Escolar Documentos
Profissional Documentos
Cultura Documentos
Autor:
Equipe Exatas Estratégia
Concursos
23 de Fevereiro de 2023
Índice
1) Introdução - Variáveis Aleatórias e Distribuições Contínuas
..............................................................................................................................................................................................4
5) Teoremas de Desigualdade
..............................................................................................................................................................................................
41
6) Distribuição Uniforme
..............................................................................................................................................................................................
48
7) Distribuição Exponencial
..............................................................................................................................................................................................
57
8) Distribuição Normal
..............................................................................................................................................................................................
72
Índice
29) Lista de Questões - Distribuição Qui-Quadrado - Multibancas
..............................................................................................................................................................................................
295
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.
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!
professoraluanabrandao@gmail.com
@professoraluanabrandao
Thomas Edison
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) ≥ 𝟎
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:
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:
Altura
Base
𝐵𝑎𝑠𝑒×𝐴𝑙𝑡𝑢𝑟𝑎
Á𝑟𝑒𝑎 𝑇𝑟𝑖â𝑛𝑔𝑢𝑙𝑜 = 𝟐
Altura
Base
Base Menor
Base Maior
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.
∫ 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
∫ 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:
iv) A integral de uma soma (ou subtração) de expressões equivale à soma (ou
subtração) das integrais de cada expressão.
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
Por exemplo, vamos calcular a probabilidade associada ao intervalo (0,5; 0,6) para 𝑓(𝑥 ) = 3𝑥 2 :
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
𝑭(𝟎, 𝟓) = 𝟎, 𝟓𝟑 = 𝟎, 𝟏𝟐𝟓
𝑭(𝟎, 𝟔) = 𝟎, 𝟔𝟑 = 𝟎, 𝟐𝟏𝟔
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
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.
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 = ∞.
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
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.
(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:
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
4
Observe que a integral aplicada no extremo inferior do intervalo, F(0), foi diferente de zero, nesse caso.
(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 ) = { }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
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.:
∫ 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.
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
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:
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.
==3e713==
𝟎 ≤ 𝑭𝑨 (𝒙) ≤ 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
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):
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 < ∞ }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
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.
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:
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.:
3
𝐹 (𝑥𝑀𝑑 ) = 3𝑥𝑀𝑑 = 0,5
3 1
𝑥𝑀𝑑 =
6
3 1
𝑥𝑀𝑑 = √6 ≅ 0,55
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
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
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.
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
𝑑(𝒆𝒕 )
= 𝒆𝒕
𝑑𝑡
(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 ) = { }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Se Mo (X) representa a moda de X, então P [X ≤ Mo (X)] é igual a
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.:
𝑥 3+1 𝑥4
∫ 12𝑥 3 . 𝑑𝑥 = 12 × = 12 × = 3. 𝑥 4
3+1 4
Logo, a f.d.a. é:
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.
(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
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.
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
𝑥 3+1 9
𝐸 (𝑋) = ∫ 9𝑥 3 . 𝑑𝑥 = 9 × = 𝑥4
3+1 4
4
4⁄
9 𝟏 9𝟑 9 1 3
𝐸 (𝑋 ) = ( √ ) − (𝟎)4 = ( )
4 𝟑 4 4 3
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 }
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.
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.
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
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.
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:
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):
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)
𝑓 ′ (𝑥 ) = 𝑡
𝑒 𝑡.𝑥
𝐹 (𝑥 ) = ∫ 𝑒 𝑡.𝑥 𝑑𝑥 =
𝑡
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.
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.
(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 ) = { }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
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
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
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
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
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)
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 ∞
(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
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:
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
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
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
As propriedades da covariância também são as mesmas, tanto para variáveis discretas quanto para
contínuas:
A partir da covariância, podemos calcular a variância da soma e da subtração de duas variáveis não
(necessariamente) independentes:
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
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
(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
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.
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
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.
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
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
(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
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
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
==3e713==
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
𝐶𝑜𝑣(𝑋,𝑌)
Correlação: 𝜌(𝑋, 𝑌) = 𝜎𝑋 .𝜎𝑌
𝜎2
Desigualdade de Chebyshev: 𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 𝛿2
𝜎2
Desigualdade Unilateral: 𝑃(𝑋 − 𝜇 ≥ 𝛿) ≤ 𝜎2 +𝛿 2
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
𝑘, 𝑠𝑒 𝑎 < 𝑥 < 𝑏
𝑓 (𝑥 ) = { }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
A probabilidade de todo o Espaço Amostral é de 100% = 1, ou seja, a área delimitada pela função é igual a 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
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
(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
𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 )
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
(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.
(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
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:
(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:
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.
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
𝒃+𝒂 𝟏+𝟓
𝐸 (𝑋 ) = = =3
2 2
(𝒃−𝒂)2
𝑉(𝑋) = 12
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
(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
𝑎 = −2
A probabilidade P(X < 7), sendo a = -2 e b = 10, é igual à probabilidade de X estar entre -2 e 7:
-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
(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:
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:
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.
−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:
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
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
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:
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.
Em geral, para calcular a probabilidade 𝑃(𝑋 < 𝑥 ) para algum valor de 𝑥 em uma distribuição exponencial,
fazemos:
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
𝑅(𝑥 ) = 1 − 𝐹(𝑥)
Essa expressão é bem utilizada quando um sistema é composto por mais de uma unidade.
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?
𝑷(𝑿 ≥ 𝒙) = 𝒆−𝝀.𝒙
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
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
𝟏
𝑽(𝑿) = 𝝀𝟐
1 1
𝑉 (𝑋 ) = 2
= = 10.000
𝜆 0,012
1
𝜎 = √𝑉(𝑋) = √
𝜆2
1
𝜎=
𝜆
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.
