Curso 274972 Aula 02 Equipe Exatas Ac9d Completo

Aula 02 - Equipe
Exatas
CNU (Bloco 1 - Infraestrutura, Exatas e
Engenharia) Conhecimentos Específicos
- Eixo Temático 5 - Geoprocessamento e
Análise de Dados - 2024 (Pós-Edital)
Autor:
Alexandre Vastella, Equipe Exatas
Estratégia Concursos, Monik
Begname de Castro
17 de Janeiro de 2024
60507787366 - Wilton venicio dos Santos coelho

Alexandre Vastella, Equipe Exatas Estratégia Concursos, Monik Begname de Castro
Aula 02 - Equipe Exatas
Índice
1) Distribuição de Bernoulli
..............................................................................................................................................................................................3
2) Distribuição Binomial
..............................................................................................................................................................................................7
3) Distribuição Normal
..............................................................................................................................................................................................
24
4) Soma de Variáveis e o Teorema

..............................................................................................................................................................................................
43
5) Distribuição Qui-Quadrado
..............................................................................................................................................................................................
54
6) Distribuição T de Student
..............................................................................................................................................................................................
59
7) Distribuição Amostral
..............................................................................................................................................................................................
65
8) Questões Comentadas - Distribuição Binomial - Cesgranrio

..............................................................................................................................................................................................
92
9) Questões Comentadas - Distribuição Normal - Cesgranrio

..............................................................................................................................................................................................
103
10) Questões Comentadas - Soma de Variáveis e o Teorema Central do Limite - Cesgranrio

..............................................................................................................................................................................................
120
11) Questões Comentadas - Distribuição Amostral - Cesgranrio

..............................................................................................................................................................................................
123
12) Lista de Questões - Distribuição Binomial - Cesgranrio

..............................................................................................................................................................................................
127
13) Lista de Questões - Distribuição Normal - Cesgranrio

..............................................................................................................................................................................................
132
14) Lista de Questões - Soma de Variáveis e o Teorema Central do Limite - Cesgranrio

..............................................................................................................................................................................................
140
15) Lista de Questões - Distribuição Amostral - Cesgranrio

..............................................................................................................................................................................................
143
2
CNU (Bloco 1 - Infraestrutura, Exatas e Engenharia) Conhecimentos Específicos - Eixo Temático 5 - Geoprocessamento e
www.estrategiaconcursos.com.br 146

DISTRIBUIÇÃO DE BERNOULLI
Uma variável aleatória discreta 𝑋 com Distribuição de Bernoulli assume apenas 2 valores possíveis, 0 ou 1,
em um experimento realizado uma única vez. Esse experimento é chamado de Ensaio de Bernoulli ou
Experimento de Bernoulli.
Um exemplo clássico dessa distribuição é o lançamento de uma moeda.
Chamamos os resultados possíveis de sucesso (em que a variável assume o valor X = 1) ou fracasso (em que
a variável assume o valor X = 0). Se estivermos interessados na face CARA, esta representaria o sucesso e
COROA representaria o fracasso (ou o contrário, se estivéssemos interessados na outra face).
Nesse exemplo, não faz muita diferença qual face corresponde ao sucesso ou ao fracasso, porque a
probabilidade de ambas é a mesma: 50%.
Agora, vamos considerar que estamos torcendo para que o resultado do lançamento de um dado seja um
múltiplo de 3. Nesse caso, os resultados 3 e 6 correspondem ao sucesso e os demais resultados
correspondem ao fracasso.
Assim, teríamos 2 resultados de sucesso (em que X = 1) e 4 resultados de fracasso (em que X = 0). Logo, as
probabilidades seriam as seguintes:
2 1
𝑃(𝑋 = 1) = =
6 3
4 2
𝑃(𝑋 = 0) = =
6 3
Normalmente, indicamos a probabilidade de sucesso como 𝒑 e a probabilidade de fracasso como 𝒒.
𝒑 = 𝑃 (𝑋 = 1)
𝒒 = 𝑃(𝑋 = 0)
1 2
Para esse exemplo, temos 𝒑 = e 𝒒 = .
3 3
Outro exemplo de uma distribuição de Bernoulli é associar o sucesso a apenas uma das faces do dado, por
exemplo, a face 3. Nesse caso, temos 1 resultado de sucesso (X = 1) e 5 resultados de fracasso (X = 0):
1
𝒑 = 𝑃 (𝑋 = 1) =
6
5
𝒒 = 𝑃 (𝑋 = 0) =
6
3

Como há apenas 2 resultados possíveis, as probabilidades de sucesso e de fracasso são complementares,

isto é, a soma dessas 2 probabilidades é igual a 1:
𝒑+𝒒= 𝟏
𝒒=𝟏−𝒑
A probabilidade de sucesso 𝒑 é a única informação necessária para caracterizar uma distribuição de

Bernoulli, uma vez que a probabilidade de fracasso é calculada a partir dela. Por isso, podemos indicar que
uma variável 𝑋 segue distribuição de Bernoulli como 𝑋~𝐵𝑒𝑟(𝒑).
Esse dado que caracteriza uma distribuição de probabilidade é chamado de parâmetro.

==2e7ead==
Um mesmo experimento pode estar associado a variáveis aleatórias com distribuições

distintas de probabilidade, dependendo de como você o analisa.
O lançamento de um dado, por exemplo, pode estar associado a uma variável uniforme,
com 6 valores equiprováveis; ou a distribuições de Bernoulli com parâmetros distintos;
dentre outras distribuições possíveis.
Agora, vamos calcular a esperança da distribuição de Bernoulli. A fórmula geral da esperança é:
𝐸 (𝑋) = ∑ 𝑥. 𝑃 (𝑋 = 𝑥 )
𝐸 (𝑋 ) = 0 × 𝑞 + 1 × 𝑝
𝑬(𝑿) = 𝒑
Para calcular a variância, primeiro calculamos 𝐸 (𝑋 2 ):
𝐸 (𝑋 2 ) = ∑ 𝑥 2 . 𝑃 (𝑋 = 𝑥 )
𝐸 (𝑋 2 ) = 02 × 𝑞 + 12 × 𝑝
𝐸 (𝑋 2 ) = 𝒑
4

Logo, a variância é:
𝑉 (𝑋) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2
𝑉 (𝑋) = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝)
𝑽(𝑿) = 𝒑. 𝒒
1 2
Para o exemplo do dado, em que o sucesso corresponde a uma face múltipla de 3, vimos que 𝒑 = 3 e 𝒒 = 3.
Nesse caso, a esperança e a variância são:
1
𝐸 (𝑋 ) = 𝒑 =
3
1 2 2
𝑉(𝑋) = 𝒑. 𝒒 = × =
3 3 9
1 5
Para o exemplo em que o sucesso corresponde a uma face específica do dado, vimos que 𝒑 = 6 e 𝒒 = 6.
Nesse caso, a esperança e a variância são:
1
𝐸 (𝑋 ) = 𝒑 =
6
1 5 5
𝑉 (𝑋) = 𝒑. 𝒒 = × =
6 6 36
Distribuição de Bernoulli (𝒑)
1 experimento: Ensaio de Bernoulli
2 resultados possíveis: sucesso (𝑋 = 1) ou fracasso (𝑋 = 0)
Probabilidade de sucesso: 𝑃 [𝑋 = 1] = 𝒑
Probabilidade de fracasso: 𝑃[𝑋 = 0] = 𝒒 = 𝟏 − 𝒑
Esperança: 𝐸 (𝑋) = 𝒑; Variância: 𝑉(𝑋) = 𝒑. 𝒒
5

