
Portanto, P(Z > 1,5) = P(Y > 122,5) é superior a 5% e inferior a 10%, não podendo ser igual 10,75%. Logo, a
alternativa A está errada.
Em relação à alternativa B, a probabilidade 𝑃(𝑌 ≤ 70,6) pode ser calculada pela seguinte transformação:
𝑦 − 𝜇 70,6 − 100 −29,4

𝑧= = = = −1,96
𝜎 15 15
Pela tabela, observamos que P(|Z| > 1,96) = 5% o que equivale a:
P(|Z| > 1,96) = P(Z < -1,96) + P(Z > 1,96) = 2 x P(Z < -1,96) = 5%
P(Z < -1,96) = 2,5%
Logo, a alternativa B está errada.
Em relação à alternativa C, o valor de 𝑃(80,8 < 𝑌 < 119,2) pode ser calculado a partir das seguintes
transformações:
𝑦 − 𝜇 119,2 − 100 19,2

𝑧= = = = 1,28
𝜎 15 15
𝑦 − 𝜇 80,8 − 100 −19,2
𝑧= = = = −1,28
𝜎 15 15
Pela tabela, observamos que P(|Z| > 1,28) = 20%, o que equivale a:
P(|Z| > 1,28) = P(Z < -1,28 ou Z > 1,28) = 20%
Logo, o complementar é:

Aula 09
P(1,28 < Z < 1,28) = 100% – P(Z < -1,28 ou Z > 1,28) = 80%
Portanto, a alternativa C está errada. Em relação à alternativa D, o valor de 𝑃(𝑌 ≥ 134,95) pode ser calculado
pela seguinte transformação para a normal padrão:
𝑦 − 𝜇 134,95 − 100 34,95

𝑧= = = = 2,33
𝜎 15 15
P(|Z| > 2,33) = P(Z < -2,33) + P(Z > 2,33) = 2 x P(Z > 2,33) = 2%
P(Z > 2,33) = 1%
Logo, a alternativa D está errada.
Em relação à alternativa E, o valor de 𝑃(75,25 ≤ 𝑌 < 133,75) pode ser calculado a partir das seguintes
transformações:
𝑦 − 𝜇 75,25 − 100 −24,75

𝑧= = = = −1,65
𝜎 15 15
𝑦 − 𝜇 133,75 − 100 33,75

𝑧= = = = 2,25
𝜎 15 15
P(|Z| > 1,65) = P(Z < -1,65) + P(Z > 1,65) = 2 x P(Z < -1,65) = 10%
P(Z < -1,65) = 5%
Também observamos que P(|Z| > 2,25) = 2,5%, o que equivale a:
P(|Z| > 2,25) = P(Z< - 2,25) + P(Z > 2,25) = 2 x P(Z > 2,25) = 2,5%
P(Z > 2,25) = 1,25%
Somando essas duas probabilidades, temos:
P(Z < -1,65) + P(Z > 2,25) = P(Z < -1,65 ou Z > 2,25) = 5% + 1,25% = 6,25%
O complementar dessa probabilidade é:
P(-1,65 < Z < 2,25) = 100% - 6,25% = 93,75%
Logo, a probabilidade 𝑃(75,25 ≤ 𝑌 < 133,75) = 93,75%.
Gabarito: E

Aula 09
FCC
10. (FCC/2015 – TER/RR) Se Z tem distribuição normal padrão, então: P(Z < 1) = 0,841; P(Z < 1,28) = 0,90;
P(Z < 1,5) = 0,933; P(Z < 1,8) = 0,964.
O diâmetro de uma peça é uma variável aleatória X, com distribuição normal com média μ (cm) e variância
igual a 2,25(cm)2.
Suponha que os funcionários de um determinado órgão público realizem uma tarefa em duas etapas. Sejam
X1 e X2, respectivamente, os tempos para a realização das etapas 1 e 2. Sabe-se que:
I. X1 e X2 são variáveis aleatórias independentes.
II. X1 tem distribuição normal com média igual a 2 horas e desvio padrão de 10 minutos.
III. X2 tem distribuição normal com média igual a 3 horas e variância de 300 (minutos) 2.
Nessas condições, a probabilidade de que um funcionário selecionado ao acaso leve, no mínimo, 270 minutos
e, no máximo, 320 minutos, para a realização da tarefa é, em %, igual a
a) 49,4
b) 60,6
c) 58,8
d) 75,0
e) 77,4
Comentários:
Sabendo que os tempos para realizar as duas etapas da tarefa (variáveis X1 e X2 independentes) segue
distribuição normal, então o tempo para realizar toda tarefa (variável X) segue distribuição normal com média
e variância dadas por:
𝐸(𝑋) = 𝐸(𝑋1 ) + 𝐸(𝑋2 )
𝑉(𝑋) = 𝑉(𝑋1 ) + 𝑉(𝑋2 )
O enunciado informa que a média de X1 é de 2 horas e que a média de X2 é de 3 horas. Como a pergunta é em
minutos, vamos passar essas medidas para minutos:
𝐸(𝑋1 ) = 2 × 60 = 120
𝐸(𝑋2 ) = 3 × 60 = 180

Aula 09
Logo a média de X é:
𝜇 = 𝐸(𝑋) = 120 + 180 = 300
Ademais, o desvio padrão de X1 é de 10 minutos, logo a variância é:
𝑉(𝑋1 ) = 102 = 100
Sabendo que a variância de X2 é V(X2) = 300 minutos2, a variância de X é:
𝑉(𝑋) = 𝑉(𝑋1 ) + 𝑉(𝑋2 ) = 100 + 300 = 400
E o desvio padrão é:
𝜎 = √𝑉(𝑋) = √400 = 20
Assim, a transformação para a normal padrão de x = 320 é:
𝑥 − 𝜇 320 − 300 20
𝑧= = = =1
𝜎 20 20
E de x = 270 é:
𝑥 − 𝜇 270 − 300 −300

𝑧= = = = −1,5
𝜎 20 20
Logo, a probabilidade desejada no enunciado é equivalente a 𝑃(−1,5 < 𝑍 < 1), ilustrada a seguir:
𝑃(−1,5 < 𝑍 < 1)
−1,5 1
Podemos observar que:
𝑃(−1,5 < 𝑍 < 1) = 𝑃(𝑍 < 1) − 𝑃(𝑍 < −1,5)
𝑃(𝑍 < −1,5) = 𝑃(𝑍 > 1,5) = 1 − 𝑃(𝑍 < 1,5)


Aula 09
Considerando a tabela fornecida no enunciado, temos 𝑃(𝑍 < 1,5) = 0,933, logo:
𝑃(𝑍 < −1,5) = 1 − 0,933 = 0,067
Considerando que P(Z < 1) = 0,841, temos:
𝑃(−1,5 < 𝑍 < 1) = 0,841 − 0,067 = 0,774
Gabarito: E
CESGRANRIO
11. (CESGRANRIO/2011 – BNDES) Um produto tem massa normalmente distribuída com média 60 gramas
==3e713==
e desvio padrão 8 gramas e é agrupado por dúzias. A probabilidade de a massa de uma dúzia ser superior a
750 gramas é, aproximadamente, de
a) 86%
b) 50%
c) 38%
d) 32%
e) 14%
Para esta questão, utilize a tabela normal a seguir, constante na respectiva prova da CESGRANRIO.


Aula 09


Aula 09
Comentários:
O enunciado informa que a massa de um produto segue distribuição normal, com média 𝜇0 = 60 e desvio
padrão 𝜎0 = 8. Sabendo que o produto é agrupado por dúzias (12), então a média (esperança) do grupo é:
𝐸(𝐷ú𝑧𝑖𝑎) = 12 × 𝐸(𝑃𝑟𝑜𝑑𝑢𝑡𝑜)
𝜇 = 12 × 60 = 720
Para calcular o desvio padrão da dúzia, primeiro calculamos a variância. Sabendo que a variância é o quadrado
do desvio padrão, então a variância é 82 e a variância da dúzia é:
𝑉(𝐷ú𝑧𝑖𝑎) = 12 × 𝑉(𝑃𝑟𝑜𝑑𝑢𝑡𝑜) = 12 × 82
E o desvio padrão da dúzia é a raiz quadrada:
𝜎 = √12 × 82 = 8 × √12 ≅ 27,7
Conhecendo a média e o desvio padrão da dúzia, utilizamos a seguinte transformação para x = 750:
𝑥 − 𝜇 750 − 720 30
𝑧= ≅ = ≅ 1,08
𝜎 27,7 27,7
Pela tabela da distribuição normal padrão, observamos que P(0 < Z < 1,08) = 0,36 = 36%, como ilustrado a seguir:
36% P(Z > 1,08)
0 1,08
Sabendo que a área à direita da média tem probabilidade P(Z > 0) = 0,5 = 50%, então a probabilidade desejada
é:
𝑃(𝑍 > 1,08) = 50% − 36% = 14%
Gabarito: E


Aula 09
Qui-quadrado
1. (Cebraspe/2018 – STM) Para um estudo sobre a gestão de riscos jurídicos em determinado tribunal,
um analista efetuará simulações de Monte Carlo com base em realizações de variáveis aleatórias contínuas Y
(exponencial, com média m), U (uniforme no intervalo [0,1]) e Q (qui-quadrado, com k graus de liberdade).
Considerando que Y, U e Q sejam mutuamente independentes, julgue o próximo item.
A transformação √𝑄 proporciona uma realização da distribuição normal padrão.
Comentários:
O enunciado informa que Q é uma variável com distribuição qui-quadrado e k graus de liberdade, ou seja, é a
soma de k variáveis normais padrão independentes:
Q = Z12 + Z22 + ... + Zk2
A raiz dessa soma não é igual a Z, ou seja, não segue distribuição normal padrão, pois (como toda raiz) assume
apenas valores positivos.
Gabarito: Errado.
2. (Cebraspe/2013 – Telebras) Em métodos estatísticos e estudos estatísticos por simulações

computacionais, a transformação de variável é um recurso que permite resolver problemas de não
normalidade e de heterocedasticidade. Acerca de transformação de variáveis, julgue o item seguinte.
Considere a transformação Y = √𝑋 , em que a variável aleatória X segue a distribuição qui-quadrado com 1 grau
de liberdade. Nesse caso, é correto afirmar que Y segue a distribuição normal padrão.
Comentários:
Sendo X uma variável com distribuição qui-quadrado e 1 grau de liberdade, então:
𝑋 = 𝒳12 = (𝑍)2
Sendo Y = √𝑋, então:


Aula 09
𝑌 = √𝑋 = √(𝑍)2 = |𝑍|
Como a raiz quadrada é necessariamente positiva, então Y é definida como o módulo de Z, assumindo somente
valores não negativos. Portanto, Y não segue a distribuição normal padrão.
Gabarito: Errado.
3. (Cebraspe/2015 – FUB) Em um estudo, determinou-se que a medida representada pela variável

é expressa por:
==3e713==
em que x é um número real. Com base nos dados desse estudo, julgue o itema seguir, considerando
(𝑥−1)2
A variável 𝑌 = segue uma distribuição exponencial.
4
Comentários:
O enunciado informa que X segue distribuição normal com média 1 e variância 4, logo, o seu desvio padrão é
𝜎 = √𝑉(𝑋) = 2. Assim, a transformação para a normal padrão é dada por:
𝑋−𝜇 𝑋−1
𝑍= =
𝜎 2
(𝑥−1)2
A variável 𝑌 = 4 corresponde ao quadrado de Z, ou seja, uma distribuição qui-quadrada com k = 1 graus de
liberdade e não a uma distribuição exponencial (a distribuição qui-quadrada que também é uma distribuição
exponencial é aquela com k = 2).
Gabarito: Errado.