1 1
𝐸 (𝑌 ) = =
𝜆 2
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:
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):
𝑥
1 −
{𝛽𝑒
𝛽 , 𝑠𝑒 𝑥 ≥ 0 }
𝑓 (𝑥 ) =
0, 𝑠𝑒 𝑥 < 0
𝑬(𝑿) = 𝜷, 𝑽( 𝑿 ) = 𝜷 𝟐
Distribuição Exponencial
Cálculo da Probabilidade:
1 1
Esperança: 𝐸 (𝑋) = 𝝀 ; Variância: 𝑉(𝑋) = 𝝀2
(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
(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)
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.
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
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:
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:
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.
Considerando o exemplo da vida útil dos objetos com as mesmas probabilidades, teríamos:
(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
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
𝛽𝛼 𝑦 𝛼−1 𝑒 −𝛽.𝑦
, 𝑠𝑒 𝑦 ≥ 0
𝑓 (𝑦 ) = { Γ(𝛼) }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
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
𝑧 𝑘
𝑘 𝑧 𝑘−1 −( )
𝑓 (𝑧 ) = { 𝜆 ( 𝜆 ) 𝑒 ,
𝑠𝑒 𝑧 ≥ 0}
𝜆
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
𝑧 𝒌
−( )
𝐹 (𝑍 ) = 1 − 𝑒 𝝀
𝑍 𝒌
𝑋 = (𝝀 )
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) }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
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.
(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:
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
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.
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
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:
𝜇−𝑘 𝜇+𝑘
𝜇−𝑘 𝜇+𝑘
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.
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
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
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.
Para resolver questões envolvendo a tabela normal padrão é importante lembrar que essa distribuição é
simétrica, com média 𝜇 = 0.
P(Z > z)
-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
0,5
-1,96 1,96
𝑷(𝒁 < −𝟏, 𝟗𝟔) = 𝑷(𝒁 > 𝟏, 𝟗𝟔) = 0,5 − 0,475 = 0,025
-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)
-z z
Pela simetria da normal padrão, temos 𝑃 (−𝑧 < 𝑍 < 0) = 𝑃 (0 < 𝑍 < 𝑧), logo:
Supondo, por exemplo, z = 1,96, vimos que 𝑃(0 < 𝑍 < 1,96) = 0,475. Logo:
E a probabilidade 𝑃(|𝑍| > 𝑧) pode ser calculada pela fórmula da probabilidade complementar:
P(|Z| < z)
-z z
Supondo, por exemplo, z = 1,96, vimos que 𝑃(0 < 𝑍 < 1,96) = 0,475. Logo:
Ou, também podemos calcular 𝑃 (|𝑍| > 𝑧), aplicando-se o raciocínio análogo ao que fizemos anteriormente:
-z z
Pela simetria da normal padrão, temos 𝑃 (𝑍 < −𝑧) = 𝑃 (𝑍 > 𝑧), logo:
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.
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(Z > 2)
0,5
Analogamente, temos:
P(Z < 2)
P(Z > 2)
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)
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%
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)
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
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
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
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
95%
𝜇 − 2𝜎 𝜇 + 2𝜎
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
99,7%
𝜇 − 3𝜎 𝜇 + 3𝜎
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.
𝒙−𝝁
Transformação para a Normal Padrão N(0,1): 𝒛 =
𝝈
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
-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.
(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
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%
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)
-0,4 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
0,4
-0,4 0,4
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.
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.
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:
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:
(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
(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:
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
Pela simetria da normal padrão, temos:
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.
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:
Note que as variáveis podem apresentar qualquer distribuição, mesmo assim, a sua soma seguirá
aproximadamente uma distribuição normal.
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:
(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)
𝐸(𝑋) = 𝑛. 𝑝 = 12 × 0,25 = 3
9
𝑉(𝑌) = 𝑁. 𝑉 (𝑋) = 64 × = 144
4
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
Gabarito: D.
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)
50 50 50
𝑃(20 ≤ 𝑋 ≤ 30) = ( ) 0,520 . 0,530 + ( ) 0,521 . 0,529 + ⋯ + ( ) 0,530 . 0,520
20 21 30
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:
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
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.
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)
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:
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:
(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.
(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.
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.
1
Gráfico do professor Ivan Balducci da Universidade Estadual Paulista, FOSJC/UNESP, disponível em
https://slideplayer.com.br/slide/45581/.
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==
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.
𝛽𝛼 𝑥 𝛼−1 𝑒 −𝛽𝑥
, 𝑠𝑒 𝑥 ≥ 0
𝑓 (𝑥 ) = { Γ(𝛼) }
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
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.
1
A média dessa distribuição é 𝐸 (𝑋) = 𝜆 = 𝟐 ou 𝐸(𝒳𝑘2 ) = 𝑘 = 𝟐.
(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.
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
(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.
Gabarito: Certo.
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.
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
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).
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.
𝑍
𝑇=
2
√𝒳𝒌
𝒌
𝑘
Variância: 𝑉(𝑋) = 𝑘−2 , 𝑝𝑎𝑟𝑎 𝑘 > 2
(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.
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.
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
(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.
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.
𝑘2
𝜇= , 𝑝𝑎𝑟𝑎 𝑘2 > 2
𝑘2 −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/Aula16.pdf
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.
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
𝒳𝑘21
⁄
𝑘1
𝐹𝑘1 ,𝑘2 = 𝒳𝑘2
2⁄
𝑘2
𝑘2
Média: 𝜇 = 𝑘 , 𝑝𝑎𝑟𝑎 𝑘2 > 2
2 −2
(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.