(2017 – SES/DF) Considere o lançamento de um dado cúbico honesto cujas faces são numeradas de 1 a 6,
após o qual é observado se o número da face voltada para cima é múltiplo de 3. Tendo em vista que um
experimento como esse pode apresentar apenas dois resultados possíveis (sucesso ou falha), é correto
afirmar que tal experiência denomina-se distribuição
a) de Bernoulli.
b) hipergeométrica.
c) de Poisson.
d) normal.
e) qui-quadrado.
Comentários:
A distribuição que trabalha com apenas 2 resultados possíveis (sucesso ou fracasso) para 1 ensaio (no caso,
1 lançamento do dado) é a distribuição de Bernoulli.
Gabarito: A.
(CESPE/2016 – TCE/PA) Se as variáveis aleatórias X e Y seguem distribuições de Bernoulli, tais que:

P[X = 1] = P[Y = 0] = 0,9
Então a média de Y é superior a 0,5.
Comentários:
A questão indaga sobre a média (esperança) de Y.
O enunciado informa que Y segue distribuição de Bernoulli, com probabilidade de fracasso de:
𝑃(𝑌 = 0) = 𝑞 = 0,9
Logo, a probabilidade de sucesso é complementar:
𝑝+𝑞=1
𝑝 = 1 − 0,9 = 0,1
Assim, a esperança de Y é:
𝐸 (𝑌) = 𝑝 = 0,1
Que é inferior a 0,5.
Gabarito: Errado.
6

DISTRIBUIÇÃO BINOMIAL
Quando repetimos um mesmo Ensaio de Bernoulli (isto é, o experimento com 2 resultados possíveis),
damos origem à Distribuição Binomial.
Para termos uma distribuição binomial, é necessário que a probabilidade de sucesso de cada repetição seja
a mesma (afinal, estamos repetindo um mesmo Ensaio de Bernoulli).
Além disso, as repetições precisam ser independentes, isto é, o resultado de um experimento não pode
afetar o resultado de outro.
Os parâmetros dessa distribuição (os dados que a caracterizam) são o número 𝒏 de repetições e a
probabilidade de sucesso 𝒑. Por isso, podemos indicar que uma variável 𝑋 segue distribuição binomial como
𝑋~𝐵(𝒏, 𝒑).
A Distribuição Binomial pode ser considerada a soma de 𝑛 variáveis com Distribuição de

Bernoulli independentes, com mesmo parâmetro 𝑝.
Também é possível formar uma distribuição binomial pela soma de outras distribuições
binomiais, com mesmo parâmetro 𝑝.
Por exemplo, sendo 𝑛𝑋 = 3 o número de repetições da variável 𝑋 e 𝑛𝑌 = 4 o número de

repetições da variável 𝑌, então a soma das variáveis 𝑆 = 𝑋 + 𝑌 terá distribuição binomial
com o seguinte número de repetições:
𝑛𝑆 = 𝑛𝑋 + 𝑛𝑌 = 4 + 3 = 7
Um exemplo de distribuição binomial é o lançamento de um dado n = 3 vezes, em que o sucesso, corresponde

à face 6 e o fracasso corresponde às demais faces.
Cada um desses lançamentos corresponde a um Ensaio de Bernoulli, em que podemos obter, em cada um
deles, sucesso (XBer = 1) ou fracasso (XBer = 0), ou seja, 2 resultados possíveis.
Assim, o número de possíveis resultados para os 3 lançamentos é (princípio multiplicativo de combinatória):
2x2x2=8
As 8 possibilidades são:
{(0,0,0), (0,0,1), (0,1,0), (1,0,0), (0,1,1), (1,0,1), (1,1,0), (1,1,1)}
7

A variável X com distribuição binomial representa o número de sucessos obtidos em todos os n lançamentos.
Sabendo que cada sucesso terá valor 1 e que cada fracasso terá valor 0, então o número de sucessos pode
ser calculado pela soma dos resultados dos Ensaios.
Para o nosso exemplo dos 3 lançamentos, a variável binomial pode assumir os seguintes valores:
• X = 0 (nenhum sucesso): {(0,0,0)}

• X = 1 (1 sucesso): {0,0,1), (0,1,0), (1,0,0)}
• X = 2 (2 sucessos): {(0,1,1), (1,0,1), (1,1,0)}
• X = 3 (3 sucessos): {(1,1,1)}
De maneira geral, a variável binomial pode assumir qualquer valor entre 0 e 𝒏.
Agora, vamos calcular a probabilidade de cada valor dessa variável binomial.
A probabilidade de obter a face 6 (sucesso) em um único lançamento é:
1
𝒑=
6
E a probabilidade de não obter a face 6 (fracasso) em um único lançamento é complementar:
5
𝒒=1−𝑝 =
6
Logo, a probabilidade de ter fracasso nos 𝒏 = 3 lançamentos (0 sucesso: X = 0) corresponde à interseção de

𝑛 = 3 fracassos. Por serem eventos independentes, a interseção é o produto das probabilidades:
5 5 5 125
𝑃 (𝑋 = 0) = 𝒒 × 𝒒 × 𝒒 = × × =
6 6 6 216
Generalizando, para 𝒏 repetições, a probabilidade de ter 0 sucesso (𝒏 fracassos) é:
𝑃(𝑋 = 0) = 𝒒 × 𝒒 × … × 𝒒 = 𝒒𝒏
𝒏 vezes
Similarmente, a probabilidade de obter somente sucessos (nenhum fracasso) nos 𝒏 = 3 lançamentos (X = 3)

corresponde à interseção desses eventos independentes, dada pelo produto:
1 1 1 1
𝑃(𝑋 = 3) = 𝒑 × 𝒑 × 𝒑 = × × =
6 6 6 216
8

Generalizando, para 𝒏 repetições, a probabilidade de ter 𝒏 sucessos (0 fracassos) é:
𝑃(𝑋 = 𝑛) = 𝒑 × 𝒑 × … × 𝒑 = 𝒑𝒏
𝒏 vezes
Já, a probabilidade de obter exatamente 1 sucesso (2 fracassos) é igual à probabilidade de obter 1 sucesso
no primeiro experimento OU 1 sucesso no segundo experimento OU 1 sucesso no terceiro experimento:
𝑃 (𝑋 = 1) = 𝑃({1,0,0} ∪ {0,1,0} ∪ {0,0,1})
Como são eventos mutuamente excludentes, a probabilidade da união desses eventos é a soma dessas
probabilidades:
𝑃(𝑋 = 1) = 𝑃({1,0,0} ∪ {0,1,0} ∪ {0,0,1}) = 𝑃 ({1,0,0}) + 𝑃 ({0,1,0}) + 𝑃({0,0,1})
Agora, vamos calcular essas probabilidades para o nosso exemplo:
1 5 5 25
𝑃({1,0,0}) = 𝑝 × 𝑞 × 𝑞 = × × =
6 6 6 216
5 1 5 25
𝑃({0,1,0}) = 𝑞 × 𝑝 × 𝑞 = × × =
6 6 6 216
5 5 1 25
𝑃({0,0,1}) = 𝑞 × 𝑞 × 𝑝 = × × =
6 6 6 216
Como as probabilidades são todas iguais, em vez de somá-las, basta MULTIPLICAR o resultado por 3:
25 75
𝑃 (𝑋 = 1) = 3 × 𝑝 × 𝑞 × 𝑞 = 3 × =
216 216
E a probabilidade de obter exatamente 2 sucessos (1 fracasso) é igual à probabilidade de obter 1 fracasso no

primeiro OU no segundo OU no terceiro experimento:
5 1 1 5
𝑃({0,1,1}) = 𝑞 × 𝑝 × 𝑝 = × × =
6 6 6 216
1 5 1 5
𝑃({1,0,1}) = 𝑝 × 𝑞 × 𝑝 = × × =
6 6 6 216
1 1 5 5
𝑃({1,1,0}) = 𝑝 × 𝑝 × 𝑞 = × × =
6 6 6 216
9