Aula 09
4. (Cebraspe/2016 – Auditor de Controle Externo do TCE/PA) Considerando que Z e W sejam variáveis

aleatórias independentes que seguem distribuição normal padrão, julgue o item subsequente.
A soma dos quadrados Z² + W² segue distribuição t de Student.
Comentários:
A soma dos quadrados de variáveis com distribuição normal padrão define uma distribuição qui-quadrado.
Gabarito: Errado.
5. (Cebraspe/2016 – FUNPRESP-JUD) Considerando que Z represente uma distribuição normal padrão,

O valor esperado da variável aleatória Z(Z – 1) é igual a 1.
Comentários:
A variável Z(Z – 1) pode ser descrita como:
Z(Z – 1) = Z2 – Z
O valor esperado da diferença é a diferença dos valores esperados:
E(Z2 – Z) = E(Z2) – E(Z)
Sendo Z uma normal padrão, então Z2 segue distribuição qui-quadrada com k = 1 grau de liberdade. O valor
esperado dessa distribuição é dado por:
𝜇𝒳 2 = 𝑘 = 1
Ou seja, E(Z2) = 1. Sendo Z uma normal padrão, com média igual a zero, então E(Z) = 0. Substituindo esses
resultados, temos:
E(Z2 – Z) = 1 – 0 = 1
Gabarito: Certo.


Aula 09
t-Student
1. (Cebraspe/2018 – EBSERH) Uma amostra aleatória simples Y1, Y2, ... , Y25 foi retirada de uma
distribuição normal com média nula e variância σ 2, 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
𝒊=𝟏 𝒀𝒊 ,
𝑌𝑖2⁄
∑25
𝑖=1 25
A razão segue uma distribuição t de Student com 24 graus de liberdade
√∑25
𝑖=1 𝑌𝑖
2
Comentários:
A variável t de Student padrão é definida como:
𝑍
𝑇=
2
√𝒳𝑘
𝑘
Ou seja, o numerador da variável t de Student é uma variável normal. Porém, o enunciado forneceu a soma de
25 variáveis normais elevadas ao quadrado, ou seja, uma variável qui-quadrada com grau de liberdade k = 25,
dividida pelo respectivo grau de liberdade (como o numerador da distribuição F de Snedecor).
Gabarito: Errado.
Caso W seja uma realização retirada de uma distribuição normal com média nula e variância k, será correto
afirmar que o produto W.Q-1/2 é realização de uma distribuição t de Student com k graus de liberdade.
Comentários:
Podemos reescrever W.Q-1/2 como:


Aula 09
𝑊
√𝑄
O enunciado informa que W segue distribuição normal e Q segue distribuição qui-quadrado com k graus de
liberdade. Assim, a razão indicada acima segue distribuição t de Student com k graus de liberdade.
Gabarito: Certo.
3. (Cebraspe/2016 – Analista de Controle Atuarial do TCE-PR) Sabendo que Z segue uma distribuição
normal padrão e que Tn segue uma distribuição t de Student com n graus de liberdade, assinale a opção
correta.
a) 𝑃(𝑍 > −2) < 𝑃(𝑍 < 2)
b) 𝑃(𝑍 ≤ 2) > 𝑃(𝑇5 ≤ 2)
c) O valor esperado de T1 é igual a zero
d) A variância de T10 é igual ou superior a 1,3
e) 𝑃(𝑍 < 0) < 𝑃(𝑇10 ≤ 0)
Comentários:
O enunciado informa que Z segue distribuição normal padrão N(0,1) o T n segue distribuição t-Student com n
graus de liberdade.
Em relação à alternativa A, a distribuição normal padrão é simétrica em torno da média 𝜇 = 0:
𝑃(𝑍 > −2) 𝑃(𝑍 < 2)

-2 2
Ou seja, temos:
𝑃(𝑍 > −2) = 𝑃(𝑍 < 2)
Logo, a alternativa A está errada.
Em relação à alternativa B, sabemos que a distribuição de t-Student é mais achatada do que a normal, ou seja,
apresenta maior variabilidade:

Aula 09
Por ter caudas mais largas, a probabilidade associada a valores mais extremos é maior para a distribuição t-
Student do que para a distribuição normal. Isso quer dizer que:
𝑃(𝑍 > 2) < 𝑃(𝑇5 > 2)
Consequentemente, a probabilidade associada ao complemento 𝑃(𝑋 ≤ 2) será menor para a distribuição t-

Student do que para a distribuição normal (se preferir, utilize a fórmula da probabilidade complementar em
cada lado e desenvolva a inequação):
𝑃(𝑍 ≤ 2) > 𝑃(𝑇5 ≤ 2)
Logo, a alternativa B está correta.
Em relação à alternativa C, para T1 , temos a razão entre duas variáveis normais padrão, que define uma
distribuição de Cauchy. Para essa distribuição, nem a média, nem a variância estão definidas. Logo, a alternativa
C está errada.
Em relação à alternativa D, a variância da distribuição de t-Student é dada por:
𝑘
𝑉(𝑇) = , 𝑝𝑎𝑟𝑎 𝑘 > 2
𝑘−2
Para k = 10, temos:
10
𝑉 (𝑇 ) = = 1,25
8
Que é inferior a 1,3. Logo, a alternativa D está errada.
Em relação à alternativa E, tanto a distribuição normal padrão quanto a distribuição t-Student são simétricas
em torno da média 𝜇 = 0. Logo, a probabilidade de qualquer uma dessas distribuições ser inferior à média é
igual a 0,5:
𝑃(𝑍 < 0) = 𝑃 (𝑇10 < 0) = 0,5
Lembre-se que, por se tratar de uma distribuição contínua, temos:
𝑃(𝑇10 ≤ 0) = 𝑃(𝑇10 < 0)


Aula 09
Logo, temos 𝑃 (𝑍 < 0) = 𝑃(𝑇10 ≤ 0) e concluímos que a alternativa E está errada.
Gabarito: B
4. (Cebraspe/2013 – MPU)
A figura acima mostra a forma do gráfico da função de densidade de uma distribuição t de Student com 16
graus de liberdade (T16), com a indicação de alguns valores x e de duas probabilidades associadas a esses
quantis. Com base no gráfico e nas informações, julgue o seguinte item.
P(2,12 < T16 < 2,921) = 0,04.
Comentários:
Temos que:
𝑃(−2,921 < 𝑇16 < 2,921) =
= 𝑃 (−2,921 < 𝑇16 < −2,12) + 𝑃(−2,12 < 𝑇16 < 2,12) + 𝑃(2,12 < 𝑇16 < 2,921)
Pelo gráfico, observamos que P(-2,921 < T16 < 2,921) = 0,99 e P(-2,12 < T16 < 2,12) = 0,95, logo, substituindo esses
valores na equação acima, temos:
0,99 = 0,95 + 𝑃 (2,12 < 𝑇16 < 2,921) + 𝑃(−2,921 < 𝑇16 < −2,12)
𝑃(2,12 < 𝑇16 < 2,921) + 𝑃 (−2,921 < 𝑇16 < −2,12) = 0,04
Sabendo que a distribuição é simétrica em torno de 0, temos:
𝑃(2,12 < 𝑇16 < 2,921) = 𝑃 (−2,921 < 𝑇16 < −2,12)
Assim:
𝑃(2,12 < 𝑇16 < 2,921) + 𝑃(2,12 < 𝑇16 < 2,921) = 0,04
0,04
𝑃(2,12 < 𝑇16 < 2,921) = = 0,02
2

Aula 09
Gabarito: Errado.
==3e713==
A sequência (Tn), em que Tn é a distribuição t de Student com n graus de liberdade, converge em distribuição
para a distribuição normal padrão à medida que n aumenta.
Comentários:
A distribuição t-Student se aproxima da curva normal à medida que o grau de liberdade cresce (consequência
do Teorema Central do Limite).
Gabarito: Certo.
Se T20 representa uma distribuição t de Student com 20 graus de liberdade, então P(T 20 < 2,921) > 0,99.


Aula 09
Comentários:
Pelo gráfico, podemos observar que P(-2,921 < T16 < 2,921) = 0,99, logo, P(T16 < 2,921) > 0,99. Com o aumento
do grau de liberdade, a distribuição t-Student se aproxima da normal, aumentando a probabilidade dos valores
centrais e diminuindo a probabilidade dos valores extremos. Assim, a probabilidade associada a esse mesmo
intervalo será ainda maior.
Ou seja, P(T20 < 2,921) > 0,99.
Gabarito: Certo.
7. (Cebraspe/2018 – EBSERH) Considerando que X e Y sejam variáveis aleatórios mutuamente

independentes que seguem distribuição normal padrão, julgue o próximo item.
A razão R = X/Y segue uma distribuição com variância unitária.
Comentários:
A razão entre duas variáveis com distribuição normal seguem uma distribuição de Cauchy. Especificamente, se
as variáveis forem normais padrão, essa distribuição também será de t-Student, com grau de liberdade k = 1.
De qualquer forma, a variância não está definida.
Gabarito: Errado.

𝑾
A razão segue uma distribuição com variância igual a 1.
𝒁
Comentários:
A razão entre duas variáveis com distribuição normal seguem uma distribuição de Cauchy. Especificamente, se
as variáveis forem normais padrão, essa distribuição também será de t-Student, com grau de liberdade k = 1.
De qualquer forma, a variância não está definida.
Gabarito: Errado.


Aula 09
F-Snedecor
1. (CESPE/2010 – Estatístico do MS) A distribuição F de Snedecor é definida pela razão de duas

distribuições quiquadrado independentes.
Comentários:
A distribuição F de Snedecor é definida como indicado abaixo, em que as variáveis 𝒳𝑘2𝑖 seguem distribuição qui-
quadrado independentes:
𝒳𝑘21
⁄
𝑘
𝐹𝑘1 ,𝑘2 = 2 1
𝒳𝑘2
⁄
𝑘2
Logo, essa distribuição é definida pela razão entre distribuições qui-quadrado independentes divididas pelo
respectivo grau de liberdade.
Gabarito: Errado.
Se Y representa uma distribuição F de Snedecor com 1 grau de liberdade no numerador e 16 graus de liberdade
no denominador, então P(0 < Y < 2,122 ) = 0,95.


Aula 09
Comentários:
Se Y apresenta distribuição F de Snedecor, então:
𝒳𝑘21
⁄
𝑘
𝑌 = 𝐹𝑘1 ,𝑘2 = 2 1
𝒳𝑘2
⁄
𝑘2
Sendo 𝑘1 = 1 e 𝑘2 = 16, como informado, então:
𝒳12⁄
𝑌 = 𝐹1,16 = 2 1
𝒳16⁄
16
Sabendo que a distribuição qui-quadrado com um grau de liberdade corresponde ao quadrado de uma variável
==3e713==
normal padrão, então:
𝑍2
𝑌= 2
𝒳16⁄
16
𝑍
Considerando que a variável t-Student é definida como 𝑇 = , então, para 𝑘 = 16, temos:
2
√𝒳𝑘
𝑘
𝑍
𝑇16 =
2
√𝒳16
16
Ou seja:
𝑌 = 𝑇162
Portanto:
𝑃(0 < 𝑌 < 2,122 ) = 𝑃(0 < 𝑇162 < 2,122 )
Extraindo a raiz de todos os temos:
𝑃(0 < 𝑇16 2 < 2,122 ) = 𝑃 (0 < |𝑇16| < 2,12)
A probabilidade de o módulo de 𝑇16 ser menor que 2,12 (necessariamente, o módulo é maior que zero) é dada
por:
𝑃 (|𝑇16| < 2,12) = 𝑃(−2,12 < 𝑇16 < 2,12)
Pelo gráfico, observamos que 𝑃(−2,12 < 𝑇16 < 2,12) = 0,95. Logo, 𝑃 (0 < 𝑌 < 2,122 ) = 0,95.
Gabarito: Certo.