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
Teorema Central do Limite: Soma de muitas variáveis tende a seguir distribuição normal
𝒳𝑘2 = ∑(𝑍𝑖 )2
𝑖=1
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
𝒳𝑘21
⁄
𝑘
𝐹𝑘1 ,𝑘2 = 2 1
𝒳𝑘2
⁄
𝑘2
𝑘2
Esperança: 𝐸(𝑋) = 𝑘 , 𝑝𝑎𝑟𝑎 𝑘2 > 2
2 −2
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
Gabarito: Certo.
2. (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 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:
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
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.
Comentários:
𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝜎
𝐶𝑉 = =
𝑚é𝑑𝑖𝑎 𝐸(𝑋)
𝑉(𝑋) = 4 − [1]2 = 3
𝜎 = √V(X) = √3
√3
𝐶𝑉 = = √3 ≅ 1,7
1
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:
√𝑌 2 < √4
|𝑌| < 2
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
Comentários:
Sabemos que a probabilidade associada a certo intervalo para uma variável contínua é:
𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥). 𝑑𝑥
𝑎
0
∫ 𝑓(𝑥). 𝑑𝑥 = 𝑃(−𝑘 ≤ 𝑋 ≤ 0)
−𝑘
𝑘
∫ 𝑓(𝑥). 𝑑𝑥 = 𝑃(0 ≤ 𝑋 ≤ 𝑘)
0
𝑃(−𝑘 ≤ 𝑋 ≤ 0) = 𝑃(0 ≤ 𝑋 ≤ 𝑘)
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
Gabarito: Certo.
6. (CEBRASPE/2013 – Analista Judiciário do TRT 17ª Região) Com relação à teoria de probabilidades,
julgue o próximo item.
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:
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:
∞
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) A mediana de Y é superior a 1.
b) P(Y = 1) = 0,75
Comentários:
𝐹(𝑦𝑀𝑑 ) = 0,5
1 2
1−( ) = 0,5
2𝑦𝑀𝑑
1 2
( ) = 0,5
2𝑦𝑀𝑑
1
2 = 0,5
4𝑦𝑀𝑑
2
2. 𝑦𝑀𝑑 =1
2
𝑦𝑀𝑑 = 0,5
|𝑦𝑀𝑑 | = √0,5
𝑦𝑀𝑑 = √0,5
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
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.
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
1 −2 1 𝑦 −1 1
∫ . 𝑦 𝑑𝑦 = × =−
2 2 −1 2𝑦
1 1
𝐸(𝑌) = − ( − )
2 × ∞ 2 × 0,5
1
𝐸(𝑌) = − (0 − )=1
2 × 0,5
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
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
www.estrategiaconcursos.com.br 310
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:
Comentários:
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.
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.
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
probabilidade dada por:
a) E(X) = 0,75;
b) Var(X) = 4;
c) Mo(X) = 0;
d) Me(X) = 0,25;
e) Q3 = 0,5
Comentários:
∞ 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
∞ 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
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
𝐹(𝑥) = 2. 𝑥 − 𝑥 2 = 0,5
−𝑥 2 + 2. 𝑥 − 0,5 = 0
𝑥 2 − 2. 𝑥 + 0,5 = 0
−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.
𝐹(𝑥) = 2. 𝑥 − 𝑥 2 = 0,75
−𝑥 2 + 2. 𝑥 − 0,75 = 0
𝑥 2 − 2. 𝑥 + 0,75 = 0
−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:
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:
𝐸(𝑍 2 ) = 25 + [4]2 = 25 + 16 = 41
Var(2Y) = 4.Var(Y)
Var(3Z) = 9.Var(Z)
Cov(2Y,3Z) = 2x3xCov(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:
Gabarito: C
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:
c) FX(1,5) = 15/16
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
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
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:
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 132
www.estrategiaconcursos.com.br 310
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
www.estrategiaconcursos.com.br 310
Comentários:
Trata-se de uma variável mista, com natureza discreta para X = 1 e contínua para o intervalo (1,4].
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
2
1 1 1 1
∫ 2
𝑑𝑥 = (− ) − (− ) = 1 − = 0,5
1 𝑥 2 1 2
Logo:
4 4
2) 2
1 2
𝐸(𝑋 = 1 × 𝑃(𝑋 = 1) + ∫ 𝑥 × 2 . 𝑑𝑥 = 0,25 + ∫ 1 . 𝑑𝑥
1 𝑥 1
4
∫ 1. 𝑑𝑥 = (4) − (1) = 3
1
Logo:
Gabarito: E
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
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 135
www.estrategiaconcursos.com.br 310
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
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
a) 1/36
b) 1/18
c) 1/72
d) 1/9
Comentários:
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
8 1 3 8 1 1
𝐸(𝑋) = ×( ) = × =
3 2 3 8 3
Logo:
1 2 1
2
[𝐸(𝑋)] = ( ) =
3 9
1 4 1 1
𝐸(𝑋 2 ) = 2 × ( ) = 2 × =
2 16 8
E a variância é:
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
a) 103/225
b) 4/9
c) 71/225
d) 199/225
e) 9/15
Comentários:
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
2Alternativamente, por se tratar de uma reta, poderíamos encontrar o valor do limite superior graficamente, como fizemos em
questões anteriores.
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 138
www.estrategiaconcursos.com.br 310
𝑃(𝑈) = 0,1. [𝑥𝑆2 − 22 ] − 0,1. [𝑥𝑆 − 2] = 0,1. 𝑥𝑆2 − 0,4 − 0,1. 𝑥𝑆 + 0,2 = 1
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:
𝑥1 = 4, 𝑥2 = −3
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
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
Logo, a variância é:
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) = { }
𝟎, 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐
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%).