Esses eventos também são mutuamente excludentes, então a probabilidade da união também corresponde
à soma das probabilidades. Como elas são iguais, podemos multiplicar o resultado por 3:
5 15
𝑃 (𝑋 = 2) = 3 × 𝑝 × 𝑝 × 𝑞 = 3 × =
216 216
Generalizando, para 𝒏 repetições, vamos calcular a probabilidade de obter 𝒌 sucessos, digamos, nas
primeiras 𝒌 tentativas e, portanto, 𝒏 − 𝒌 fracassos nas demais tentativas:
𝑝 × 𝑝 × … × 𝑝 × 𝑞 × 𝑞 × … × 𝑞 = 𝑝𝒌 × 𝑞𝒏−𝒌
𝒌 vezes 𝒏 − 𝒌 vezes
Porém, a ordem não precisa ser exatamente essa. Podemos obter 𝑘 sucessos em quaisquer 𝑘 tentativas. Por
isso, devemos multiplicar esse resultado pelo número de maneiras de reorganizar os resultados de sucesso
e fracasso.
Para isso, podemos simplesmente “escolher” quais serão as tentativas que resultarão em 𝒌 sucessos, pois
as outras 𝒏 − 𝒌 tentativas serão, necessariamente, fracassos.
O número de maneiras de "escolher" 𝒌 tentativas, dentre 𝒏 tentativas no total, corresponde à combinação

de 𝒌 elementos, dentre 𝒏:
𝑛!
𝐶𝒏,𝒌 = (𝑛−𝑘)!×𝑘!
Logo, a probabilidade de ter exatamente 𝑘 sucessos (e, portanto, 𝑛 − 𝑘 fracassos) é o produto da

probabilidade 𝑝𝒌 × 𝑞𝒏−𝒌 com a combinação 𝐶𝑛,𝑘 .
𝑷(𝑿 = 𝒌) = 𝑪𝒏,𝒌 × 𝒑𝒌 × 𝒒𝒏−𝒌
𝒏
A combinação 𝑪𝒏,𝒌 também pode ser indicado por 𝑪𝒌𝒏 ou por ( ).
𝒌
10

Podemos calcular também a probabilidade de um intervalo ou de múltiplos valores da

variável binomial.
Por exemplo, vamos primeiro calcular a probabilidade de obter 1 OU 2 sucessos, em 3

lançamentos de uma moeda (com p = q = 0,5). Como são eventos mutuamente exclusivos,
devemos somar as probabilidades:
𝑃(𝑋 = 1 ∪ 𝑋 = 2) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)
A probabilidade de obter 1 sucesso é:
𝑃(𝑋 = 1) = 𝐶3,1 × 0,51 × 0,52 = 3 × 0,5 × 0,25 = 0,375
A probabilidade de obter 2 sucessos é:
𝑃(𝑋 = 2) = 𝐶3,2 × 0,52 × 0,51 = 3 × 0,25 × 0,5 = 0,375
Então, a probabilidade de obter 1 OU 2 sucessos é:
𝑃(𝑋 = 1 ∪ 𝑋 = 2) = 0,375 + 0,375 = 0,75
Agora, vamos calcular a probabilidade de obter pelo menos um sucesso.
Em geral, para calcular a probabilidade de "pelo menos um", é mais fácil calcular a
probabilidade complementar, isto é, a probabilidade de nenhum:
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 = 0)
A probabilidade de obter 0 sucesso é:
𝑃(𝑋 = 0) = 𝐶3,0 × 0,53 × 0,50 = 1 × 0,125 × 1 = 0,125
Logo, a probabilidade de obter pelo menos um sucesso é o complemento:
𝑃(𝑋 ≥ 1) = 1 − 0,125 = 0,875
11

Também podemos nos referir a uma distribuição binomial como uma amostra de tamanho 𝒏 de uma
população que segue uma Distribuição de Bernoulli.
Por exemplo, vamos supor uma população de peças, das quais 20% delas são defeituosas. Nesse caso, a
seleção de uma única peça corresponde a um Ensaio de Bernoulli, pois há 2 resultados possíveis: sucesso
(peça defeituosa) ou fracasso (peça não defeituosa).
A probabilidade de sucesso desse experimento equivale à proporção de peças defeituosas na população:
𝑝 = 20% = 0,2
E a probabilidade de fracasso é complementar: 𝑞 = 1 − 𝑝 = 0,8
Suponha que vamos selecionar uma amostra de 𝒏 = 𝟓 peças ao acaso. O número de peças defeituosas
encontradas na amostra segue uma distribuição binomial com parâmetros 𝑛 = 5 e 𝑝 = 0,2.
==2e7ead==
Assim, a probabilidade de obter 𝑘 = 3 peças defeituosas (portanto, 𝑛 − 𝑘 = 2 peças não defeituosas) é:
𝑃 (𝑋 = 𝑘 ) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞𝑛−𝑘
𝑃(𝑋 = 3) = 𝐶5,3 × 0,23 × 0,82
A combinação de 3 elementos, dentre 5, é:
5! 5 × 4 × 3! 5 × 4
𝐶5,3 = = = = 10
(5 − 3)! × 3! 2! × 3! 2
Logo, a probabilidade de obter 3 é igual a:
𝑃(𝑋 = 3) = 10 × 0,008 × 0,64 = 0,0512
Para que as seleções sejam independentes (condição necessária para termos uma
distribuição binomial), isto é, para que o resultado de uma não influencie no resultado da
outra, a proporção de peças defeituosas não pode ser alterada a cada extração.
Para que essa condição seja satisfeita, temos duas alternativas:
• A seleção das peças é feita com reposição, isto é, a peça selecionada é devolvida; ou
• A população é infinita (ou grande o suficiente, em comparação com o tamanho da
amostra, para permitir tal aproximação).
12

(2020 – Universidade do Estado do Pará – Adaptada) Julgue as seguintes afirmações:

I. As distribuições de Bernoulli e Binomial apresentam as mesmas características e, portanto, os mesmos
parâmetros.
II. Repetições independentes de um ensaio de Bernoulli, com a mesma probabilidade de ocorrência de
“sucesso”, dão origem ao modelo Binomial;
Comentários:
Em relação à afirmativa I, o parâmetro de uma distribuição de Bernoulli é a probabilidade de sucesso p; e os
parâmetros de uma distribuição binomial são a probabilidade de sucesso p e o número de repetições n.
Portanto, a afirmativa I está errada.
Em relação à afirmativa II, o modelo Binomial realmente consiste em repetições independentes de um ensaio
de Bernoulli, com a mesma probabilidade de sucesso p. Logo, a afirmativa II está certa.
Gabarito: I – Errado; II – Certo.
(CESPE/2016 – Auditor de Controle Externo TCE/PA) Considere um processo de amostragem de uma

população finita cuja variável de interesse seja binária e assuma valor 0 ou 1, sendo a proporção de indivíduos
com valor 1 igual a p = 0,3.
Considere, ainda, que a probabilidade de cada indivíduo ser sorteado seja a mesma para todos os indivíduos
da amostragem e que, após cada sorteio, haja reposição do indivíduo selecionado na amostragem.
A partir dessas informações, julgue o item subsequente.
Se for coletada uma amostra de tamanho n = 20, o número total de observações sorteadas com valor 1 terá
distribuição binomial com parâmetros n e p.
Comentários:
A variável binária corresponde a uma distribuição de Bernoulli.
Coletando uma amostra de tamanho n, então o número de observações com o atributo sucesso corresponde
a uma variável binomial, com parâmetros n e p.
Gabarito: Certo.
(CESPE/2016 – TCE/PA) Se as variáveis aleatórias X e Y seguem distribuições de Bernoulli, tais que

P[X = 1] = P[Y = 0] = 0,9
então X + Y segue uma distribuição binomial com parâmetros n = 2 e p = 0,3, se X e Y forem variáveis
aleatórias independentes.
Comentários:
13