Aula 09
t-Student, Qui-quadrado e F-Snedecor
CEBRASPE
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
𝒊=𝟏 𝒀𝒊 ,
𝑌𝑖2⁄
∑25
𝑖=1 25
√∑25
𝑖=1 𝑌𝑖
2
Comentários:
A variável t de Student padrão é definida como:
𝑍
𝑇=
2
√𝒳𝑘
𝑘
Ou seja, o numerador da variável t de Student é uma variável normal. Porém, o enunciado forneceu a soma de
25 variáveis normais elevadas ao quadrado, ou seja, uma variável qui-quadrada com grau de liberdade k = 25,
dividida pelo respectivo grau de liberdade (como o numerador da distribuição F de Snedecor).
Gabarito: Errado.
Comentários:


Aula 09
Podemos reescrever W.Q-1/2 como:
𝑊
√𝑄
O enunciado informa que W segue distribuição normal e Q segue distribuição qui-quadrado com k graus de
liberdade. Assim, a razão indicada acima segue distribuição t de Student com k graus de liberdade.
Gabarito: Certo.
correta.
a) 𝑃(𝑍 > −2) < 𝑃(𝑍 < 2)
b) 𝑃(𝑍 ≤ 2) > 𝑃(𝑇5 ≤ 2)
e) 𝑃(𝑍 < 0) < 𝑃(𝑇10 ≤ 0)
Comentários:
O enunciado informa que Z segue distribuição normal padrão N(0,1) o Tn segue distribuição t-Student com n
graus de liberdade. Em relação à alternativa A, a distribuição normal padrão é simétrica em torno da média 𝜇 =
0:
𝑃(𝑍 > −2) 𝑃(𝑍 < 2)

-2 2
Ou seja, temos:
𝑃(𝑍 > −2) = 𝑃(𝑍 < 2)
Logo, a alternativa A está errada.
Em relação à alternativa B, sabemos que a distribuição de t-Student é mais achatada do que a normal, ou seja,
apresenta maior variabilidade:

Aula 09
Por ter caudas mais largas, a probabilidade associada a valores mais extremos é maior para a distribuição t-
Student do que para a distribuição normal. Isso quer dizer que:
𝑃(𝑍 > 2) < 𝑃(𝑇5 > 2)
Consequentemente, a probabilidade associada ao complemento 𝑃(𝑋 ≤ 2) será menor para a distribuição t-

Student do que para a distribuição normal (se preferir, utilize a fórmula da probabilidade complementar em
cada lado e desenvolva a inequação):
𝑃(𝑍 ≤ 2) > 𝑃(𝑇5 ≤ 2)
Logo, a alternativa B está correta.
Em relação à alternativa C, para T1 , temos a razão entre duas variáveis normais padrão, que define uma
distribuição de Cauchy. Para essa distribuição, nem a média, nem a variância estão definidas. Logo, a alternativa
C está errada.
Em relação à alternativa D, a variância da distribuição de t-Student é dada por:
𝑘
𝑉(𝑇) = , 𝑝𝑎𝑟𝑎 𝑘 > 2
𝑘−2
Para k = 10, temos:
10
𝑉(𝑇) = = 1,25
8
Que é inferior a 1,3. Logo, a alternativa D está errada.
Em relação à alternativa E, tanto a distribuição normal padrão quanto a distribuição t-Student são simétricas
em torno da média 𝜇 = 0. Logo, a probabilidade de qualquer uma dessas distribuições ser inferior à média é
igual a 0,5:
𝑃(𝑍 < 0) = 𝑃(𝑇10 < 0) = 0,5
Lembre-se que, por se tratar de uma distribuição contínua, temos:
𝑃(𝑇10 ≤ 0) = 𝑃(𝑇10 < 0)


Aula 09
Logo, temos 𝑃(𝑍 < 0) = 𝑃(𝑇10 ≤ 0) e concluímos que a alternativa E está errada.
Gabarito: B

Comentários:
A razão entre duas variáveis com distribuição normal segue uma distribuição de Cauchy. Especificamente, se as
variáveis forem normais padrão, essa distribuição também será de t-Student, com grau de liberdade k = 1. De
qualquer forma, a variância não está definida.
Gabarito: Errado.

𝑾
𝒁
Comentários:
A razão entre duas variáveis com distribuição normal segue uma distribuição de Cauchy. Especificamente, se as
variáveis forem normais padrão, essa distribuição também será de t-Student, com grau de liberdade k = 1. De
qualquer forma, a variância não está definida.
Gabarito: Errado.
Comentários: 240

Aula 09
O enunciado informa que Q é uma variável com distribuição qui-quadrado e k graus de liberdade, ou seja, é a
soma de k variáveis normais padrão independentes:
Q = Z12 + Z22 + ... + Zk2
A raiz dessa soma não é igual a Z, ou seja, não segue distribuição normal padrão, pois (como toda raiz) assume
apenas valores positivos.
Gabarito: Errado.

é expressa por:
(𝑥−1)2
4
Comentários:
O enunciado informa que X segue distribuição normal com média 1 e variância 4, logo, o seu desvio padrão é
𝜎 = √𝑉(𝑋) = 2. Assim, a transformação para a normal padrão é dada por:
𝑋−𝜇 𝑋−1
𝑍= =
𝜎 2
(𝑥−1)2
A variável 𝑌 = 4 corresponde ao quadrado de Z, ou seja, uma distribuição qui-quadrada com k = 1 graus de
liberdade e não a uma distribuição exponencial (a distribuição qui-quadrada que também é uma distribuição
exponencial é aquela com k = 2).
Gabarito: Errado.


Aula 09

Comentários:
A soma dos quadrados de variáveis com distribuição normal padrão define uma distribuição qui-quadrado.
Gabarito: Errado.

Comentários:
A variável Z(Z – 1) pode ser descrita como:
Z(Z – 1) = Z2 – Z
O valor esperado da diferença é a diferença dos valores esperados:
E(Z2 – Z) = E(Z2) – E(Z)
Sendo Z uma normal padrão, então Z2 segue distribuição qui-quadrada com k = 1 grau de liberdade. O valor
esperado dessa distribuição é dado por:
𝜇𝒳 2 = 𝑘 = 1
Ou seja, E(Z2) = 1. Sendo Z uma normal padrão, com média igual a zero, então E(Z) = 0. Substituindo esses
resultados, temos:
E(Z2 – Z) = 1 – 0 = 1
Gabarito: Certo.


Aula 09
Se Y representa uma distribuição F de Snedecor com 1 grau de liberdade no numerador e 16 graus de liberdade
no denominador, então P(0 < Y < 2,122 ) = 0,95.
Comentários:
Se Y apresenta distribuição F de Snedecor, então:
𝒳𝑘21
⁄
𝑘
𝑌 = 𝐹𝑘1,𝑘2 = 2 1
𝒳𝑘2
⁄
𝑘2
Sendo 𝑘1 = 1 e 𝑘2 = 16, como informado, então:
𝒳12⁄
𝑌 = 𝐹1,16 = 2 1
𝒳16⁄
16
Sabendo que a distribuição qui-quadrado com um grau de liberdade corresponde ao quadrado de uma variável
normal padrão, então:
𝑍2
𝑌= 2
𝒳16⁄
16
𝑍
Considerando que a variável t-Student é definida como 𝑇 = , então, para 𝑘 = 16, temos:
2
√𝒳𝑘
𝑘
𝑍
𝑇16 =
2
√𝒳16
16
Ou seja:


Aula 09
𝑌 = 𝑇16 2
Portanto:
𝑃(0 < 𝑌 < 2,122 ) = 𝑃(0 < 𝑇16 2 < 2,122 )
Extraindo a raiz de todos os temos:
𝑃(0 < 𝑇16 2 < 2,122 ) = 𝑃(0 < |𝑇16 | < 2,12)
A probabilidade de o módulo de 𝑇16 ser menor que 2,12 (necessariamente, o módulo é maior que zero) é dada
por:
𝑃(|𝑇16 | < 2,12) = 𝑃(−2,12 < 𝑇16 < 2,12)
Pelo gráfico, observamos que 𝑃(−2,12 < 𝑇16 < 2,12) = 0,95. Logo, 𝑃(0 < 𝑌 < 2,122 ) = 0,95.
Gabarito: Certo.
==3e713==
FGV
11. (FGV/2018 – AL/RO) Se X e Y são variáveis aleatórias independentes e identicamente distribuídas N(0,
1), então X/Y tem distribuição
a) N(0,1)
b) N(0,4)
c) Cauchy (0,1)
d) Qui-quadrado com 1 grau de liberdade
e) Qui-quadrado com 2 graus de liberdade
Comentários:
A razão entre duas variáveis com distribuição normal segue uma distribuição de Cauchy.
Gabarito: C


Aula 09
12. (FGV/2014 – DPE-RJ) Sejam X, Y e Z variáveis aleatórias independentes, as duas primeiras tendo
distribuição Normal-Padrão, sendo a terceira Qui-quadrado com m graus de liberdade. Então, identifica-se a
variável aleatória
𝑚.(𝑋+𝑌)
a) como tendo distribuição t-Student com m graus de liberdade
√𝑍
b) 𝑍 − (𝑋 2 + 𝑌 2 ) como tendo distribuição qui-quadrado com (m – 2) graus de liberdade
𝑍 2
c) . como tendo distribuição F-Snedecor, com 2 e m graus de liberdade no numerador e no
(𝑋 2 +𝑌 2 ) 𝑚
denominador, respectivamente.
d) (X – Y) com tendo distribuição Normal com média ZERO e variância 2.
e) X + Y também como tendo distribuição Normal Padrão.
Comentários:
O enunciado informa que X e Y são variáveis normais padrão N(0,1) e Z é qui-quadrado com m graus de
liberdade.
Em relação à alternativa A, a distribuição de t-Student é definida como:
𝑍 √𝑘. 𝑍
𝑇= =
√𝒳𝑘
2 √𝒳𝑘2
𝑘
Ou seja, no numerador deveríamos ter o produto de √𝑚 (não 𝑚, como consta na alternativa) por uma variável
normal padrão, logo, a alternativa A está incorreta.
Em relação à alternativa B, a distribuição qui-quadrado é definida como a soma de variáveis com distribuição
normal padrão elevadas ao quadrado, não a sua subtração. Logo, 𝑍 − (𝑋 2 + 𝑌 2 ) não tem distribuição qui-
quadrado e a alternativa B está incorreta.
Em relação à alternativa C, a distribuição F-Snedecor com 𝑘1 graus de liberdade no numerador e 𝑘2 graus de

liberdade no denominador é definida como:
𝒳𝑘21
⁄ 2
𝒳𝑘21 𝑘2
𝑘1 𝒳𝑘1 𝑘2
𝐹𝑘1 ,𝑘2 = 2 = × 2 = 2 ×
𝒳𝑘2 𝑘1 𝒳𝑘2 𝒳𝑘2 𝑘1
⁄
𝑘2
𝑍 2
Ou seja, (𝑋 2+𝑌 2) . 𝑚 apresenta distribuição F-Snedecor, com m graus de liberdade no numerador e 2 graus de
liberdade no denominador (não o inverso, como consta na alternativa), logo a alternativa C está incorreta.


Aula 09
Em relação à alternativa D, a distribuição X – Y apresenta média:
𝐸(𝑋 − 𝑌) = 𝐸(𝑋) − 𝐸(𝑌) = 0 − 0 = 0
E variância, sabendo que X e Y são independentes:
𝑉(𝑋 − 𝑌) = 𝑉(𝑋) + 𝑉(𝑌) = 1 + 1 = 2
Em relação à alternativa C, a distribuição X + Y apresenta média e variância dadas por (sabendo que X e Y são
independentes):
𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌) = 0 + 0 = 0
𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌) = 1 + 1 = 2
Como a variância é igual a 2, a distribuição não é normal padrão: alternativa incorreta.
Gabarito: D
13. (FGV/2017 – MPE-BA) Sejam X, Y, W e Z variáveis aleatórias todas com distribuição normal-padrão,
com X independente de Y e Y independente de Z. Já W é independente das demais. Sobre algumas
combinações dessas variáveis, é correto afirmar que:
a) X + Y + Z não é uma normal;
b) 𝑋 2 + 𝑌 2 + 𝑍 2 é Qui-Quadrado com 3 graus de liberdade;
𝑋
c) √𝑍 2 é t-Student com 2 graus de liberdade;
+𝑌 2
2.𝑋 2
d) 𝑊 2 +𝑌 2 é uma F-Snedecor com 1 e 2 graus de liberdade;
𝑋
e) √𝑊 2 é uma t-Student com 2 graus de liberdade.
+𝑌 2
Comentários:
O enunciado informa que X, Y, W e Z são variáveis normais padrão N(0,1) e que X e Y são independentes; Y e Z
são independentes e que W é independente das demais.
Em relação à alternativa A, sabemos que a soma de variáveis normais segue distribuição normal padrão. Logo,
a alternativa A está incorreta.