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
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
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)
(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
65
256 65
𝑃(1 ≤ 𝑋 ≤ 1,5|𝑋 ≤ 1,5) = =
81 81
256
Gabarito: E
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:
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:
Gabarito: D
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
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.
a)
b)
c)
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
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.
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:
Como 𝑃(|𝑋 − 10,4| < 3) ≥ 84% = 0,84, conforme consta no enunciado, então:
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤
𝛿2
𝜎2
𝑃(|𝑋 − 10,4| ≥ 3) ≤
9
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:
Como 𝑃(|𝑋 − 50| < 5) ≥ 75% = 0,75, conforme consta no enunciado, então:
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 2
𝛿
𝜎2
𝑃(|𝑋 − 50| ≥ 5) ≤
25
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(|𝑋 − 𝑚| ≥ 1) ≤ 1 − 0,75
𝑃(|𝑋 − 𝑚| ≥ 1) ≤ 0,25
𝜎2
𝑃(|𝑋 − 𝜇| ≥ 𝛿) ≤ 2
𝛿
𝜎2
𝑃(|𝑋 − 𝑚| ≥ 1) ≤
==3e713==
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:
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
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%:
𝜎 2 0,64
= 2 = 0,0625
𝛿2 𝐾
𝐾 2 = 10,24
𝐾 = √10,24 = 3,2
2. 𝐾 = 2 × 3,2 = 6,4
Gabarito: C
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:
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
𝜎2 400
𝑉(𝑋)𝑅𝑒𝑙 = 2
= = 0,16
𝜇 2500
Gabarito: C
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.
Comentários:
𝐹 (𝑤 ) = 𝑃 ( 𝑊 ≤ 𝑤 ) = 𝑃 (𝐼 2 ≤ 𝑤 )
Sendo I uma variável não negativa, pois assume valores no intervalo (0,1), então, não precisamos do módulo:
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
Comentários:
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 152
www.estrategiaconcursos.com.br 310
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.
Comentários:
𝑉 (𝑊 ) = 𝐸 (𝑊 2 ) − [𝐸 (𝑊 )]2
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:
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
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
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
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.
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.
b) a probabilidade de que duas entrevistas durem mais do que a média é igual a 5/8;
d) a probabilidade de que apenas uma das entrevistas leve menos da metade do tempo máximo é igual a 25/72.
Comentários:
1 1 1
𝑘= = =
𝑏 − 𝑎 20 − 8 12
𝑏−𝑚
𝑃 (𝑋 > 𝑚 ) =
𝑏−𝑎
20 − 15 5
𝑃(𝑋 > 15) = 𝑃 (15 < 𝑋 < 20) = =
20 − 8 12
5 5 5 125
𝑃(𝑋 > 15) × 𝑃(𝑋 > 15) × 𝑃 (𝑋 > 15) = × × =
12 12 12 1728
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
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 155
www.estrategiaconcursos.com.br 310
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:
(𝑏 − 𝑎)2 𝑏 − 𝑎
𝜎𝑋 = √𝑉(𝑋) = √ =
12 √12
20 − 8 12
𝜎𝑋 = = = √12
√12 √12
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
Em relação à alternativa e, o tempo total de entrevista (com os 3 questionários) é uma variável com média igual
à mediana, dada por:
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
www.estrategiaconcursos.com.br 310
8 + 20
𝐸 (𝑋1 ) = 𝐸 (𝑋2 ) = 𝐸 (𝑋3 ) = = 14
2
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
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:
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.
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.
Comentários:
Sendo o saldo diário dado pela diferença S = R – D, então pelas propriedades da esperança, temos:
Podemos observar que as equações fornecidas são funções de distribuições exponenciais acumuladas, dadas
por:
𝐹 (𝑥 ) = 1 − 𝑒 −𝜆𝑥
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 158
www.estrategiaconcursos.com.br 310
Comparando essa equação com as equações fornecidas, comcluímos que os parâmetros das distribuições são:
𝜆𝑅 = 0,2
𝜆𝐷 = 0,25
1
𝐸 (𝑋 ) =
𝜆
1 1
𝐸 (𝑅 ) = = =5
𝜆𝑅 0,2
1 1
𝐸 (𝐷 ) = = =4
𝜆𝐷 0,25
E(S) = 5 – 4 = 1
Gabarito: Errado.
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.
Comentários:
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)
www.estrategiaconcursos.com.br 310
𝜆𝑅 = 0,2
𝜆𝐷 = 0,25
1
𝑉𝑎𝑟(𝑋) =
𝜆2
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.
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.
Comentários:
𝐶𝑜𝑣(𝑅, 𝐷)
𝜌(𝑅, 𝐷 ) =
√𝑉𝑎𝑟(𝑅). √𝑉𝑎𝑟(𝐷)
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
√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.
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.
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.
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.
Comentários:
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%
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 162
www.estrategiaconcursos.com.br 310
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
2
−
𝑃(𝑋 > 2) = 𝑒 2,5 = 𝑒 −0,8 = 𝑒 −0,4×2
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.
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 163
www.estrategiaconcursos.com.br 310
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:
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:
1
𝐸 (𝑋 ) = = 1200
𝜆
1
𝜆=
1200
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.