A distribuição binomial é caracterizada por repetições independentes de Ensaios de Bernoulli, com o mesmo
parâmetro p.
O enunciado informa que:
• P[X = 1] = 0,9, ou seja, a probabilidade de sucesso de X é p X = 0,9.
• P[Y = 0] = 0,9, ou seja, a probabilidade de fracasso de Y é qY = 0,9. Portanto, a probabilidade de sucesso
de Y é: pY = 1 – 0,9 = 0,1
Como pX ≠ pY, então X + Y não segue uma distribuição binomial.
Gabarito: Errado.
(2018 – Câmara de Goiânia) Considere uma variável aleatória X com distribuição binomial e parâmetros p =
1/3 e n = 4. Qual é a probabilidade de X = 2?
a) 4/81
b) 1/9
c) 2/9
d) 8/27
Comentários:
A probabilidade P(X = k) de uma distribuição binomial é dada por:
𝑃 (𝑋 = 𝑘 ) = 𝐶𝑛,𝑘 . 𝑝𝑘 . (1 − 𝑝)𝑛−𝑘
Para p = 1/3, n = 4 e k = 2, temos:
4! 1 2 2 2 4×3 1 4 8
𝑃 (𝑋 = 2) = .( ) .( ) = . . =
2! .2! 3 3 2 9 9 27
Gabarito: D
(2016 – ANAC) Em um determinado município, 70% da população é favorável a um certo projeto. Se uma
amostra aleatória de cinco pessoas dessa população for selecionada, então a probabilidade de exatamente
três pessoas serem favoráveis ao projeto é igual a
a) 40,58%
b) 35,79%
c) 42,37%
d) 30,87%
e) 37,46%
Comentários:
Considerando que a pessoa pode ser favorável ou não (não há outra possibilidade) e que o resultado da
seleção de uma pessoa não afeta o de outra, então temos uma distribuição binomial.
14

Sabemos que:
• a proporção de pessoas favoráveis é p = 70% = 0,7 (logo, q = 1 – p = 0,3); e
• serão selecionadas n = 5 pessoas.
Então, a probabilidade de selecionar k = 3 pessoas favoráveis, P(X = 3), é dada por:
𝑃 (𝑋 = 𝑘 ) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞𝑛−𝑘
𝑃 (𝑋 = 3) = 𝐶5,3 × (0,7)3 × (0,3)2
A combinação de 3 elementos, dentre 5, é:
5! 5 × 4 × 3! 5 × 4
𝐶5,3 = = = = 10
(5 − 3)! × 3! 2! × 3! 2
Assim, P(X = 3) é:
𝑃 (𝑋 = 3) = 10 × 0,343 × 0,09 = 0,3087 = 30,87%
Gabarito: D
(FGV/2018 – ALE/RO) Uma moeda é lançada quatro vezes. A probabilidade de saírem mais caras do que
coroas é de
4
a) 16
5
b) 16
6
c) 16
7
d) 16
8
e) 16
Comentários:
Para saírem mais caras do que coroas em 4 lançamentos de uma moeda, é necessário que saiam 3 OU 4
caras. Assim, temos uma distribuição binomial com n = 4 e p = ½ (e também q = ½).
A probabilidade de saírem k = 4 caras (4 sucessos e 0 fracasso) é:
𝑃 (𝑋 = 𝑘 ) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞𝑛−𝑘
1 4 1 0 1 1
𝑃(𝑋 = 4) = 𝐶4,4 × ( ) × ( ) = 1 × ×1=
2 2 16 16
A probabilidade de saírem k = 3 caras (3 sucessos e 1 fracasso) é:
1 3 1 1 1 1 4
𝑃(𝑋 = 3) = 𝐶4,3 × ( ) × ( ) = 4 × × =
2 2 8 2 16
15

Portanto, a probabilidade de obter 3 OU 4 caras, sabendo que são eventos mutuamente exclusivos, é:
1 4 5
𝑃 (𝑋 = 4) + 𝑃(𝑋 = 3) = + =
16 16 16
Gabarito: B.
(VUNESP/2019 – TJ/SP) Em uma eleição, sabe-se que 40% dos eleitores são favoráveis ao candidato X e o
restante ao candidato Y. Extraindo uma amostra aleatória, com reposição, de tamanho 3 da população de
eleitores, obtém-se que a probabilidade de que no máximo 1 eleitor da amostra seja favorável ao candidato
X é igual a
a) 35,2%
b) 64,8%
c) 36,0%
d) 43,2%.
e) 78,4%
Comentários:
O enunciado informa que 40% dos eleitores são favoráveis a X (sucesso) e que os demais são favoráveis a Y
(fracasso), ou seja, a seleção de uma pessoa ao acaso segue distribuição de Bernoulli.
Logo, a seleção de 3 pessoas com reposição (seleções independentes) configura uma distribuição binomial
com n = 3 e p = 0,4 (q = 1 – p = 0,6).
Nessa distribuição, a probabilidade de encontrar k sucessos é dada por:
𝑷(𝑿 = 𝒌) = 𝑪𝒏,𝒌 × 𝒑𝒌 × 𝒒𝒏−𝒌
A probabilidade de obter no máximo 1 eleitor favorável corresponde a obter 0 ou 1 sucesso:
𝑷 = 𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏)
Para k = 0, temos:
𝑃 (𝑋 = 0) = 𝐶3,0 × 0,40 × 0,63 = 1 × 1 × 0,36 = 0,216
Para k = 1, temos:
𝑃 (𝑋 = 1) = 𝐶3,1 × 0,41 × 0,62 = 3 × 0,4 × 0,36 = 0,432
Assim, a probabilidade desejada é:
𝑷(𝑿 = 𝟎 ∪ 𝑿 = 𝟏) = 𝟎, 𝟐𝟏𝟔 + 𝟎, 𝟒𝟑𝟐 = 𝟎, 𝟔𝟒𝟖 = 𝟔𝟒, 𝟖%
Gabarito: B
16

Esperança e Variância
E quanto à esperança dessa distribuição?
Vamos considerar o experimento de lançar uma moeda 100 vezes. Quantos resultados “CARA” você espera?
50, certo? Qual é a intuição por trás desse valor?
Se a probabilidade de sucesso é 𝒑 e se estamos realizando esse experimento 𝒏 vezes, espera-se que o

número de sucessos obtidos mantenha essa proporção. Ou seja, o valor esperado é:
𝑬(𝑿) = 𝒏 × 𝒑
1
Para o exemplo dos 3 lançamentos de uma moeda, temos 𝒑 = 2 e 𝒏 = 3. Então, o número de vezes que
esperamos obter a face CARA é:
1 3
𝐸 (𝑋 ) = 𝑛 × 𝑝 = 3 × = = 1,5
2 2
Mas esse valor não é inteiro!
Tudo bem! Algumas vezes obteremos mais CARAS, outras vezes menos, de modo que, em média, obteremos
1,5 CARA.
E a variância da distribuição binomial? A sua fórmula é:
𝑽(𝑿 ) = 𝒏 × 𝒑 × 𝒒
1
Para esse mesmo exemplo, com 𝒒 = 2, a variância é:
1 1 3
𝑉 (𝑋 ) = 𝑛 × 𝑝 × 𝑞 = 3 × × = = 0,75
2 2 4
E o desvio padrão é a raiz quadrada da variância:
𝑫𝑷(𝑿) = √𝒏 × 𝒑 × 𝒒
17

A combinação de 𝑘 elementos, dentre 𝑛, é igual à combinação de 𝑛 − 𝑘 elementos, dentre

𝑛: 𝐶𝑛,𝑘 = 𝐶𝑛,𝑛−𝑘 .
Ou seja, o número de maneiras de obter 0 sucesso é igual ao de obter 𝑛 sucessos; o número

de maneiras de obter 1 sucesso é igual ao de obter 𝑛 − 1 sucessos; etc.
Assim, se tivermos 𝒑 = 𝒒, a probabilidade de obter 0 sucesso será igual à probabilidade

de obter 𝑛 sucessos; a probabilidade de obter 1 sucesso será igual à de 𝑛 − 1 sucessos etc.
Portanto, temos uma distribuição simétrica se 𝒑 = 𝒒, isto é, se 𝒑 = 𝒒 = 𝟎, 𝟓, conforme

ilustrado a seguir.
Quando a probabilidade de sucesso for maior 𝒑 > 𝟎, 𝟓, teremos uma distribuição

assimétrica negativa, conforme ilustrado a seguir.
Analogamente, quando a probabilidade de sucesso for menor 𝒑 < 𝟎, 𝟓, teremos uma

distribuição assimétrica positiva, conforme ilustrado a seguir.
Apesar de a distribuição binomial ser assimétrica sempre que 𝑝 ≠ 0,5, sempre que o produto 𝑛 × 𝑝 for um
número inteiro, esse será o valor da média, da mediana e da moda!
18