Aula 09
Em relação à alternativa B, a soma de variáveis normais padrão independentes elevadas ao quadrada apresenta
distribuição Qui-Quadrado. O enunciado informa que X é Y são independentes e que Y e Z são independentes,
mas isso não garante que todas as variáveis sejam independentes. Logo, a alternativa B está incorreta.
Em relação à alternativa C, a variável t-Student é definida como:
𝑍
𝑇=
2
√𝒳𝑘
𝑘
No denominador da expressão fornecida pela alternativa (√𝑍 2 + 𝑌 2 ), consta a raiz de uma variável qui-
quadrado com 𝑘 = 2 graus de liberdade. Logo, para ser uma t-Student, o denominador deveria ser dividido por
√𝑘 = √2. Como não consta tal divisão na expressão fornecida, a alternativa C está incorreta. O mesmo ocorre
com relação à alternativa E (o denominador apresenta 2 graus de liberdade, mas não está dividido por √2), logo
a alternativa E também está errada. Em relação à alternativa D, a variável F-Snedecor é definida como:
𝒳𝑘21
⁄ 2
𝒳𝑘21 𝑘2
𝑘1 𝒳𝑘1 𝑘2
𝐹𝑘1 ,𝑘2 = 2 = × 2 = 2 ×
𝒳𝑘2 𝑘1 𝒳𝑘2 𝒳𝑘2 𝑘1
⁄
𝑘2
Na expressão fornecida pela alternativa, no denominador (𝑊 2 + 𝑌 2 ) consta uma variável qui-quadrado com
𝑘2 = 2 graus de liberdade, uma vez que Y e W são independentes; e no numerador consta uma variável qui-
quadrada (𝑋 2 ) com 𝑘1 = 1 grau de liberdade multiplicada por 𝑘2 = 2. Como X é independente tanto de Y
quanto de W, então a variável qui-quadrado do numerador é independente da variável do denominador e, por
isso, tal razão é uma F-Snedecor com 𝑘1 = 1 grau de liberdade no numerador e 𝑘2 = 2 graus de liberdade no
denominador. Logo, a alternativa D está correta.
Gabarito: D.
14. (FGV/2018 – TJ-AL) Sejam X1, X2 ..., X5 variáveis aleatórias independentes, todas normalmente
distribuídas com média zero e variância unitária. Então, é correto afirmar que:
a) ∑ 𝑋𝑖 também tem distribuição normal padrão;
b) ∑ 𝑋𝑖 2 é uma distribuição qui-quadrado com 4 graus de liberdade;
2.𝑋1
c) 1 é uma t-Student com 5 graus de liberdade;
(∑ 𝑋𝑖 2 ) ⁄2
d) (3𝑋5 − 2𝑋2 ) é normal com média zero e variância 13;
𝑋
e) 𝑋 4 tem distribuição F-Snedecor com 2 graus de liberdade
5


Aula 09
Comentários:
O enunciado informa que X1, X2 ..., X5 são variáveis normais com média zero e variância unitária: N(0,1), ou seja,
são variáveis normais padrão.
Em relação à alternativa A, a soma de variáveis normais independentes segue distribuição normal com média e
variância equivalente à soma, respectivamente, das médias e das variâncias. Sendo Y = X1 + X2 +...+ X5, temos:
𝐸(𝑌) = 5 × 𝐸(𝑋) = 0
𝑉(𝑌) = 5 × 𝑉(𝑋) = 5
Logo, a variável Y não segue a normal padrão e a alternativa A está incorreta.
Em relação à alternativa B, a soma de k variáveis normais padrão independentes elevadas ao quadrada segue
distribuição qui-quadrado com k graus de liberdade:
𝒳𝑘2 = 𝑍12 + 𝑍22 + ⋯ + 𝑍𝑘2
Logo, sendo k = 5, a distribuição possui 5 graus de liberdade (não 4) e a alternativa B está incorreta.
Em relação à alternativa C, a distribuição de t-Student é definida como:
𝑍 √𝑘. 𝑍
𝑇= =
√𝒳𝑘
2 √𝒳𝑘2
𝑘
Considerando que a distribuição qui-quadrado possui 5 graus de liberdade, temos:
√5. 𝑍
𝑇=
√𝒳𝑘2
Logo, a alternativa C está incorreta.
Em relação à alternativa D, a diferença entre variáveis normais independentes, ainda que multiplicadas por
constantes, também segue distribuição normal. A média e a variância são dadas por:
𝐸(3𝑋5 − 2𝑋2 ) = 𝐸(3𝑋5 ) − 𝐸(2𝑋2 ) = 3 × 𝐸(𝑋5 ) − 2 × 𝐸(𝑋2 ) = 3 × 0 − 2 × 0 = 0
𝑉(3𝑋5 − 2𝑋2 ) = 𝑉(3𝑋5 ) + 𝑉(2𝑋2 ) = 9 × 𝑉(𝑋5 ) + 4 × 𝑉(𝑋2 ) = 9 × 1 + 4 × 1 = 13
Em relação à alternativa E, a razão entre duas variáveis normais segue distribuição de Cauchy. A distribuição F-
Snedecor é definida como:


Aula 09
𝒳𝑘21
⁄
𝑘
𝐹𝑘1 ,𝑘2 = 2 1
𝒳𝑘2
⁄
𝑘2
Gabarito: D
15. (FGV/2018 – AL/RO) Se a variável aleatória U tem distribuição qui-quadrado com 4 graus de liberdade
e a variável aleatória Z tem distribuição N(0, 1), U e Z independentes, então a variável aleatória W = U/Z 2 tem
distribuição
a) qui-quadrado com 3 graus de liberdade
b) qui-quadrado com 4 graus de liberdade
c) N(1, ¼)
d) F com 3 graus de liberdade no numerador e 1, no denominador
e) F com 4 graus de liberdade no numerador e 1, no denominador
Comentários:
O enunciado informa que W = U/Z2, em que U é uma variável com distribuição qui-quadrado com 4 graus de
liberdade e Z é uma variável normal padrão, ou seja, Z2 é uma distribuição qui-quadrado com 1 grau de
liberdade. A distribuição formada pela razão entre distribuições qui-quadrado é a distribuição F.
Gabarito: E


Aula 09
LISTA DE QUESTÕES – MULTIBANCAS
Noções de variáveis contínuas
CEBRASPE
A função f(t) mostrada acima corresponde à função densidade de probabilidade do tempo gasto (t, em
meses) para se analisar um processo em determinada vara civil. Com relação essa função, julgue o item
seguinte.
A probabilidade de um processo, escolhido ao acaso, demorar menos de três meses para ser analisado é
superior a 0,99.
A função f(t) mostrada acima corresponde à função densidade de probabilidade do tempo gasto (t, em
meses) para se analisar um processo em determinada vara civil. Com relação essa função, julgue o item
seguinte.
A probabilidade de um processo, escolhido ao acaso, demorar mais de dois meses para ser analisado é
superior a 0,4.
3. (CEBRASPE/2014 – Analista Judiciário do TJ/SE) Considerando que X seja uma variável aleatória
contínua, tal que E(X) = 1 e E(X2) = 4, julgue o item seguinte.
O coeficiente de variação é igual ou superior a 2.


Aula 09
4. (CEBRASPE/2020 – Analista Judiciário do TJ/PA) Se Y for uma variável aleatória contínua e simétrica
em torno de zero, tal que P(Y 2 < 4) = 0,4, então P(Y > 2) será igual a
a) 0,2
b) 0,3
c) 0,4
d) 0,5
e) 0,6
5. (CEBRASPE/2013 – Analista Judiciário do TRT 17ª Região) Com base em distribuições contínuas,
julgue o item subsequente.
Considere que uma variável aleatória contínua e simétrica em zero tenha função densidade de
probabilidade f(x) tal que
Nesse caso, P(X ∈ [-k;k]) = 0.
6. (CEBRASPE/2013 – Analista Judiciário do TRT 17ª Região) Com relação à teoria de probabilidades,
𝑘+1
Se 𝑓(𝑥) for uma função densidade de probabilidade definida em [0, ∞) e se 𝑔(𝑘) = ∫𝑘 𝑓(𝑥). 𝑑𝑥, então
∑∞𝑘=0 𝑔(𝑘) = 1
7. (CEBRASPE/2020 – Analista Judiciário do TJ/PA) O tempo de duração de processos judiciais (em

anos) que tramitam em certo tribunal é representado por uma variável aleatória contínua Y cuja função
de distribuição acumulada é expressa por:
A partir dessa situação hipotética, assinale a opção correta.


Aula 09
a) A mediana de Y é superior a 1.
b) P(Y = 1) = 0,75
c) A moda da variável Y é igual a 1,5
d) O valor esperado de Y é igual a 1.
e) A variância de Y é inferior a 100.
FGV
8. (FGV/2017 – IBGE) Sejam X e Y duas variáveis aleatórias com variâncias iguais a 21 e 17,
==3e713==
respectivamente. Além disso, sabe-se que a variável Z representada pela diferença entre as duas tem
variância igual a 44. Com base em tais informações, é correto deduzir que:
a) as variáveis Z e X são positivamente correlacionadas;
b) o momento de segunda ordem de Y é maior do que o de Z;
c) a média de Z é menor do que ambas as médias, de X e de Y;
d) a covariância entre X e Y é positiva;
e) as variáveis X e Y são negativamente correlacionadas
9. (FGV/2018 – TJ/AL) Seja X uma variável aleatória do tipo contínua com função de densidade de
ƒx(x) = (2 – 2x) para 0 < x < 1 e Zero caso contrário
Assim sendo, sobre as estatísticas de X tem-se que:
a) E(X) = 0,75;
b) Var(X) = 4;
c) Mo(X) = 0;
d) Me(X) = 0,25;
e) Q3 = 0,5


Aula 09
10. (FGV/2017 – IBGE) Para duas variáveis aleatórias estão disponíveis as seguintes informações
estatísticas: Cov (Y, Z) = 18, E(Z) = 4, Var(Z) = 25, E(Y) = 4 e CV(Y) = 2. Onde CV é o coeficiente de variação,
além da nomenclatura usual. Então a expressão E(Z2) + Var(2Y - 3Z) vale:
a) 265
b) 274
c) 306
d) 373
e) 405
11. (FGV/2015 – TJ-BA) Seja X uma variável aleatória contínua com uma distribuição triangular, com
função densidade de probabilidade não nula no intervalo [0,2], dada por f(x) = 1/2.(2-x) , sendo nula caso
contrário. Então é possível afirmar que:
a) P(X > 1) = P( X ≤ 1) = 0,5
b) FX(x) = 1 – x2/4, é a função distribuição acumulada de X;
c) FX(1,5) = 15/16
d) E(X) = ¾, é a esperança matemática de X;
e) Me(X) > 1, onde Me(X) representa a mediana de X
12. (FGV/2016 – IBGE) Seja X uma variável aleatória mista com função densidade de probabilidade
𝟏
dada por: 𝒇𝑿 (𝒙) = 𝒙𝟐 𝒑𝒂𝒓𝒂 𝟏 < 𝒙 ≤ 𝟒, 𝑷(𝑿 = 𝟏) = 𝟎, 𝟐𝟓, sendo igual a zero caso contrário. Então os
valores de 𝑷(𝑿 ≤ 𝟐) e 𝑬(𝑿𝟐 ), esperança matemática de X ao quadrado, são respectivamente iguais a:
a) 0,25 e 2,50;
b) 0,50 e 2,50;
c) 0,50 e 3,25;
d) 0,75 e 2,50;
e) 0,75 e 3,25.