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
600
𝑃 (𝑇 > 600) = 𝑒 −𝜆.600 = 𝑒 −600 = 𝑒 −1
600 200 1
𝑃 (200 < 𝑋 < 600) = −𝑒 −𝜆.600 + 𝑒 −𝜆.200 = −𝑒 −600 + 𝑒 −600 = −𝑒 −1 +𝑒 −3
500 5
𝑃 (𝑇 < 500) = 1 − 𝑒 −𝜆.500 = 1 − 𝑒 −600 = 1 − 𝑒 −6
450 3
𝑃 (𝑇 < 450) = 1 − 𝑒 −𝜆.450 = 1 − 𝑒 −600 = 1 − 𝑒 −4
Gabarito: D.
11. (FGV/2018 – AL-RO) Acerca da soma de variáveis aleatórias, avalie se as afirmativas a seguir, estão
corretas.
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.
a) I, apenas.
b) I e II, apenas.
c) I e III, apenas.
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 166
www.estrategiaconcursos.com.br 310
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
a) 0,62
b) 0,45
c) 0,33
d) 0,38
e) 0,55
Comentários:
1
𝐸 (𝑋 ) = = 10
𝜆
1
𝜆=
10
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 167
www.estrategiaconcursos.com.br 310
Logo:
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
a) 123/210
b) 151/632
c) 145/632
d) 123/505
e) 145/777
Comentários:
1
𝐸 (𝑋 ) = =2
𝜆
1
𝜆=
2
1
𝑃 (𝑋 ≤ 3) = 1 − 𝑒 −2×3 = 1 − 𝑒 −1,5 ≅ 1 − 0,223 = 0,777
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 168
www.estrategiaconcursos.com.br 310
1 1
𝑃 (2 < 𝑋 ≤ 3) = 𝑒 −2×2 − 𝑒 −2×3 = 𝑒 −1 − 𝑒 −1,5 ≅ 0,368 − 0,223 = 0,145
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:
𝑛(𝐼) 200
𝑃 (𝐼 ) = = = 0,4
𝑛(𝑈) 500
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
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:
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
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 170
www.estrategiaconcursos.com.br 310
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:
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
1
𝑃(𝑡 > 6|𝐵) = 𝑃(𝑋𝐵 > 6) = 𝑒 −4×6 = 𝑒 −1,5 ≅ 0,22
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
Gabarito: C
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
parâmetro da distribuição é:
1
𝐸 (𝑋 ) = =𝜃
𝜆
1
𝜆=
𝜃
Gabarito: E
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 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
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
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.
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
parâmetro da distribuição é:
1
𝐸 (𝑋 ) = = 10
𝜆
1
𝜆= = 0,1
10
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:
Gabarito: A
Distribuição Normal
CEBRASPE
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
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.
Comentários:
50% 50%
Gabarito: Certo.
3. (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.
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
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
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
𝜎 √0,4
𝐶𝑉 = = ≅ 0,79
𝜇 0,8
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:
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:
Gabarito: D.
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.
Comentários:
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:
−5 − 1
𝑧= = −3
2
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(-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.
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.
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.
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 180
www.estrategiaconcursos.com.br 310
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.
Comentários:
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.
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:
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:
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:
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:
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:
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)
−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) = P(Z < -z) + P(Z > z) = 10% + 10% = 20%
O enunciado informa, ainda, que a variância da distribuição é 𝜎 2 = 14.400. Logo, o desvio padrão é:
𝜎 = √𝜎 2 = √14400 = 120
𝑥−𝜇
𝑧=
𝜎
𝑥 − 1600
1,28 =
120
Gabarito: C
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
Comentários:
𝜎𝑦 = √𝜎𝑦2 = 3
𝜎𝑤 = √𝜎𝑤2 = 4
𝑦−𝜇 4−2 2
𝑧= = =
𝜎 3 3
Logo:
2
P(Y > 4) = P(Z > 3)
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)
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 185
www.estrategiaconcursos.com.br 310
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.
𝑦 − 𝜇 −4 − 2 −6
𝑧= = = = −2
𝜎 3 3
Logo:
𝑤 − 𝜇 −4 − 4 −8
𝑧= = = = −2
𝜎 4 4
Logo:
Ou seja:
𝑦−𝜇 2−2
𝑧= = =0
𝜎 3
𝑦 − 𝜇 −2 − 2 4
𝑧= = =−
𝜎 3 3
4
P(|Y| < 2) = P(-2 < Y < 2) = P(− < Z < 0) 186
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 3
www.estrategiaconcursos.com.br 310
4
𝑃 ൬− < 𝑍 < 0൰
3
4
−
3 0
P(|W| > 4) = P(W < -4 ou W > 4) = P(W < -4) + P(W > 4)
𝑤−𝜇 4−4
𝑧= = =0
𝜎 4
𝑤 − 𝜇 −4 − 4
𝑧= = = −2
𝜎 4
P(|W| > 4) = P(W < -4) + P(W > 4) = P(Z < -2) + P (Z > 0)
−2 0
Ou seja, enquanto P(|Y| < 2) é menor que 0,5, P(|W| > 4) é maior que 0,5, logo:
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) = 4 x 9 – 16 = 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.
Portanto, a primeira parte da alternativa está incorreta. Em relação à segunda parte, a distribuição W – Y
apresenta a seguinte média e variância:
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
www.estrategiaconcursos.com.br 310
Ou seja:
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
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:
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).
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:
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
www.estrategiaconcursos.com.br 310
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.
5%
95%
1,64
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.
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
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 193
www.estrategiaconcursos.com.br 310
Agora, podemos utilizar a transformação para calcular o valor de x, que representa o limite mínimo de 90% da
distribuição:
90%
xmin
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
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.