Distribuição Binomial (𝒏, 𝒑)
𝒏 Ensaios de Bernoulli independentes, com probabilidade de sucesso 𝒑
𝑃(𝑋 = 𝑘 ) = 𝐶𝒏,𝑘 . 𝒑𝑘 . 𝒒𝒏−𝑘
Esperança: 𝐸 (𝑋) = 𝒏. 𝒑; Variância: 𝑉(𝑋) = 𝒏. 𝒑. 𝒒
Observe que:
• A esperança da binomial é igual a 𝒏 vezes a esperança da Bernoulli; e

• A variância da binomial é igual a 𝒏 vezes a variância da Bernoulli.
𝑬(𝑿𝑩𝒊𝒏𝒐𝒎𝒊𝒂𝒍) = 𝒏. 𝑬(𝑿𝑩𝒆𝒓𝒏𝒐𝒖𝒍𝒍𝒊)
𝑽(𝑿𝑩𝒊𝒏𝒐𝒎𝒊𝒂𝒍 ) = 𝒏. 𝑽(𝑿𝑩𝒆𝒓𝒏𝒐𝒖𝒍𝒍𝒊 )
(2019 – Universidade Federal do Acre) Seja X uma variável aleatória com distribuição binomial de
parâmetros n e p. Então, pode-se dizer que a variância de X é dado por.
a) n
b) n.p
c) n.p(1 – p).
d) n.p2
e) n.p2(1 – p)
19

Comentários:
A variância de uma variável com distribuição binomial é dada por:
𝑉(𝑋) = 𝑛. 𝑝. 𝑞 = 𝑛. 𝑝. (1 − 𝑝)
Gabarito: C
(CESPE/2013 – TRT 17ª Região) Em toda distribuição binomial, a média será menor que a variância.
Comentários:
Em uma distribuição binomial, a média é E(X) = n.p e a variância V(X) = n.p.q.
Como q < 1 (por ser uma probabilidade), então:
V(X) = n.p.q < n.p.1 = E(X)
Portanto, a média é sempre maior que a variância.
Gabarito: Errado.
(2016 – IBGE) Quando um pesquisador vai a campo e aborda pessoas na rua para serem entrevistadas, o
número de pessoas que aceita responder à pesquisa segue uma distribuição binomial.
Se o valor esperado dessa distribuição é 8, e sua variância é 1,6, então a probabilidade de uma pessoa aceitar
responder à pesquisa é de
a) 1,6%
b) 16%
c) 20%
d) 50%
e) 80%
Comentários:
O enunciado informa que o valor esperado de uma variável com distribuição binomial é E(X) = 8.
Sabendo que, para uma distribuição binomial, temos E(X) = n.p, então:
𝐸 (𝑋) = 𝑛. 𝑝 = 8
8
𝑛=
𝑝
O enunciado informa, ainda, que a variância é V(X) = 1,6.
Sabemos que:
𝑉 (𝑋) = 𝑛. 𝑝. 𝑞 = 𝑛. 𝑝. (1 − 𝑝) = 𝑛. 𝑝 − 𝑛. 𝑝2
Então:
𝑉(𝑋) = 𝑛. 𝑝 − 𝑛. 𝑝2 = 1,6
20

8
Considerando que 𝑛 = , temos:
𝑝
8 8
𝑉 (𝑋 ) = . 𝑝 − . 𝑝2 = 1,6
𝑝 𝑝
8 − 8. 𝑝 = 1,6
8. 𝑝 = 6,4
𝑝 = 0,8 = 80%
Gabarito: E.
(FCC/2014 – Auditor Fiscal da SEFAZ/RJ) Sabe-se que:

I. X é uma variável aleatória com distribuição binomial com média 2p e variância (2p-2p2).
II. Y é uma variável aleatória com distribuição binomial com média 5p e variância (5p-5p2).
III. A probabilidade de X ser inferior a 2 é igual a 15/16.
Nessas condições, a probabilidade de Y ser superior a 3 é igual a
a) 3/1.024
b) 1/64
c) 5/512
d) 15/1.024
e) 7/512
Comentários:
Sendo X uma variável com distribuição binomial, com média 2p, então:
E(X) = nX.p = 2p
nX = 2
O enunciado informa que a probabilidade de X ser inferior a 2 é P(X < 2) = 15/16, isto é:
P(X < 2) = P(X = 0) + P(X = 1) = 15/16
Sabendo que a probabilidade da distribuição binomial é 𝑃(𝑋 = 𝑘 ) = 𝐶𝑛,𝑘 . 𝑝𝑘 . 𝑞𝑛−𝑘 , então para n = 2, temos:
𝑃(𝑋 = 0) = 𝐶2,0 . 𝑝0 . 𝑞2 = 1 × 1 × 𝑞2 = 𝑞2 = (1 − 𝑝)2
𝑃(𝑋 = 1) = 𝐶2,1 . 𝑝1 . 𝑞1 = 2. 𝑝. 𝑞 = 2. 𝑝. (1 − 𝑝)
Sabendo que a soma dessas probabilidades é igual a 15/16, então:

15
(1 − 𝑝)2 + 2. 𝑝. (1 − 𝑝) =
16
15
1 − 2𝑝 + 𝑝2 + 2. 𝑝 − 2𝑝2 =
16
15
1 − 𝑝2 =
16
21

15 1
𝑝2 = 1 −=
16 16
Extraindo a raiz de ambos os lados da equação, sabendo que 𝑝 ≥ 0, temos:
1
𝑝=
4
Sabendo que, para Y, temos E(Y) = 5.p, então o número n de repetições de Y é:
E(Y) = nY.p = 5p
nY = 5
A probabilidade de Y ser superior a 3 corresponde à probabilidade de Y ser igual 4 OU igual a 5:
𝑃(𝑌 > 3) = 𝑃 (𝑌 = 4) + 𝑃(𝑌 = 5)
Sabendo que p = ¼ (logo q = 1 – p = ¾) e nY = 5, temos:
1
1 4 3 1 3 15
𝑃 (𝑌 = 4) = 𝐶5,4 × ( ) × ( ) = 5 × 4 × =
4 4 4 4 1024
0
1 5 3 1 1
( )
𝑃 𝑌 = 5 = 𝐶5,5 × ( ) × ( ) = 1 × 5 × 1 =
4 4 4 1024
Assim, a probabilidade de Y ser superior a 3 é:
15 1 16 1
𝑃 (𝑌 > 3) = + = =
1024 1024 1.024 64
Gabarito: B
(FGV/2022 – TCU) A média e a variância de uma distribuição binomial são, respectivamente, 20 e 4. O

número de ensaios (n) dessa distribuição é:
a) 20
b) 22
c) 25
d) 50
e) 100
Comentários:
Segundo o enunciado, a média de uma distribuição binomial é igual a 20 e a variância é igual a 4:
𝐸(𝑋) = 𝑛 × 𝑝 = 20
𝑉 (𝑋 ) = 𝑛 × 𝑝 × 𝑞 = 4
A fórmula da variância é igual à da esperança, multiplicada por 𝑞:
𝑉 (𝑋) = 𝑛 × 𝑝 × 𝑞 = 𝐸(𝑋) × 𝑞
𝐸(𝑋)
Sabendo que E(X) = 20 e que V(X) = 4, podemos calcular a probabilidade de fracasso:
𝑉(𝑋) = 20 × 𝑞 = 4
22