Aula 09
FCC
13. (FCC/2015 – DPE-SP) Usuários de certo medicamento para o tratamento de câncer interpõem aos
órgãos públicos responsáveis, através da Defensoria Pública de sua região, ações para o recebimento do
medicamento. Suponha que o tempo, em meses, entre a interposição da ação e o recebimento do
medicamento pelos usuários, seja uma variável aleatória com a seguinte função de probabilidade
𝑲. 𝒙, 𝟎<𝒙≤𝟐
𝒇(𝒙) = { 𝟐𝑲, 𝟐 < 𝒙 ≤ 𝟒}
𝟎, 𝒙>𝟒
Nessas condições, o tempo médio, em dias, para o recebimento do medicamento pelos usuários pertence
ao intervalo
a) [68,70)
b) [65,68)
c) [74,76)
d) [71,73)
e) [73,75)
14. (FCC/2015 – TRE-RR) A função de distribuição acumulada da variável aleatória X é dada por
𝟎, 𝒔𝒆 𝒙 ≤ 𝟎
𝑭(𝒙) = {𝟒. 𝒙𝟐 , 𝒔𝒆 𝟎 < 𝒙 ≤ 𝟎, 𝟓}
𝟏, 𝒔𝒆 𝒙 > 𝟎, 𝟓
Nessas condições, a variância de X é igual a:
a) 1/36
b) 1/18
c) 1/72
d) 1/9
e) 2/9


Aula 09
15. (FCC/2018 – TRT-2ª Região) A função densidade de probabilidade de uma variável aleatória
contínua X é dada por
𝟎, 𝟐(𝒙 − 𝟎, 𝟓), 𝒑𝒂𝒓𝒂 𝟐 ≤ 𝒙 ≤ 𝑲

𝒇𝑿 (𝒙) = { }
Sendo K > 2, então a variância de X é igual a
a) 103/225
b) 4/9
c) 71/225
d) 199/225
e) 9/15
16. (FCC/2012 – TRE-SP) A função densidade de probabilidade da variável aleatória X é dada por:
𝒌. 𝒙𝟑 , 𝟎≤𝒙≤𝟐
𝒇(𝒙) = { }
A probabilidade condicional dada por: P(1 ≤ X ≤ 1,5 | X ≤ 1,5) é igual a
a) 2/9
b) 5/9
c) 15/49
d) 43/81
e) 65/81


Aula 09
CESGRANRIO
17. (CESGRANRIO/2011 – Petrobrás) A função densidade de uma variável aleatória é dada por f(x) =
x/4, para 1 ≤ x ≤ 3, com f(x) = 0 para os demais valores de x. A probabilidade de que X assuma um valor
menor que 2 é
a) 1/4
b) 1/3
c) 5/16
d) 3/8
e) 1/2
18. (CESGRANRIO/2011 – Transpetro)
O gráfico da figura acima mostra a função densidade de probabilidade de um experimento com uma
variável aleatória X. O valor de A é
a) 0,10
b) 0,15
c) 0,20
d) 0,25
e) 0,30


Aula 09
19. (CESGRANRIO/2014 – FINEP) As Figuras abaixo mostram os gráficos de diversas funções que
deveriam representar a distribuição acumulada de probabilidade de uma variável aleatória contínua X.
Essa variável X assume valores no intervalo fechado [0, 1], segundo uma distribuição uniforme.
Constata-se que o gráfico correspondente à distribuição acumulada de X é o da Figura
a)
b)
c)


Aula 09
d)
e)


Aula 09
GABARITO
1. CERTO 8. LETRA E 15. LETRA C
2. ERRADO 9. LETRA E 16. LETRA E
3. ERRADO 10. LETRA C 17. LETRA D
4. LETRA B 11. LETRA C 18. LETRA D
5. CERTO 12. LETRA E 19. LETRA A
6. CERTO 13. LETRA E
7. LETRA D 14. LETRA C


Aula 09
Teoremas de Desigualdade
1. (FCC/2014 – Analista Judiciário do TRT 13ª Região) A média de uma variável aleatória contínua X,
em que se desconhece sua distribuição, é igual a 10,4. Pelo teorema de Tchebichev obteve-se um intervalo
igual a (7,4 ; 13,4) em que a probabilidade mínima de X pertencer a este intervalo é igual a 84%. O valor
da variância (σ2) da variável X é tal que
a) 𝜎 2 < 1,25.
b) 1,25 ≤ 𝜎 2 < 1,50.
c) 1,50 ≤ 𝜎 2 < 1,75.
d) 1,75 ≤ 𝜎 2 < 2,00.
e) 𝜎 2 ≥ 2,00.
2. (FCC/2014 – TRE-RR) Conclui-se que, com a utilização do Teorema de Tchebichev, uma variável
aleatória X com média igual a 50 apresenta uma probabilidade mínima de 75% de X pertencer ao intervalo
(45, 55). A variância de X é
a) 4,00.
b) 1,00.
c) 1,44
d) 2,25.
e) 6,25.


Aula 09
3. (FCC/2016 – TRT-20ª Região) Sabe-se, pelo Teorema de Tchebichev, que a probabilidade mínima de
que uma variável aleatória X pertença ao intervalo (m − 1, m + 1) é igual a 75%. Se a média de X é m, então
a variância de X é igual a
a) 1/4
b) 1/16
c) 1/64
d) 1
e) 9/16
==3e713==
4. (FCC/2018 – TRT-2ª Região) Em virtude de não se conhecer a função de densidade de uma variável
aleatória X, com média 22, obteve-se um intervalo de confiança (20, 24), sabendo-se que existe a
probabilidade mínima de 84% de X pertencer a este intervalo conforme o Teorema de Tchebichev.
Considerando este mesmo teorema, obtém-se que a probabilidade de X não pertencer ao intervalo (22 −
K, 22 + K) é no máximo 6,25%. A amplitude deste último intervalo é de
a) 8,0
b) 3,2
c) 6,4
d) 4,0
e) 5,6
5. (FCC/2014 – Analista Judiciário do TRT 19ª Região) Uma variável contínua X apresenta uma média
igual a 50. Pelo Teorema de Tchebyshev, a probabilidade de X não pertencer ao intervalo (10, 90) é no
máximo 25%. O resultado da divisão da variância de X pelo quadrado da média de X é
a) 0,64.
b) 0,25.
c) 0,16.
d) 0,32.
e) 0,04.


Aula 09
GABARITO
1. LETRA B 3. LETRA A 5. LETRA C
2. LETRA E 4. LETRA C


Aula 09
Uniforme
CEBRASPE
1. (CEBRASPE/2016 – Auditor de Controle Externo do TCE/PA) Considerando que, em um circuito
elétrico, a corrente I siga uma distribuição uniforme no intervalo (0,1) e que a potência W desse circuito
seja expressa por W = I2, julgue o item a seguir relativo às transformações de variáveis.
A função de distribuição acumulada de W é F(w) = P(W ≤ w) = w2 , em que 0 ≤ w ≤ 1.

Nesse circuito, a potência esperada é igual a 1/3.

A variância de W é maior que 0,10.
FGV
4. (FGV/2018 – AL/RO) Se (Xn) é uma sequência de variáveis aleatórias com distribuição uniforme no
intervalo (0, (n – 1)/ n), n > 1, então (Xn) converge para uma distribuição
a) uniforme no intervalo (0, 1).
b) qui-quadrado com 1 grau de liberdade
c) exponencial com parâmetro 𝜆 = 1.
d) normal padrão.
e) geométrica parâmetro 𝜃 = 1.


Aula 09
5. (FGV/2017 – IBGE) Sabe-se que o tempo de aplicação de um questionário em uma pesquisa de

campo é uma variável com distribuição uniforme entre 8 e 20 minutos. Um entrevistador pretende aplicar
três questionários.
Logo, é correto afirmar que:
a) a probabilidade de que todas as entrevistas durem mais do que 15 minutos é de 27/64;
b) a probabilidade de que duas entrevistas durem mais do que a média é igual a 5/8;
c) o desvio padrão do tempo de duração de cada entrevista é igual a 2 minutos;
d) a probabilidade de que apenas uma das entrevistas leve menos da metade do tempo máximo é igual a
25/72. ==3e713==
e) a probabilidade do tempo total de entrevista exceder 40 minutos é igual a 0,5.


Aula 09
GABARITO
1. ERRADO 4. LETRA A
2. CERTO 5. LETRA D
3. ERRADO


Aula 09
Exponencial
CEBRASPE
1. (CEBRASPE/2016 – Analista de Controle Externo do TCE/PA) Se o tempo de espera por atendimento
(T, em minutos) em determinada repartição pública segue uma distribuição exponencial com média igual
a 30 minutos, então:
A probabilidade de ocorrer o evento [T = 30], isto é, P([T=30]), é igual a zero.

O saldo diário esperado é E(S) = 0,05.

A variância do saldo diário é Var(S) = 41.


Aula 09

A correlação linear entre as variáveis aleatórias R e D é igual a 0,5.

A probabilidade de o saldo S ser nulo é igual a 0.

P(R ≤ r) = 1 – e0,2r, para r ≥ 0; e P(R ≤ r) = 0, para r < 0; e
P(D ≤ d) = 1 – e0,25d, para d ≥ 0; e P(D ≤ d) = 0, para d < 0.
Considerando que a covariância entre as variáveis R e D seja igual a 10, e que S = R D seja o saldo diário,
P(R ≤ 5) = P(D ≤ 4).


Aula 09
FGV
7. (FGV/2018 – TJ-AL) Suponha que o tempo de espera para a marcação de uma 1a audiência nas varas
de família de um tribunal seja uma variável aleatória que depende do número de novas ações, seguindo
uma distribuição exponencial com média de 2,5 meses.
Então, trabalhando com 𝒆−𝟎,𝟒 = 𝟐⁄𝟑, a probabilidade de que uma 1ª audiência seja marcada para mais do
que 2 meses depois é igual a aproximadamente:
a) 16%
b) 33%
c) 45%
d) 56%
e) 67%
8. (FGV/2015 – TJ-BA) O tempo necessário para apreciação de uma petição pelos magistrados em
determinado tribunal foi tipificado como uma variável aleatória com distribuição exponencial. Sabe-se
ainda que a probabilidade de que uma petição não seja apreciada nos 30 dias após ser encaminhada é de
40%. Se uma petição já está aguardando despacho há 60 dias, a probabilidade de que seja apreciada antes
de completar 90 dias é igual a:
a) (0,6)3
b) (0,4)1(0,6)2
c) (0,4)2(0,6)1
d) 0,4
e) 0,6


Aula 09
9. (FGV/2015 – TJ-RO) Sabe-se que o tempo de duração de um processo na justiça do trabalho é uma
variável aleatória contínua distribuída exponencialmente, com média de 1200 dias. Se já passaram 900
dias de um processo, a probabilidade de que ele dure mais do que 1500 dias é igual a:
a) e-5/4
b) e-3/4
c) e-1/2
d) 1 – e-2/3
e) 1 – e-1/2
==3e713==
10. (FGV/2017 – IBGE) Suponha que o tempo de vida útil da lâmpada de um Scanner seja distribuído
exponencialmente com parâmetro 𝜷 = 600 horas. Se T representa a durabilidade da lâmpada, é correto
afirmar que:
a) P(T > 600) = 0,50;
b) P(200 < T < 600) = 0,25;
c) P(T > 1500) = 1 – e-2;
d) P(T > 1200 | T > 300) = P(T > 900)
e) P(T < 450) = 1 – e-2/5