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 195
www.estrategiaconcursos.com.br 310
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
𝛼 = 10%
𝑥−𝜇
𝑧=
𝜎
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
180 − 𝜇 162 − 𝜇
𝜎= =
1,64 −1,96
𝜇 = 171,8
Gabarito: B
16. (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
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
14,2 − 10
𝑧= = 1,4
3
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 198
www.estrategiaconcursos.com.br 310
Pela tabela, observamos que P(Z < 1,4) = 0,919, logo, P(Z > 1,4) = 1 – 0,919 = 0,081. Pela simetria, temos:
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:
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
www.estrategiaconcursos.com.br 310
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
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 200
www.estrategiaconcursos.com.br 310
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.
𝑥 − 𝜇 603 − 600 3
𝑧= = = =2
𝜎 1,5 1,5
Pela tabela, que apresenta a probabilidade 𝑃(0 < 𝑍 < 𝑧), temos:
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
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%
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 202
www.estrategiaconcursos.com.br 310
Comentários:
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:
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:
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.
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:
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.
10 − 𝜇
−1,04 =
𝜎
−10 + 𝜇
1,04 =
𝜎
20 − 𝜇 −10 + 𝜇
𝜎= =
1,34 1,04
34,2 = 2,38. 𝜇
𝜇 ≅ 14,4
20 − 𝜇 20 − 14,4 5,4
𝜎= = = ≅ 4,2
1,34 1,34 1,34
Gabarito: E
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
b) igual a 20%
d) igual a 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:
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
34%
−1 0
Sabendo que a área à esquerda da média tem probabilidade P(Z < 0) = 50%, então a probabilidade P(Z < -1) é:
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:
95%
Z = -2 Z=2
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
Gabarito: B
Para as próximas questões, utilize a tabela normal a seguir, constante nas respectivas provas da
CESGRANRIO.
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
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
𝑥 − 𝜇 9,9 − 10 −0,1
𝑧= = = = −0,5
𝜎 0,2 0,2
𝑃(9,9 < 𝑋 < 10,1) = 𝑃(−0,5 < 𝑍 < 0,5) = 𝑃(−0,5 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 0,5)
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:
Logo:
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
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 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:
Gabarito: C
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:
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:
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:
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:
Então, a probabilidade de os dois salários selecionados aleatoriamente serem inferiores ao valor (interseção dos
eventos) é o produto das probabilidades:
Gabarito: E
CEBRASPE
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
R$ 10 mil e desvio padrão igual a R$ 4 mil. Nessa situação hipotética, julgue o próximo item.
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
𝜎 = √𝜎 2 = √32 ≅ 5,7
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.
Comentários:
Sendo Z uma variável com distribuição normal, então a variável W = 1 – Z segue distribuição normal. Pelas
propriedades da variância, temos:
Sendo Z uma variável com distribuição normal padrão, então V(Z) = 1, logo:
V(W) = 1
Gabarito: Certo.
4. (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.
Comentários:
𝑉 = 𝑍 2 − (1 − 𝑍)2 + 1 = 𝑍 2 − (1 − 2𝑍 + 𝑍 2 ) + 1 = 𝑍 2 − 1 + 2𝑍 − 𝑍 2 + 1 = 2𝑍
Gabarito: Certo.
5. (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.
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:
Gabarito: Errado.
6. (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.
Comentários:
𝐶𝑜𝑣(𝑊, 𝑍) = 𝐶𝑜𝑣(1 − 𝑍, 𝑍)
𝐶𝑜𝑣(1 − 𝑍, 𝑍) = −1
Gabarito: Certo.
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:
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 215
www.estrategiaconcursos.com.br 310
E(S) = 0 + 0 = 0
V(S) = 1 + 1 = 2
A média de D = X – Y é:
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%
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)
𝐸(𝑌) = 𝑛. 𝐸(𝑋) = 6 × 12 = 72
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:
Gabarito: E.
Sobre a variável Y = X1 + X2 + X3 + ... + X25 e usando a tabela da normal-padrão acima é correto afirmar que:
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)
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:
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:
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:
P(|Z| > 1,96) = P(Z < -1,96) + P(Z > 1,96) = 2 x P(Z < -1,96) = 5%
Em relação à alternativa C, o valor de 𝑃(80,8 < 𝑌 < 119,2) pode ser calculado a partir das seguintes
transformações:
Pela tabela, observamos que P(|Z| > 1,28) = 20%, o que equivale a:
Logo, o complementar é:
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 219
www.estrategiaconcursos.com.br 310
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:
Pela tabela, observamos que P(|Z| > 2,33) = 2%, o que equivale a:
P(|Z| > 2,33) = P(Z < -2,33) + P(Z > 2,33) = 2 x P(Z > 2,33) = 2%
Em relação à alternativa E, o valor de 𝑃(75,25 ≤ 𝑌 < 133,75) pode ser calculado a partir das seguintes
transformações:
Pela tabela, observamos que P(|Z| > 1,65) = 10%, o que equivale a:
P(|Z| > 1,65) = P(Z < -1,65) + P(Z > 1,65) = 2 x P(Z < -1,65) = 10%
P(|Z| > 2,25) = P(Z< - 2,25) + P(Z > 2,25) = 2 x P(Z > 2,25) = 2,5%
P(Z < -1,65) + P(Z > 2,25) = P(Z < -1,65 ou Z > 2,25) = 5% + 1,25% = 6,25%
Gabarito: E
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 220
www.estrategiaconcursos.com.br 310
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:
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:
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
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 221
www.estrategiaconcursos.com.br 310
Logo a média de X é:
E o desvio padrão é:
𝜎 = √𝑉(𝑋) = √400 = 20
𝑥 − 𝜇 320 − 300 20
𝑧= = = =1
𝜎 20 20
E de x = 270 é:
Logo, a probabilidade desejada no enunciado é equivalente a 𝑃(−1,5 < 𝑍 < 1), ilustrada a seguir:
−1,5 1
Considerando a tabela fornecida no enunciado, temos 𝑃(𝑍 < 1,5) = 0,933, logo:
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.