4 1
𝑞= =
20 5
A probabilidade de sucesso é complementar:
1 4
𝑝 =1−𝑞 =1− =
5 5
Sabendo que 𝐸 (𝑋) = 𝑛 × 𝑝 = 20, podemos calcular o número n de ensaios:
4
𝐸 (𝑋 ) = 𝑛 ×
= 20
5
20 5 100
𝑛= = 20 × = = 25
4 4 4
5
Gabarito: C
23

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

Logo, o valor de 𝝁 divide a distribuição em duas partes iguais. Sabendo que a área total, sob toda a curva,
corresponde à probabilidade de todo o Espaço Amostral e, portanto, a 100%, então:
𝑃(𝑋 > 𝜇 ) = 𝑃 (𝑋 < 𝜇 ) = 50%
A probabilidade de um intervalo corresponde à área sob a f.d.p. limitada por esse intervalo. Assim, a
igualdade acima pode ser ilustrada como no gráfico seguir:
50%
50%
Média
24

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

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

também são iguais, conforme equação abaixo e gráfico a seguir:
𝑃 ( 𝜇 < 𝑋 < 𝜇 + 𝑘 ) = 𝑃 (𝜇 − 𝑘 < 𝑋 < 𝜇 )
𝑃(𝜇 − 𝑘 < 𝑋 < 𝜇) 𝑃(𝜇 < 𝑋 < 𝜇 + 𝑘)
𝜇−𝑘 𝜇+𝑘
25

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

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

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

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

I – A função de densidade de probabilidade é simétrica em relação à média.
II – O valor da mediana é igual ao valor da média.
III – A média de uma variável aleatória com distribuição normal pode ser negativa.
Comentários:
26

Sabemos que a distribuição normal é simétrica em relação à média (logo, a afirmativa I está correta). Por ser
simétrica, ela apresenta média = mediana (logo, a afirmativa II está correta).
A distribuição normal pode ter qualquer valor de média, inclusive negativa. Por exemplo, se estivermos
tratando do lucro das empresas que vão à falência, provavelmente, a média será negativa. Logo, a afirmativa
III está correta.
Resposta: Todas corretas.
Distribuição Normal Padrão
Para calcular os valores de probabilidade, temos uma tabela que relaciona os valores de intervalo da variável
aos respectivos valores de probabilidade.
Essa tabela, inserida abaixo, se refere a uma distribuição normal 𝑵(𝟎, 𝟏), isto é, com média 𝝁 = 𝟎 e variância
𝝈𝟐 = 𝟏, chamada de normal padrão ou reduzida, que denotamos por 𝒁.
Pelo gráfico anterior à tabela, deduzimos que os seus valores correspondem à probabilidade entre a média
𝜇 = 0 e o valor de 𝑧 indicado. Assim, os campos da tabela informam a probabilidade 𝑃(0 < 𝑍 < 𝑧).
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
27

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==2e7ead==
0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
E quanto aos valores de 𝑧?

O valor de 𝑧 começa a ser lido na primeira coluna (que apresenta as unidades e os décimos de 𝑧) e termina
de ser lido na primeira linha (que apresenta os centésimos de 𝑧). Assim, a probabilidade 𝑃(0 < 𝑍 < 𝑧) é o
valor que está no campo, cuja linha corresponda à unidade e ao décimo de 𝑧 e cuja coluna corresponda ao
centésimo de 𝑧.
Por exemplo, para encontrar o valor de 𝑃(0 < 𝑍 < 1,96), precisamos buscar o número que está na linha 1,9
e na coluna 0,06, conforme indicado abaixo. Podemos observar que 𝑃 (0 < 𝑍 < 1,96) = 0,475.
Z ... 0,05 0,06 0,07 ...
... ... ... ... ... ...
1,8 ... 0,4678 0,4686 0,4693 ...
1,9 ... 0,4744 0,475 0,4756 ...
2 ... 0,4798 0,4803 0,4808 ...
... ... ... ... ... ...
Também podemos fazer o caminho inverso, qual seja, encontrar o valor de 𝑧 que corresponde à
probabilidade desejada.
Vamos encontrar o valor de 𝑧 tal que 𝑃(0 < 𝑍 < 𝑧) = 0,40, por exemplo. Para isso, devemos buscar o valor
0,40 nos campos da tabela. Como não consta exatamente esse valor, somente 0,3997 e 0,4015, optamos
pelo valor mais próximo, isto é, 0,3997.
Este se encontra na linha 1,2 e na coluna 0,08, conforme indicado a seguir. Logo, concluímos que 𝑧 = 1,28.
28

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

... ... 0,3577 0,3599 0,3621
1,1 ... 0,379 0,381 0,383
1,2 ... 0,398 0,3997 0,4015
1,3 ... 0,4147 0,4162 0,4177
... ... ... ... ...
Para resolver questões envolvendo a tabela normal padrão é importante lembrar que essa distribuição é
simétrica, com média 𝜇 = 0.
𝑷(𝟎 < 𝒁 < 𝒛) = 𝟎, 𝟓 − 𝑷(𝒁 > 𝒛)
P(0 < Z < z)
P(Z > z)
𝑷(−𝒛 < 𝒁 < 𝟎) = 𝑷(𝟎 < 𝒁 < 𝒛)
P(-z < Z < 0) P(0 < Z < z)
-z z
𝑷(𝒁 < −𝒛) = 𝑷(𝒁 > 𝒛)
P(Z < -z) P(Z > z)
-z z
Supondo, por exemplo, z = 1,96, vimos que 𝑃(0 < 𝑍 < 1,96) = 0,475. Logo:
𝑷(𝒁 > 𝟏, 𝟗𝟔) = 𝟎, 𝟓 − 𝑷(𝟎 < 𝒁 < 𝟏, 𝟗𝟔) = 0,5 − 0,475 = 0,025
29

P(0 < Z < 1,96)
P(Z > 1,96)
0,5
𝑷(−𝟏, 𝟗𝟔 < 𝒁 < 𝟎) = 𝑷(𝟎 < 𝒁 < 𝟏, 𝟗𝟔) = 0,475
P(-1,96 < Z < 0) P(0 < Z < 1,96)
-1,96 1,96
𝑷(𝒁 < −𝟏, 𝟗𝟔) = 𝑷(𝒁 > 𝟏, 𝟗𝟔) = 0,5 − 0,475 = 0,025
P(Z < -1,96) P(Z > 1,96)
-1,96 1,96
A questão pode solicitar e/ou fornecer a probabilidade em módulo, da forma 𝑃(|𝑍| < 𝑧) ou 𝑃 (|𝑍| > 𝑧). Para
resolvê-las, é importante lembrar que a probabilidade 𝑃 (|𝑍| < 𝑧) corresponde a:
𝑷(|𝒁| < 𝒛) = 𝑃(−𝑧 < 𝑍 < 𝑧) = 𝑃(−𝑧 < 𝑍 < 0) + 𝑃 (0 < 𝑍 < 𝑧)
P(|Z| < z) = P(-z < Z < z)
P(-z < Z < 0) P(0 < Z < z)
-z z
Pela simetria da normal padrão, temos 𝑃 (−𝑧 < 𝑍 < 0) = 𝑃 (0 < 𝑍 < 𝑧), logo:
𝑷(|𝒁| < 𝒛) = 𝟐 × 𝑷(𝟎 < 𝒁 < 𝒛)
𝑃 (|𝑍| < 1.96) = 2 × 𝑃 (0 < 𝑍 < 1.96) = 2 × 0,475 = 0,95
30