Aula 09
11. (FGV/2018 – AL-RO) Acerca da soma de variáveis aleatórias, avalie se as afirmativas a seguir, estão
corretas.
I. A soma de n variáveis aleatórias independentes e identicamente distribuídas Bernoulli com parâmetro
p, tem distribuição binomial com parâmetros n e p.
II. A soma de n variáveis aleatórias independentes e identicamente distribuídas Poisson com parâmetro λ
tem distribuição Poisson com parâmetro nλ.
III. A soma de n variáveis aleatórias independentes e identicamente distribuídas exponencial com
parâmetro λ tem distribuição gama com parâmetros n e λ.
Está correto o que se afirma em
a) I, apenas.
b) I e II, apenas.
c) I e III, apenas.
d) II e III, apenas.
e) I, II e III.
FCC
12. (FCC/2016 – TRT/20ª Região) Suponha que a variável X, que representa o tempo de vida, em horas,
do vírus da gripe em superfícies não porosas como metal, plástico e madeira, tenha distribuição
exponencial com média de 10 horas. Nessas condições, P(X < 8 horas) é igual a
Dados: e-0,8 =0,45 e-0,4=0,67 e-1=0,37
a) 0,62
b) 0,45
c) 0,33
d) 0,38
e) 0,55


Aula 09
13. (FCC/2014 – TRT/19ª Região) O tempo de espera, em meses, para a concessão de certa licença
ambiental em um órgão responsável por tais licenças é uma variável aleatória X com distribuição
exponencial com média de 2 meses. A probabilidade condicional de X ser superior a 2 meses, sabendo-se
que X foi, no máximo, igual a 3 meses é igual a
Dados: e-1 = 0,368; e-1,5 = 0,223; e-2 = 0,135
a) 123/210
b) 151/632
c) 145/632
d) 123/505
e) 145/777
14. (FCC/2017 – Analista Judiciário do TRT/11ª Região) Uma indústria produz lâmpadas do tipo I e II.
Considere as seguintes variáveis aleatórias: X = tempo de vida das lâmpadas do tipo I em horas e Y = tempo
de vida das lâmpadas do tipo II em horas. De um lote de 500 lâmpadas sendo 200 do tipo I e 300 do tipo II
retira-se ao acaso uma lâmpada. Sabe-se que X tem distribuição exponencial com média de 5000 horas e
que Y tem distribuição exponencial com média de 8000 horas. Nessas condições, a probabilidade da
lâmpada selecionada ter duração entre 4000 e 6000 horas é
Dados: e−0,5 = 0,61 e−0,75 = 0,47 e−0,8 = 0,45 e−1 = 0,37 e−1,2 = 0,30
a) 0,072
b) 0,110
c) 0,144
d) 0,230
e) 0,180


Aula 09
15. (FCC/2014 – TRT/16ª Região) Para responder às questões use, dentre as informações dadas abaixo,
as que julgar apropriadas.
Se e é a base dos logaritmos naturais, tem-se e-1 = 0,37, e-1,2 = 0,30, e-1,5 = 0,22, e-2 = 0,14.
Para fazer uma compra, via internet, uma pessoa escolhe entre duas grandes lojas de departamentos: A e
B. Suponha que em 40% dos casos essa pessoa escolha a loja A e em 60% dos casos escolha a B. Suponha
que o tempo de conexão, em minutos, para a efetivação da compra seja uma variável com distribuição
exponencial com médias 5 minutos e 4 minutos, respectivamente, para a compra em A e B. Nessas
condições, a probabilidade de ao fazer uma compra a loja escolhida ser B, dado que o tempo de efetivação
da compra foi superior a 6 minutos é igual a
a) 11/21
b) 11/26
c) 10/23
d) 10/11
e) 12/23
CESGRANRIO
16. (CESGRANRIO/2014 – EPE) Um equipamento eletrônico tem vida útil média de 10 anos. Supondo
que a vida útil do equipamento segue o comportamento de uma variável aleatória com distribuição
exponencial, qual é a probabilidade de esse equipamento ter vida útil acima de 12 anos?
a) exp(-120)
b) exp(-12)
c) exp(-1,2)
d) exp(-0,12)
e) exp(-0,012)


Aula 09
17. (CESGRANRIO/2014 – EPE) Um componente tem a vida útil (em horas) regida pela distribuição
exponencial com média θ horas. Qual a probabilidade de um dado componente atender à demanda de θ
horas?
a) 1/2
2
b) 𝑒 −𝜃
c) 𝑒 −𝜃
d) 𝑒 −1/2
e) 𝑒 −1
18. (CESGRANRIO/2013 – BNDES) O tempo de ligações telefônicas segue uma distribuição de

probabilidade exponencial com média de 3 minutos. Um sujeito chega a um telefone público e descobre
que a pessoa à sua frente está na ligação há pelo menos dois minutos. Qual é a probabilidade de essa
ligação durar pelo menos cinco minutos no total?
a) e-1
b) e-2
c) e-3
d) 1 – e-3
e) 1 – e-5
19. (CESGRANRIO/2014 – EPE) Uma companhia possui dois geradores elétricos. O tempo até a falha de
cada gerador se comporta segundo uma distribuição exponencial, com média de 10 anos. A companhia
passa a usar o segundo gerador tão logo o primeiro em funcionamento falhe. Qual é a variância do tempo
total em que os dois geradores produziram energia?
a) 200
b) 150
c) 100
d) 20
e) 10


Aula 09
GABARITO
2. ERRADO 9. LETRA E 16. LETRA C
3. ERRADO 10. LETRA D 17. LETRA E
6. CERTO 13. LETRA E
7. LETRA C 14. LETRA C


Aula 09
Distribuição Normal
CEBRASPE
1. (CEBRASPE/2018 – Oficial Técnico de Inteligência da ABIN) Em uma fábrica de ferragens, o

departamento de controle de qualidade realizou testes na linha de produção de parafusos. Os testes
ocorreram em dois campos: comprimento dos parafusos e frequência com que esse comprimento fugia da
medida padrão. Historicamente, o comprimento médio desses parafusos é 3 cm, e o desvio padrão
observado é 0,3 cm. Foram avaliados 10.000 parafusos durante uma semana. Desses, 1.000 fugiram às
especificações técnicas da gerência: o comprimento do parafuso deveria variar de 2,4 cm a 3,6 cm. O chefe
da linha de produção, porém, insiste em afirmar que, em média, 4% da produção de parafusos fogem às
especificações. O departamento de controle de qualidade assume que os comprimentos dos parafusos
têm distribuição normal.
A partir dessa situação hipotética, julgue o item subsequente, considerando que Φ(1) = 0,841, Φ(1,65) =
0,95, Φ(2) = 0,975 e Φ(2,5) = 0,994, em que Φ(z) é a função distribuição normal padronizada acumulada,
𝟎,𝟎𝟑𝟖𝟒
e que 0,002 seja valor aproximado para √𝟏𝟎.𝟎𝟎𝟎.
Considere que o maior parafuso já encontrado na linha de produção tenha 3,75 cm de comprimento. Nesse
caso, a probabilidade de que um parafuso escolhido aleatoriamente tenha comprimento maior que esse será
superior a 1%.
em determinada região do país é uma variável aleatória W que segue distribuição normal com média igual
a R$ 10 mil e desvio padrão igual a R$ 4 mil. Nessa situação hipotética, julgue o próximo item.
P(W > R$ 10 mil) = 0,5.
em determinada região do país é uma variável aleatória W que segue distribuição normal com média igual
𝑊−20
A razão segue distribuição normal padrão.
√4


Aula 09
4. (CEBRASPE/2016 – TCE-PR) Se X for uma variável aleatória normal com média 0,8 e variância 0,4, e
P(X ≤ x) representar a função de distribuição de probabilidade acumulada dessa variável X, para x ∈ R,
então
𝑋−0,8
a) A razão será uma variável aleatória normal padrão.
0,4
b) O coeficiente de variação de X será inferior a 0,4
c) A moda de X será inferior a 0,6
d) P(X = 0,8) = P(X = 0,1)
e) P(X ≤ 0,7) < P(X ≥ 0,9)

aleatória X segue a distribuição normal com média 1e variância 4 e que a função de densidade dessa
variável é expressa por:
É correto afirmar que P(|X| < 5) = 0,954.

1
A probabilidade de se observar o evento [X = 1] é igual a 2√2.𝜋.


Aula 09

O terceiro quartil da distribuição X é igual a 2,348.
FGV
8. (FGV/2017 – MPE/BA) O tempo para a tramitação de certo tipo de procedimento aberto pelo
Ministério Público, em um dado instante, é uma variável aleatória com distribuição normal, tendo média
igual de 10 meses e desvio-padrão de 3 meses. Um novo grupo de procuradores, recém-chegados à
instituição, deve cuidar de alguns procedimentos, que serão sorteados dentre os que já têm mais de 7
meses de duração.
Sobre a função acumulada da normal são dados os valores: Ø(1) = 0,80 , Ø(1,5) = 0,92 e Ø(2,0) = 0,98
Com tais informações, a probabilidade de que um procedimento com mais de 16 meses seja selecionado
é igual a:
a) 2,0%
b) 2,5%
c) 5,0%
d) 8,0%
e) 10,0%


Aula 09
9. (FGV/2015 – TCM-SP) Uma cuidadosa pesquisa de preços sobre os custos da construção civil, mais
especificamente para a edificação de certos tipos de infraestruturas públicas, demonstrou que o valor por
metro quadrado tem distribuição próxima da Normal com média de R$1.600 e variância 14.400. São
fornecidos também valores da distribuição normal padrão e respectivas probabilidades, conforme abaixo:
Suponha que, para fins de fiscalização, o Tribunal de Contas do Município de São Paulo tenha
convencionado que, dentre todas as obras, as 10% mais caras deveriam passar por um exame ainda mais
detalhado. Então, isso significa que o critério estabelecido determina, estatisticamente, que uma obra
deverá receber um tratamento mais rigoroso quando o custo por metro quadrado for superior a:
a) R$ 1,403,20;
b) R$ 1.446,40;
c) R$ 1.753,60;
d) R$ 1.796,80;
e) R$ 1.835,20.
10. (FGV/2015 – TJ-BA) Sejam Y e W variáveis aleatórias independentes, ambas com distribuição
normal, com médias μy = 2 e μW = 4 e com variâncias dadas por 𝝈𝟐 y = 9 e 𝝈𝟐 W = 16
a) P(Y > 4) > P(W < 2);
b) P(Y < -4) = P(W < -4);
c) P(|Y| < 2) > P(|W| > 4);
d) P(2Y – W > -1) < 0,5;
e) P(Y + W < 6) < 0,5 e P(W – Y > 3) > 0,5.


Aula 09
11. (FGV/2016 – IBGE) A distribuição das alturas dos indivíduos de uma população é aproximadamente
Normal, com média 1,70 m e variância 0,01. Adicionalmente, não havendo, na população, pessoas com
alturas inferiores a 1,50 m nem superiores a 1,90 m, essa distribuição é truncada nos extremos.
São fornecidas também as seguintes informações: ɸ (1)≅ 0,84 e ɸ (2) ≅ 0,98, ɸ (z) = função distribuição
acumulada da Normal Padrão.
Então a probabilidade de que um indivíduo da população, sorteado ao acaso, tenha altura entre 1,60 m e
1,80 m é:
23
a) (24);
21
b) (24);
21
c) (23);
17
d) (24);
17
e) (23);
FCC
12. (FCC/2019 – Auditor Fiscal da SEFAZ/BA) Durante um período de tempo, registrou-se em uma
fábrica a quantidade diária de óleo (Q) em litros consumida para a produção de um produto. Concluiu-se
que a população formada por estas quantidades é normalmente distribuída com média igual a 50 litros
por dia. Sabe-se que 5% dos valores destas quantidades são inferiores a 41,8 litros e 90% possuem um
valor de no máximo x litros. O valor de x é igual a
a) 58,2
b) 56,4
c) 59,8
d) 57,3
e) 54,2


Aula 09
13. (FCC/2019 – Auditor Fiscal de Tributos da SEMEF/Manaus) Uma grande população formada pelos
comprimentos de determinadas peças é normalmente distribuída com média μ igual a 20 centímetros.
Observa-se que 84% das peças da população possuem um comprimento inferior a 25 centímetros.
Se 90% das peças possuem um comprimento superior a x centímetros, então, x é igual a
a) 12,2
b) 13,6
c) 11,8
d) 15,8
e) 14,7
P(Z < 0,4) = 0,655; P(Z < 0,67) = 0,75; P(Z < 1,4) = 0,919; P(Z < 1,6) = 0,945;
P(Z < 1,64) = 0,95; P(Z < 1,75) = 0,96; P(Z < 2) = 0,977; P(Z < 2,05) = 0,98
A porcentagem do orçamento gasto com educação nos municípios de certo estado é uma variável aleatória
X com distribuição normal com média μ(%) e variância 4(%)2. Um gasto em educação superior a 10% tem
probabilidade de 4%. Nessas condições, o valor de μ é igual a
a) 5,50%
b) 6,20%
c) 7,35%
d) 6,50%
e) 7,85%