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
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:
0 1,08
Sabendo que a área à direita da média tem probabilidade P(Z > 0) = 0,5 = 50%, então a probabilidade desejada
é:
Gabarito: E
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).
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:
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.
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:
𝑋 = 𝒳12 = (𝑍)2
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.
==3e713==
em que x é um número real. Com base nos dados desse estudo, julgue o itema 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.
(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.
Comentários:
A soma dos quadrados de variáveis com distribuição normal padrão define uma distribuição qui-quadrado.
Gabarito: Errado.
Comentários:
Z(Z – 1) = Z2 – 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.
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 ,
julgue o item a seguir.
𝑌𝑖2⁄
∑25
𝑖=1 25
A razão segue uma distribuição t de Student com 24 graus de liberdade
√∑25
𝑖=1 𝑌𝑖
2
Comentários:
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.
2. (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).
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:
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.
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 B, sabemos que a distribuição de t-Student é mais achatada do que a normal, ou seja,
apresenta maior variabilidade:
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 230
www.estrategiaconcursos.com.br 310
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:
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.
𝑘
𝑉(𝑇) = , 𝑝𝑎𝑟𝑎 𝑘 > 2
𝑘−2
10
𝑉 (𝑇 ) = = 1,25
8
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:
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.
Comentários:
Temos que:
= 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
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
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 232
www.estrategiaconcursos.com.br 310
Gabarito: Errado.
5. (Cebraspe/2013 – MPU)
A figura acima mostra a forma do gráfico da função de densidade de uma distribuição t de Student com 16
==3e713==
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.
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.
6. (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.
Se T20 representa uma distribuição t de Student com 20 graus de liberdade, então P(T 20 < 2,921) > 0,99.
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.
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.
F-Snedecor
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.
2. (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.
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:
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==
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:
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.
CEBRASPE
1. (Cebraspe/2018 – EBSERH) Uma amostra aleatória simples Y1, Y2, ... , Y25 foi retirada de uma
distribuição normal com média nula e variância σ2, desconhecida. Considerando que P(x2 ≤ 13) = P(x2 > 41) =
0,025, em que x2 representa a distribuição qui-quadrado com 25 graus de liberdade, e que 𝑺𝟐 = ∑𝟐𝟓 𝟐
𝒊=𝟏 𝒀𝒊 ,
julgue o item a seguir.
𝑌𝑖2⁄
∑25
𝑖=1 25
A razão segue uma distribuição t de Student com 24 graus de liberdade
√∑25
𝑖=1 𝑌𝑖
2
Comentários:
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.
2. (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).
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:
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.
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:
Em relação à alternativa B, sabemos que a distribuição de t-Student é mais achatada do que a normal, ou seja,
apresenta maior variabilidade:
SEFAZ-BA - Estatística - 2023 (Pré-Edital) 238
www.estrategiaconcursos.com.br 310
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:
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.
𝑘
𝑉(𝑇) = , 𝑝𝑎𝑟𝑎 𝑘 > 2
𝑘−2
10
𝑉(𝑇) = = 1,25
8
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:
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
A razão segue uma distribuição com variância igual a 1.
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.
6. (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).
Comentários: 240
SEFAZ-BA - Estatística - 2023 (Pré-Edital)
www.estrategiaconcursos.com.br 310
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:
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.
em que x é um número real. Com base nos dados desse estudo, julgue o itema 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.
(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.
Comentários:
A soma dos quadrados de variáveis com distribuição normal padrão define uma distribuição qui-quadrado.
Gabarito: Errado.
Comentários:
Z(Z – 1) = Z2 – 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.
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.
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:
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:
𝑌 = 𝑇16 2
Portanto:
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)
Comentários:
A razão entre duas variáveis com distribuição normal segue uma distribuição de Cauchy.
Gabarito: C
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
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.
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.
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.
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.
Em relação à alternativa C, a distribuição X + Y apresenta média e variância dadas por (sabendo que X e Y são
independentes):
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:
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.
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.
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:
2.𝑋1
c) 1 é uma t-Student com 5 graus de liberdade;
(∑ 𝑋𝑖 2 ) ⁄2
𝑋
e) 𝑋 4 tem distribuição F-Snedecor com 2 graus de liberdade
5
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
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:
Logo, sendo k = 5, a distribuição possui 5 graus de liberdade (não 4) e a alternativa B está incorreta.
𝑍 √𝑘. 𝑍
𝑇= =
√𝒳𝑘
2 √𝒳𝑘2
𝑘
√5. 𝑍
𝑇=
√𝒳𝑘2
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:
Em relação à alternativa E, a razão entre duas variáveis normais segue distribuição de Cauchy. A distribuição F-
Snedecor é definida como:
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
c) N(1, ¼)
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
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.
2. (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 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.
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
6. (CEBRASPE/2013 – Analista Judiciário do TRT 17ª Região) Com relação à teoria de probabilidades,
julgue o próximo item.
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
a) A mediana de Y é superior a 1.
b) P(Y = 1) = 0,75
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:
9. (FGV/2018 – TJ/AL) Seja X uma variável aleatória do tipo contínua com função de densidade de
probabilidade dada por:
a) E(X) = 0,75;
b) Var(X) = 4;
c) Mo(X) = 0;
d) Me(X) = 0,25;
e) Q3 = 0,5
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:
c) FX(1,5) = 15/16
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.