E a probabilidade 𝑃(|𝑍| > 𝑧) pode ser calculada pela fórmula da probabilidade complementar:
𝑷(|𝒁| > 𝒛) = 1 − 𝑃 (|𝑍| < 𝑧)
𝑷(|𝒁| > 𝒛) = 𝟏 − 𝟐 × 𝑷(𝟎 < 𝒁 < 𝒛)
P(|Z| < z)
P(Z < -z) P(Z > z)
-z z
P(|Z| > z) = 1 – P(|Z| < z}
𝑃 (|𝑍| > 𝑧) = 1 − 2 × 𝑃(0 < 𝑍 < 𝑧) = 1 − 2 × 0,475 = 1 − 0,95 = 0,05
Ou, também podemos calcular 𝑃 (|𝑍| > 𝑧), aplicando-se o raciocínio análogo ao que fizemos anteriormente:
𝑷(|𝒁| > 𝒛) = 𝑃 (𝑍 < −𝑧 ∪ 𝑍 > 𝑧) = 𝑃(𝑍 < −𝑧) + 𝑃(𝑍 > 𝑧)
P(Z < -z) P(Z > z)
-z z
P(|Z| > z) = P(Z < -z) + P(Z > z}
Pela simetria da normal padrão, temos 𝑃 (𝑍 < −𝑧) = 𝑃 (𝑍 > 𝑧), logo:
𝑷(|𝒁| < 𝒛) = 2 × 𝑃 (𝑍 > 𝑧)
Para z = 1,96, em que 𝑃 (𝑍 > 1,96) = 0,025, temos:
𝑃(|𝑍| > 𝑧) = 2 × 𝑃(𝑍 > 𝑧) = 2 × 0,025 = 0,05
31

Existem, ainda, outros tipos de tabela para a distribuição normal padrão, que apresentam as probabilidades
para outros intervalos, como por exemplo para a região indicada a seguir:
Esse tipo de tabela indica as probabilidades da forma 𝑃(−∞ < 𝑍 < 𝑧), que correspondem à função da
distribuição normal acumulada.
Transformação entre Distribuições Normais
Mas, e se a média da distribuição for diferente de zero e/ou a variância for diferente de 1?
Para isso, fazemos uma transformação de uma distribuição normal qualquer para a distribuição normal
padrão, conforme fórmula indicada abaixo:
𝑥−𝜇
𝑧= 𝜎
Com essa transformação, encontramos os valores de z na distribuição normal padrão associados aos valores
de x da distribuição normal de interesse, com média 𝜇 e desvio padrão 𝜎.
Vamos supor uma distribuição normal com média 𝜇 = 1 e desvio padrão 𝜎 = 3, em que estamos
interessados no valor de 𝑥 = 7. A transformação desse valor para a distribuição normal padrão é:
𝑥−𝜇 7−1
𝑧= = =2
𝜎 3
Isso significa que os intervalos associados a z = 2 na distribuição normal padrão apresentam a mesma
probabilidade daqueles associados a 𝒙 = 𝟕 na distribuição 𝑿, com média 𝜇 = 1 e desvio padrão 𝜎 = 3.
Por exemplo:
𝑷(𝑿 > 𝟕) = 𝑷(𝒁 > 𝟐)
Pela tabela da normal padrão, temos 𝑃 (0 < 𝑍 < 2) = 0,4772, logo:
𝑃 (𝑍 > 2) = 0,5 − 0,4772 = 0,0228
P(0 < Z < 2) = 0,4772
P(Z > 2)
0,5
32

Portanto, 𝑃(𝑋 > 7) = 0,0228 = 2,28%.
Analogamente, temos:
𝑷(𝑿 < 𝟕) = 𝑷(𝒁 < 𝟐)
Sabemos que 𝑃(𝑍 > 2) = 0,5 − 0,4772 = 0,0228, logo:
𝑃(𝑍 < 2) = 1 − 𝑃(𝑍 > 2) = 1 − 0,0228 = 0,9772
P(Z < 2)
P(Z > 2)
Portanto, 𝑃(𝑋 < 7) = 0,9772.
Para encontrar intervalos envolvendo outros valores, por exemplo P(4 < X < 7), precisamos aplicar a
transformação para ambos os valores. Para x = 4, temos:
𝑥−𝜇 4−1
𝑧= = =1
𝜎 3
Sabendo que a transformação para x = 7 é z = 2, então podemos concluir que:
P(4 < X < 7) = P(1 < Z < 2)
A probabilidade P(1 < Z < 2) pode ser calculada como:
P(1 < Z < 2) = P(0 < Z < 2) – P(0 < Z < 1)
P(1 < Z < 2)
0 1 2
Pela tabela da distribuição normal, observamos que P(0 < Z < 1) = 0,3413 e que P(0 < Z < 2)=0,4772, logo:
P(1 < Z < 2) = 0,4772 – 0,3413 = 0,1359
Assim, concluímos que P(4 < X < 7) = 0,1359 = 13,59%
33

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

𝑃(0 < 𝑍 < 𝑧) = 0,8 − 0,5 = 0,3
P(0 < Z < z) = 0,3
0,5
z
0,8
Pela tabela da distribuição normal padrão, observamos que esse valor é 𝑧 = 0,84, pois P(0<Z<0,84) = 0,2995,
que é o valor da tabela mais próximo de 0,3.
Substituindo os valores conhecidos na fórmula transformação (𝜇 = 1, 𝜎 = 3 e 𝑧 = 0,84), podemos
encontrar o valor de 𝑥, que delimita uma probabilidade 𝑃 (𝑋 < 𝑥 ) = 0,8:
𝑥−𝜇
𝑧=
𝜎
𝑥−1
0,84 =
3
𝑥 = 3 × 0,84 + 1 = 3,52
34

Agora, vamos calcular as probabilidades associadas a intervalos genéricos, em função do desvio padrão 𝜎.
Para calcular a probabilidade 𝑷(𝝁 − 𝝈 < 𝑿 < 𝝁 + 𝝈), utilizamos a seguinte transformação, para 𝒙 = 𝝁 + 𝝈:
𝒙−𝜇 𝝁+𝝈−𝜇
𝑧= =𝑧= =1
𝜎 𝜎
Para 𝒙 = 𝝁 − 𝝈, temos:
𝒙−𝜇 𝝁−𝝈−𝜇
𝑧= =𝑧= = −1
𝜎 𝜎
Portanto:
𝑷(𝝁 − 𝝈 < 𝑿 < 𝝁 + 𝝈) = 𝑃 (−1 < 𝑍 < 1) = 𝑷(−𝟏 < 𝒁 < 𝟎) + 𝑷(𝟎 < 𝒁 < 𝟏)
De maneira geral, quando os intervalos são da forma 𝑃(𝜇 − 𝑘 < 𝑋 < 𝜇 + 𝑘), em que os
extremos são equidistantes da média, basta fazermos a transformação para um dos
extremos, pois o outro estará associado ao mesmo valor de z, porém multiplicado por –1.
Pela tabela da curva normal, temos 𝑃 (0 < 𝑍 < 1) = 0,3413. Pela simetria da normal padrão, em torno da
média 0, temos:
𝑃(−1 < 𝑍 < 0) = 𝑃(0 < 𝑍 < 1) = 0,3413
Logo:
𝑃(−1 < 𝑍 < 1) = 𝑃 (−1 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 1) = 0,3413 + 0,3413 = 0,6826
𝑷(𝝁 − 𝝈 < 𝑿 < 𝝁 + 𝝈) ≅ 𝟔𝟖%
Ou seja, a probabilidade de uma variável normal qualquer se afastar da média (para cima ou para baixo) em
até 1 desvio padrão é aproximadamente 68%, conforme ilustrado a seguir.
68%
𝜇−𝜎 𝜇+𝜎
35

Para 𝑷(𝝁 − 𝟐𝝈 < 𝑿 < 𝝁 + 𝟐𝝈), temos:

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

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

até 3 desvios padrão é aproximadamente 99,7%, ilustrado abaixo.
99,7%
𝜇 − 3𝜎 𝜇 + 3𝜎
36

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

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

se calcular a média de congestionamento de trânsito em km obtém-se o valor 𝜇 e desvio padrão 𝜎.
Considerando-se que os valores obtidos pela variável e suas respectivas probabilidades constituem uma
distribuição normal, no intervalo de (𝜇 − 𝜎) até (𝜇 + 𝜎), a percentagem dos dados contidos é cerca de
37