Aula 09
15. (FCC/2018 – Analista Judiciário do TRT/2ª Região) Em uma grande cidade, a população formada
pela altura de seus habitantes adultos é normalmente distribuída e considerada de tamanho infinito.
Sabe-se que 5% destes habitantes têm altura superior a 180 cm. Se apenas 2,5% destes habitantes têm
altura inferior a 162 cm, então a média desta população é de
a) 171,2
b) 171,8
c) 171,4
d) 171,6
e) 172,0
P(Z < 0,4) = 0,655; P(Z < 0,67) = 0,75; P(Z < 1,4) = 0,919; P(Z < 1,6) = 0,945;
P(Z < 1,64) = 0,95; P(Z < 1,75) = 0,96; P(Z < 2) = 0,977; P(Z < 2,05) = 0,98
O diâmetro de uma peça produzida por uma indústria metalúrgica é uma variável aleatória X, normal, com
média de 10 cm e primeiro quartil igual a 7,99 cm. Todas as peças desta produção que distam da média
por mais do que 4,2 cm são vendidas como sucata. Nessas condições, a proporção de peças da produção
que será vendida como sucata é igual a
a) 15,6%
b) 12,4%
c) 8,1%
d) 8,7%
e) 16,2%


Aula 09
17. (FCC/2015 – TER/RR) Se Z tem distribuição normal padrão, então: P(Z < 1) = 0,841; P(Z < 1,28) =
0,90; P(Z < 1,5) = 0,933; P(Z < 1,8) = 0,964.
O diâmetro de uma peça é uma variável aleatória X, com distribuição normal com média μ (cm) e variância
igual a 2,25(cm)2.
Ao vender a peça, o lucro obtido pelo fabricante é de 50 reais se X se distanciar de sua média por, no
máximo, 1,5 cm e, é de −10 reais caso contrário. Nessas condições, o lucro esperado por peça do fabricante
é, em reais, igual a
a) 25,40
b) 32,80
c) 30,92
d) 28,50
e) 32,84
VUNESP
18. (VUNESP/2015 – TJ-SP) Em uma indústria, certo produto é embalado, e o peso médio com a
embalagem é de 600 g com distribuição normal, e o desvio padrão, 1,5 g. Há um setor de controle que
considera fora do padrão para comercialização embalagens com menos de 597 g ou mais de 603 g. Em
cada lote de 1 000 embalagens que passam por esse setor de controle, espera-se um número n de
embalagens fora do padrão. Assinale a alternativa que apresenta o número mais próximo de n.
a) 23
b) 26
c) 30
d) 33
e) 46
Para esta e para as próximas questões, considere a seguinte tabela, constante nas respectivas provas.


Aula 09


Aula 09
19. (VUNESP/2014 – TJ-PA) Supondo que em uma amostra de 4 baterias automotivas tenha-se
calculado o tempo de vida média de 4 anos. Sabe-se que o tempo de vida da bateria é uma distribuição
normal com desvio padrão de 1 ano e meio.
Supondo que a média de todas as baterias seja de 4 anos, com o desvio padrão de 1 ano e meio, se a
fábrica de baterias dá 2 anos de garantia, a porcentagem de baterias trocadas será de aproximadamente:
a) 12%
b) 9%
c) 7%
d) 5%
e) 2%
20. (VUNESP/2015 – TJ-SP) Em uma distribuição normal, em que 9% dos dados estão acima de 20, e
15% dos dados estão abaixo de 10, os valores mais próximos da média e do desvio padrão são,
respectivamente,
a) 10,1 e 2,2.
b) 11,3 e 2,5.
c) 13,1 e 3,2.
d) 13,5 e 3,3.
e) 14,4 e 4,2.


Aula 09
CESGRANRIO
21. (CESGRANRIO/2012 – Petrobras) Considere que, no verão, o valor das vendas de determinada loja,
nas sextas-feiras que sejam dias úteis, tem uma distribuição de probabilidades normal, com média igual a
R$ 10.000,00 e desvio padrão de R$ 2.000,00.
Com essa hipótese, a probabilidade de que, em uma dessas sextas-feiras úteis do verão, o valor das vendas
seja inferior a R$ 8.000,00 é
a) menor que 20%
b) igual a 20%
c) maior que 20% e menor que 25% ==3e713==
d) igual a 25%
e) maior que 25%
22. (CESGRANRIO/2012 – Innova) Suponha que o tempo de vida de baterias de celular tenha
distribuição normal com média de 120 minutos e variância de 100 minutos. Qual é a probabilidade
aproximada de uma bateria durar menos que 100 minutos?
a) 0,15%
b) 2,5%
c) 5%
d) 10%
e) 16%
Para as próximas questões, utilize a tabela normal a seguir, constante nas respectivas provas da
CESGRANRIO.


Aula 09


Aula 09
23. (CESGRANRIO/2012 – Petrobras) O peso de lotes produzidos por uma certa indústria segue uma
distribuição normal, com média de 10 kg e desvio padrão de 0,2 kg. Em um lote dessa indústria,
selecionado aleatoriamente, qual a probabilidade de o peso do lote não se afastar por mais de 1% do peso
médio?
a) 50%
b) 38,30%
c) 17,42%
d) 7,96%
e) 0%
24. (CESGRANRIO/2016 – IBGE) O tempo de atendimento (em minutos) para chamadas de emergência
do SAMU no Rio de Janeiro segue uma distribuição normal com média 12 e variância 25. Qual a
probabilidade de que o tempo de atendimento para uma dada chamada exceda a 20 minutos?
a) 1,79%
b) 2,87%
c) 5,48%
d) 25,50%
e) 37,45%
25. (CESGRANRIO/2012 – Petrobras) Os salários de técnicos de uma empresa se distribuem

normalmente com média de R$ 3.200,00 e desvio padrão de R$ 800,00. Selecionando-se aleatoriamente
dois salários de técnicos dessa empresa, qual a probabilidade de pelo menos um deles ser superior a R$
3.880,00?
a) 72,25%
b) 15,86%
c) 3,91%
d) 19,77%
e) 35,63%


Aula 09
GABARITO
1. ERRADO 10. LETRA B 19. LETRA B
2. CERTO 11. LETRA D 20. LETRA E
3. ERRADO 12. LETRA B 21. LETRA A
4. LETRA D 13. LETRA B 22. LETRA B
5. ERRADO 14. LETRA D 23. LETRA B
6. ERRADO 15. LETRA B 24. LETRA C
7. CERTO 16. LETRA E 25. LETRA E
8. LETRA B 17. LETRA C
9. LETRA C 18. LETRA E


Aula 09
Soma de Variáveis e o Teorema Central do Limite
CEBRASPE
1. (CEBRASPE/2018 – Oficial Técnico de Inteligência da ABIN) Se X e Y forem variáveis independentes

e tiverem distribuição normal com médias μX e μY, respectivamente, e variâncias σ2x e σ2y ,
respectivamente, então a soma X + Y terá média μX + μY e variância σ2x + σ2y.
2. (CEBRASPE/2018 – Agente de Polícia Federal) O valor diário (em R$ mil) apreendido de contrabando
em determinada região do país é uma variável aleatória W que segue distribuição normal com média igual
Se W1 e W2 forem duas cópias independentes e identicamente distribuídas como W, então a soma W1 + W2

seguirá distribuição normal com média igual a R$ 20 mil e desvio padrão igual a R$ 8 mil.
A variável aleatória W segue distribuição normal com variância unitária.
A variável aleatória V segue distribuição normal.
A variância da variável aleatória V é igual a 2.


Aula 09
A covariância entre W e Z é igual a -1.
7. (CEBRASPE/2018 – Analista Administrativo – EBSERH) Considerando que X e Y sejam variáveis

aleatórios mutuamente independentes que seguem distribuição normal padrão, julgue o próximo item.
A soma S = X + Y e a diferença D = X – Y seguem distribuições distintas.
==3e713==
FGV
8. (FGV/2018 – TJ-AL) Suponha que as penas previstas para punição por corrupção e lavagem de
dinheiro, a serem aplicadas a um ex-chefe do executivo, são em média iguais a 12 anos. Registros passados
indicam que, em geral, a variância é de 24 anos ao quadrado, com igual distribuição e independentes umas
das outras.
Considere φ(1,25) ≅ 0,9 φ(1,5) ≅ 0,95 φ(2) ≅ 0,975 e φ(2,25) ≅ 0,99 onde φ(z) é a função acumulada da
N (0,1).
Se o réu, que será julgado em 6 processos, for condenado em todos, a probabilidade de que a sua pena
exceda 45 anos é:
a) 75%
b) 90%
c) 95%
d) 97,5%
e) 99%


Aula 09
9. (FGV/2015 – TJ-BA) Sejam X1,X2,X3,...X25 variáveis aleatórias independentes e identicamente

distribuídas, com E (Xi) = 4 e (Vi) = 9
Sobre a variável Y = X1 + X2 + X3 + ... + X25 e usando a tabela da normal-padrão acima é correto afirmar que:
a) 𝑃(𝑌 > 122,5) ≅ 10,75%
b) 𝑃(𝑌 ≤ 70,6) ≅ 5,25%
c) 𝑃(80,8 < 𝑌 < 119,2) ≅ 75,25%
d) 𝑃(𝑌 ≥ 134,95) ≅ 2,00%
e) 𝑃(75,25 ≤ 𝑌 < 133,75) ≅ 93,75%
FCC
10. (FCC/2015 – TER/RR) Se Z tem distribuição normal padrão, então: P(Z < 1) = 0,841; P(Z < 1,28) =
0,90; P(Z < 1,5) = 0,933; P(Z < 1,8) = 0,964. O diâmetro de uma peça é uma variável aleatória X, com
distribuição normal com média μ (cm) e variância igual a 2,25(cm) 2.
Suponha que os funcionários de um determinado órgão público realizem uma tarefa em duas etapas.
Sejam X1 e X2, respectivamente, os tempos para a realização das etapas 1 e 2. Sabe-se que:
I. X1 e X2 são variáveis aleatórias independentes.
II. X1 tem distribuição normal com média igual a 2 horas e desvio padrão de 10 minutos.
III. X2 tem distribuição normal com média igual a 3 horas e variância de 300 (minutos) 2.
Nessas condições, a probabilidade de que um funcionário selecionado ao acaso leve, no mínimo, 270
minutos e, no máximo, 320 minutos, para a realização da tarefa é, em %, igual a
a) 49,4
b) 60,6
c) 58,8
d) 75,0
e) 77,4


Aula 09
CESGRANRIO
Para esta questão, utilize a tabela normal a seguir, constante na respectiva prova da CESGRANRIO.


Aula 09
11. (CESGRANRIO/2011 – BNDES) Um produto tem massa normalmente distribuída com média 60
gramas e desvio padrão 8 gramas e é agrupado por dúzias. A probabilidade de a massa de uma dúzia ser
superior a 750 gramas é, aproximadamente, de
a) 86%
b) 50%
c) 38%
d) 32%
e) 14%


Aula 09
GABARITO
1. CERTO 5. ERRADO 9. LETRA E
2. ERRADO 6. CERTO 10. LETRA E
3. CERTO 7. ERRADO 11. LETRA E
4. CERTO 8. LETRA E


Aula 09
Qui-quadrado
um analista efetuará simulações de Monte Carlo com base em realizações de variáveis aleatórias contínuas
Y (exponencial, com média m), U (uniforme no intervalo [0,1]) e Q (qui-quadrado, com k graus de
liberdade).
2. (Cebraspe/2013 – Telebras) Em métodos estatísticos e estudos estatísticos por simulações

computacionais, a transformação de variável é um recurso que permite resolver problemas de não
normalidade e de heterocedasticidade. Acerca de transformação de variáveis, julgue o item seguinte.
Considere a transformação Y = √𝑋 , em que a variável aleatória X segue a distribuição qui-quadrado com 1

grau de liberdade. Nesse caso, é correto afirmar que Y segue a distribuição normal padrão.