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
a) 1/36
b) 1/18
c) 1/72
d) 1/9
e) 2/9
15. (FCC/2018 – TRT-2ª Região) A função densidade de probabilidade de uma variável aleatória
contínua X é dada por
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) = { }
𝟎, 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐
a) 2/9
b) 5/9
c) 15/49
d) 43/81
e) 65/81
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
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
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.
a)
b)
c)
d)
e)
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
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.
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.
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.
GABARITO
1. LETRA B 3. LETRA A 5. LETRA C
2. LETRA E 4. LETRA C
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.
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
d) normal padrão.
e) geométrica parâmetro 𝜃 = 1.
b) a probabilidade de que duas entrevistas durem mais do que a média é igual a 5/8;
d) a probabilidade de que apenas uma das entrevistas leve menos da metade do tempo máximo é igual a
25/72. ==3e713==
GABARITO
1. ERRADO 4. LETRA A
2. CERTO 5. LETRA D
3. ERRADO
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:
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.
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.
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.
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.
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.
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
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:
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.
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
a) 0,62
b) 0,45
c) 0,33
d) 0,38
e) 0,55
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
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
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)
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
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
GABARITO
1. CERTO 8. LETRA E 15. LETRA A
2. ERRADO 9. LETRA E 16. LETRA C
3. ERRADO 10. LETRA D 17. LETRA E
4. CERTO 11. LETRA E 18. LETRA A
5. CERTO 12. LETRA E 19. LETRA A
6. CERTO 13. LETRA E
7. LETRA C 14. LETRA C
Distribuição Normal
CEBRASPE
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%.
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.
3. (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.
𝑊−20
A razão segue distribuição normal padrão.
√4
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
em que x é um número real. Com base nos dados desse estudo, julgue o itema 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.
em que x é um número real. Com base nos dados desse estudo, julgue o itema 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.
1
A probabilidade de se observar o evento [X = 1] é igual a 2√2.𝜋.
em que x é um número real. Com base nos dados desse estudo, julgue o itema 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.
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%
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
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
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.
a) 12,2
b) 13,6
c) 11,8
d) 15,8
e) 14,7
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%
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
16. (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
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%
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.
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.
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
b) igual a 20%
d) igual a 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.
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%
a) 72,25%
b) 15,86%
c) 3,91%
d) 19,77%
e) 35,63%
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
CEBRASPE
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.
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.
4. (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.
5. (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.
6. (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.
==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%
Sobre a variável Y = X1 + X2 + X3 + ... + X25 e usando a tabela da normal-padrão acima é correto afirmar que:
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:
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
CESGRANRIO
Para esta questão, utilize a tabela normal a seguir, constante na respectiva prova da CESGRANRIO.
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%
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
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).
em que x é um número real. Com base nos dados desse estudo, julgue o itema 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.
(𝑥−1)2
A variável 𝑌 = segue uma distribuição exponencial.
4
==3e713==
GABARITO
1. ERRADO 4. ERRADO
2. ERRADO 5. CERTO
3. ERRADO
t-Student
1. (Cebraspe/2018 – EBSERH) Uma amostra aleatória simples Y1, Y2, ... , Y25 foi retirada de uma
distribuição normal com média nula e variância σ2, desconhecida. Considerando que P(x2 ≤ 13) = P(x2 > 41)
= 0,025, em que x2 representa a distribuição qui-quadrado com 25 graus de liberdade, e que 𝑺𝟐 = ∑𝟐𝟓 𝟐
𝒊=𝟏 𝒀𝒊 ,
julgue o item a seguir.
𝑌𝑖2⁄
∑25
𝑖=1 25
A razão segue uma distribuição t de Student com 24 graus de liberdade
√∑25
𝑖=1 𝑌𝑖
2
2. (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).
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.
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.
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.
5. (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.
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.
6. (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.
Se T20 representa uma distribuição t de Student com 20 graus de liberdade, então P(T 20 < 2,921) > 0,99.
𝑾
A razão segue uma distribuição com variância igual a 1.
𝒁
GABARITO
1. ERRADO 4. ERRADO 7. ERRADO
2. CERTO 5. CERTO 8. ERRADO
3. LETRA B 6. CERTO
Distribuição F-Snedecor
2. (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.
GABARITO
1. ERRADO 2. CERTO
==3e713==
CEBRASPE
1. (Cebraspe/2018 – EBSERH) Uma amostra aleatória simples Y1, Y2, ... , Y25 foi retirada de uma
distribuição normal com média nula e variância σ2, desconhecida. Considerando que P(x2 ≤ 13) = P(x2 > 41)
= 0,025, em que x2 representa a distribuição qui-quadrado com 25 graus de liberdade, e que 𝑺𝟐 = ∑𝟐𝟓 𝟐
𝒊=𝟏 𝒀𝒊 ,
julgue o item a seguir.
𝑌𝑖2⁄
∑25
𝑖=1 25
A razão segue uma distribuição t de Student com 24 graus de liberdade
√∑25
𝑖=1 𝑌𝑖
2
2. (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).
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.
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.
𝑾
A razão segue uma distribuição com variância igual a 1.
𝒁
6. (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).
em que x é um número real. Com base nos dados desse estudo, julgue o itema 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.
(𝑥−1)2
A variável 𝑌 = segue uma distribuição exponencial.
4
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.
FGV
a) N(0,1)
b) N(0,4)
c) Cauchy (0,1)
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
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.
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:
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:
2.𝑋1
c) 1 é uma t-Student com 5 graus de liberdade;
(∑ 𝑋𝑖 2 ) ⁄2
𝑋
e) 𝑋 4 tem distribuição F-Snedecor com 2 graus de liberdade
5
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
c) N(1, ¼)
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