(𝑥−1)2
4


Aula 09


==3e713==


Aula 09
GABARITO
1. ERRADO 4. ERRADO
2. ERRADO 5. CERTO
3. ERRADO


Aula 09
t-Student
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
𝒊=𝟏 𝒀𝒊 ,
𝑌𝑖2⁄
∑25
𝑖=1 25
√∑25
𝑖=1 𝑌𝑖
2
liberdade).
correta.
a) 𝑃(𝑍 > −2) < 𝑃(𝑍 < 2)
b) 𝑃(𝑍 ≤ 2) > 𝑃(𝑇5 ≤ 2)
e) 𝑃(𝑍 < 0) < 𝑃(𝑇10 ≤ 0)


Aula 09
P(2,12 < T16 < 2,921) = 0,04. ==3e713==
A sequência (Tn), em que Tn é a distribuição t de Student com n graus de liberdade, converge em distribuição
para a distribuição normal padrão à medida que n aumenta.


Aula 09
Se T20 representa uma distribuição t de Student com 20 graus de liberdade, então P(T 20 < 2,921) > 0,99.


𝑾
𝒁


Aula 09
GABARITO
1. ERRADO 4. ERRADO 7. ERRADO
2. CERTO 5. CERTO 8. ERRADO
3. LETRA B 6. CERTO


Aula 09
Distribuição F-Snedecor
1. (CESPE/2010 – Estatístico do MS) A distribuição F de Snedecor é definida pela razão de duas

distribuições quiquadrado independentes.
Se Y representa uma distribuição F de Snedecor com 1 grau de liberdade no numerador e 16 graus de

liberdade no denominador, então P(0 < Y < 2,122 ) = 0,95.


Aula 09
GABARITO
1. ERRADO 2. CERTO
==3e713==


Aula 09
t-Student, Qui-quadrado e F-Snedecor
CEBRASPE
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
𝒊=𝟏 𝒀𝒊 ,
𝑌𝑖2⁄
∑25
𝑖=1 25
√∑25
𝑖=1 𝑌𝑖
2
liberdade).
correta.
a) 𝑃(𝑍 > −2) < 𝑃(𝑍 < 2)
b) 𝑃(𝑍 ≤ 2) > 𝑃(𝑇5 ≤ 2)
e) 𝑃(𝑍 < 0) < 𝑃(𝑇10 ≤ 0)


Aula 09


𝑾
𝒁
liberdade).

(𝑥−1)2
4



Aula 09

Se Y representa uma distribuição F de Snedecor com 1 grau de liberdade no numerador e 16 graus de

liberdade no denominador, então P(0 < Y < 2,122 ) = 0,95.
FGV
11. (FGV/2018 – AL/RO) Se X e Y são variáveis aleatórias independentes e identicamente distribuídas

N(0, 1), então X/Y tem distribuição
a) N(0,1)
b) N(0,4)
c) Cauchy (0,1)
d) Qui-quadrado com 1 grau de liberdade
e) Qui-quadrado com 2 graus de liberdade


Aula 09
12. (FGV/2014 – DPE-RJ) Sejam X, Y e Z variáveis aleatórias independentes, as duas primeiras tendo
distribuição Normal-Padrão, sendo a terceira Qui-quadrado com m graus de liberdade. Então, identifica-
se a variável aleatória
𝑚.(𝑋+𝑌)
a) como tendo distribuição t-Student com m graus de liberdade
√𝑍
b) 𝑍 − (𝑋 2 + 𝑌 2 ) como tendo distribuição qui-quadrado com (m – 2) graus de liberdade
𝑍 2
c) . como tendo distribuição F-Snedecor, com 2 e m graus de liberdade no numerador e no
(𝑋 2 +𝑌 2 ) 𝑚
denominador, respectivamente.
d) (X – Y) com tendo distribuição Normal com média ZERO e variância 2.
e) X + Y também como tendo distribuição Normal Padrão.
13. (FGV/2017 – MPE-BA) Sejam X, Y, W e Z variáveis aleatórias todas com distribuição normal-padrão,
com X independente de Y e Y independente de Z. Já W é independente das demais. Sobre algumas
combinações dessas variáveis, é correto afirmar que:
a) X + Y + Z não é uma normal;
b) 𝑋 2 + 𝑌 2 + 𝑍 2 é Qui-Quadrado com 3 graus de liberdade;
𝑋
c) √𝑍 2 é t-Student com 2 graus de liberdade;
+𝑌 2
2.𝑋 2
d) 𝑊 2 +𝑌 2 é uma F-Snedecor com 1 e 2 graus de liberdade;
𝑋
e) √𝑊 2 é uma t-Student com 2 graus de liberdade.
+𝑌 2
14. (FGV/2018 – TJ-AL) Sejam X1, X2 ..., X5 variáveis aleatórias independentes, todas normalmente
distribuídas com média zero e variância unitária. Então, é correto afirmar que:
a) ∑ 𝑋𝑖 também tem distribuição normal padrão;
b) ∑ 𝑋𝑖 2 é uma distribuição qui-quadrado com 4 graus de liberdade;
2.𝑋1
c) 1 é uma t-Student com 5 graus de liberdade;
(∑ 𝑋𝑖 2 ) ⁄2
d) (3𝑋5 − 2𝑋2 ) é normal com média zero e variância 13;
𝑋
e) 𝑋 4 tem distribuição F-Snedecor com 2 graus de liberdade
5


Aula 09
15. (FGV/2018 – AL/RO) Se a variável aleatória U tem distribuição qui-quadrado com 4 graus de
liberdade e a variável aleatória Z tem distribuição N(0, 1), U e Z independentes, então a variável aleatória
W = U/Z2 tem distribuição
a) qui-quadrado com 3 graus de liberdade
b) qui-quadrado com 4 graus de liberdade
c) N(1, ¼)
d) F com 3 graus de liberdade no numerador e 1, no denominador
e) F com 4 graus de liberdade no numerador e 1, no denominador

==3e713==


Aula 09
GABARITO
1. ERRADO 6. ERRADO 11. LETRA C
2. CERTO 7. ERRADO 12. LETRA D
3. LETRA B 8. ERRADO 13. LETRA D
4. ERRADO 9. CERTO 14. LETRA D
5. ERRADO 10. CERTO 15. LETRA E


Variáveis aleatórias e distribuições contínuas SEFAZ-BA 2023

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Variáveis aleatórias e distribuições contínuas SEFAZ-BA 2023

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 09

SEFAZ-BA - Estatística - 2023

78116821504 - RENIVALDO FREITAS DOS SANTOS

2) Noções iniciais de variáveis aleatórias contínuas

3) Função de Distribuição Acumulada

4) Tendência Central e Dispersão

9) Soma de Variáveis e o Teorema

10) Distribuição Qui-Quadrado

11) Distribuição T de Student

12) Distribuição F de Snedecor

13) Questões Comentadas - Noções Iniciais de Variáveis Contínuas - Multibancas

14) Questões Comentadas - Teoremas de Desigualdades - Multibancas

15) Questões Comentadas - Distribuição Uniforme - Multibancas

16) Questões Comentadas - Distribuição Exponencial - Multibancas

17) Questões Comentadas - Distribuição Normal - Multibancas

18) Questões Comentadas - Soma de Variáveis e o Teorema Central do Limite - Multibancas

19) Questões Comentadas - Distribuição Qui-Quadrado - Multibancas

20) Questões Comentadas - Distribuição T de Student - Multibancas

21) Questões Comentadas - Distribuição F de Snedecor - Multibancas

22) Questões Comentadas - Distribuições Avançadas - Multibancas

23) Lista de Questões - Noções Iniciais de Variáveis Contínuas - Multibancas

24) Lista de Questões - Teoremas de Desigualdades - Multibancas

25) Lista de Questões - Distribuição Uniforme - Multibancas

26) Lista de Questões - Distribuição Exponencial - Multibancas

27) Lista de Questões - Distribuição Normal - Multibancas

28) Lista de Questões - Soma de Variáveis e o Teorema Central do Limite - Multibancas

SEFAZ-BA - Estatística - 2023 (Pré-Edital) 2

78116821504 - RENIVALDO FREITAS DOS SANTOS

30) Lista de Questões - Distribuição T de Student - Multibancas

31) Lista de Questões - Distribuição F de Snedecor - Multibancas

32) Lista de Questões - Distribuições Avançadas - Multibancas

SEFAZ-BA - Estatística - 2023 (Pré-Edital) 3

78116821504 - RENIVALDO FREITAS DOS SANTOS

Até já! ==3e713==

Se tiver alguma dúvida, entre em contato comigo!

“Nossa maior fraqueza está em desistir.

O caminho mais certo de vencer é tentar mais uma vez.”

SEFAZ-BA - Estatística - 2023 (Pré-Edital) 4

78116821504 - RENIVALDO FREITAS DOS SANTOS

VARIÁVEIS ALEATÓRIAS CONTÍNUAS

𝑓 (𝑥 ) = 12𝑥 2 (1 − 𝑥), 𝑠𝑒 𝑥 ∈ [0,1]

SEFAZ-BA - Estatística - 2023 (Pré-Edital) 5

78116821504 - RENIVALDO FREITAS DOS SANTOS

O gráfico dessa f.d.p. é da forma:

Uma função densidade de probabilidade qualquer satisfaz às seguintes condições:

i) Uma probabilidade qualquer nunca é negativa, logo:

Obs.: Quando 𝒇(𝒙) = 𝟎 em determinado intervalo, a probabilidade associada a esse

ii) A probabilidade associada a todo o Espaço Amostral, isto é, ao conjunto de todos

E como se calcula a probabilidade?

SEFAZ-BA - Estatística - 2023 (Pré-Edital) 6

78116821504 - RENIVALDO FREITAS DOS SANTOS

Á𝑟𝑒𝑎 𝑅𝑒𝑡â𝑛𝑔𝑢𝑙𝑜 = 𝐵𝑎𝑠𝑒 × 𝐴𝑙𝑡𝑢𝑟𝑎

(𝐵𝑎𝑠𝑒 𝑀𝑎𝑖𝑜𝑟+𝐵𝑎𝑠𝑒 𝑀𝑒𝑛𝑜𝑟)×𝐴𝑙𝑡𝑢𝑟𝑎

SEFAZ-BA - Estatística - 2023 (Pré-Edital) 7

78116821504 - RENIVALDO FREITAS DOS SANTOS

SEFAZ-BA - Estatística - 2023 (Pré-Edital) 8

78116821504 - RENIVALDO FREITAS DOS SANTOS

ii) Se a integral for somente de uma constante, teremos:

iii) A integral de uma potência de 𝑥 na base 𝑒 (constante neperiana 𝑒 ≅ 2,718) é ela

Por exemplo: ∫ 𝒆(𝒙+𝟒) 𝑑𝑥 = 𝒆(𝒙+𝟒), ∫ 𝒆(𝒙−𝟑) 𝑑𝑥 = 𝒆(𝒙−𝟑)

Por exemplo: ∫(𝒙𝟒 + 𝟑𝒙𝟐 − 𝒙 + 𝟐) . 𝑑𝑥 = ∫ 𝒙𝟒 𝒅𝒙 + ∫ 𝟑𝒙𝟐 𝒅𝒙 − ∫ 𝑥. 𝑑𝑥 + ∫ 𝟐. 𝒅𝒙

O resultado da integral, chamado de integrando, pode ser indicado por 𝑭(𝒙).

Assim, depois de calcularmos o integrando 𝐹 (𝑥 ), aplicamos no ponto 𝒙 = 𝒃 (limite superior do intervalo) e