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

Comentários:
A simetria da curva normal com média igual a zero implica na seguinte relação entre P(Z ≥ 2) e P(Z ≤ -2):
𝑃(𝑍 ≥ 2) = 𝑃(𝑍 ≤ −2)
Essa relação está ilustrada no gráfico abaixo.
𝑃(𝑍 ≤ −2) 𝑃(𝑍 ≥ 2)
-2 0 2
A relação descrita no enunciado iguala a probabilidade 𝑃(𝑍 ≥ 2) à probabilidade 1 − 𝑃(𝑍 ≤ −2). Esta
corresponde a toda a região indicada abaixo:
1 − 𝑃(𝑍 ≤ −2)
-2 0
Podemos observar que 𝑃(𝑍 ≥ 2) é bem menor que 50%, enquanto 1 − 𝑃(𝑍 ≤ −2) é bem maior que 50%,
ou seja:
𝑃(𝑍 ≥ 2) ≠ 1 − 𝑃(𝑍 ≤ −2)
Logo, o item está errado.
Gabarito: Errado.
38

(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:
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
39

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

a) 15,87%
b) 6,68%
c) 4,82%
d) 3,36%
e) 2,28%
Comentários:
Sendo 𝜇 = 68 e 𝜎 = 11, temos a seguinte transformação para 𝑥 = 90:
𝑥 − 𝜇 90 − 68 22
𝑧= = = =2
𝜎 11 11
Pela tabela, que apresenta a probabilidade 𝑃(0 < 𝑍 < 𝑧), temos:
𝑃 (0 < 𝑍 < 2) = 0,4772
Logo:
𝑃(𝑍 > 2) = 0,5 − 𝑃(0 < 𝑍 < 2) = 0,5 − 0,4772 = 0,0228
𝑃(0 < 𝑍 < 2)
𝑃(𝑍 > 2)
0,5
Gabarito: E.
(FCC/2015 – Auditor Fiscal da SEFAZ/PI) Se Z tem distribuição normal padrão, então: P(Z < 0,4) = 0,655; P(Z
< 1,2) = 0,885; P(Z < 1,6) = 0,945; P(Z < 1,8) = 0,964; P(Z < 2) = 0,977.
O efeito do medicamento A é o de baixar a pressão arterial de indivíduos hipertensos. O tempo, em minutos,
decorrido entre a tomada do remédio e a diminuição da pressão é uma variável aleatória X com distribuição
normal, tendo média µ e desvio padrão σ. Se o valor de µ é de 56 min e o valor de σ é de 10 min, a
probabilidade de X estar compreendido entre 52 min e 74 min é igual a
a) 30,9%
b) 56,0%
c) 61,9%
40

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

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

P(Z < -0,4) = P(Z > 0,4) = 0,345
41

𝑃(𝑍 < −0,4)

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

𝑃 (52 < 𝑋 < 74) = 𝑃 (𝑍 < 1,8) − 𝑃(𝑍 < −0,4) = 0,964 − 0,345 = 0,619
Gabarito: C
42

SOMA DE VARIÁVEIS E O TEOREMA CENTRAL DO LIMITE

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

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

𝑋1 − 𝑋2 segue distribuição normal com média e variância dadas respectivamente por:
𝐸 (𝑌) = 𝐸 (𝑋1 ) − 𝐸(𝑋2 )
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉(𝑋2 )
Por exemplo, sendo 𝑌 = 𝑋1 − 𝑋2 , em que 𝑋1 e 𝑋2 são variáveis normais independentes, com médias
𝐸 (𝑋1 ) = 3 e 𝐸 (𝑋2 ) = 5, e variâncias 𝑉(𝑋1 ) = 4 e 𝑉(𝑋2 ) = 1, então, 𝑌 terá distribuição normal, com
parâmetros:
𝐸 (𝑌) = 𝐸 (𝑋1 ) − 𝐸 (𝑋2 ) = 3 − 5 = −2
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉 (𝑋2 ) = 4 + 1 = 5
43

Pontue-se que a soma, a subtração, a multiplicação ou a divisão de uma distribuição normal por uma
constante real também segue distribuição normal, cuja média e variância podem ser calculadas pelas
propriedades de esperança e variância.
Por exemplo, sendo X uma variável normal com média E(X) = 3 e variância V(X) = 4, então a variável Y = 2X –
6 terá distribuição normal, com média e variância dadas por:
𝐸(𝑌) = 𝐸(2𝑋 – 6) = 2. 𝐸(𝑋) – 6 = 2 × 3 – 6 = 0
𝑉(𝑌) = 𝑉(2𝑋 – 6) = 22 . 𝑉(𝑋) = 4 × 4 = 16
(2020 – FADESP) A variável aleatória X tem distribuição normal com média µ = 2 e variância σ2 = 9. Seja Y
uma variável aleatória definida por Y = 2X + 1. Nestas condições, pode-se afirmar que Y tem distribuição
a) normal com média µ = 2 e variância σ2 = 30.
b) qui-quadrado com média µ = 5 e variância σ2 = 36.
c) normal com média µ = 5 e variância σ2 = 9.
d) normal com média µ = 5 e variância σ2 = 36.
Comentários:
Vimos que a soma de variáveis normais segue uma distribuição normal, mesmo quando somadas a uma
constante. Logo, a variável Y possui distribuição normal, com média:
E(Y) = E(2X + 1) = 2.E(X) + 1
Sendo E(X) = 2, temos:
E(Y) = 2.2 + 1 = 5
A variância é:
V(Y) = V(2X + 1) = 4V(X)
Sendo V(X) = 36, então:
V(Y) = 4.9 = 36.
Gabarito: D.
(2018 – Petrobras) As variáveis aleatórias X e Y são independentes. A variável X segue uma distribuição
Normal com média 4 e variância 16, e a Y segue uma distribuição Normal com média 9 e variância 1. A
distribuição de X - Y é Normal com
44

a) média -5 e variância 15.

b) média -5 e variância 17.
c) média 5 e variância 15.
d) média 5 e variância 17.
e) média 13 e variância 15.
Comentários:
Vimos que a diferença de variáveis normais segue uma distribuição normal, com média:
𝜇 = 𝜇𝑋 − 𝜇𝑌 = 4 − 9 = −5
E variância:
𝜎 2 = 𝜎𝑋2 + 𝜎𝑌2 = 16 + 1 = 17
Gabarito: B. ==2e7ead==
(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:
45

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.
Teorema Central do Limite
Um dos motivos pelos quais a Distribuição Normal (ou de Gauss) é tão importante em Estatística decorre do
Teorema Central do Limite (TLC), que trata da soma de variáveis que seguem uma distribuição qualquer:
Para variáveis aleatórias 𝑋1 , 𝑋2 , … , 𝑋𝑛 independentes e identicamente distribuídas (i.i.d),

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

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

trata de uma convergência ponto a ponto. A convergência em distribuição é o tipo mais
fraco de convergência, dentre os usuais.
46

Vamos supor que haja 100 variáveis independentes Xi, com i = 1, 2, ..., 100, todas com média E(Xi) = 3 e
variância V(Xi) = 4. Assim, sendo Y = X1 + X2 + ... + X100, então a média e variância de Y serão:
E(Y) = 100 x E(Xi) = 100 x 3 = 300
V(Y) = 100 x V(Xi) = 100 x 4 = 400
Ainda que as variáveis não sejam identicamente distribuídas, isto é, ainda que apresentem distribuições
distintas, mesmo assim, a sua soma terá, aproximadamente, uma distribuição normal, desde que as
variáveis sejam independentes e tenham variâncias similares.
Nesse caso, a esperança e variância serão:
𝐸 (𝑌) = 𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 )
𝑉(𝑌) = 𝑉(𝑋1 ) + 𝑉(𝑋2 ) + ⋯ + 𝑉(𝑋𝑛 )
Atenção: devemos somar as variâncias, não os desvios padrão!
(FGV/2017 – IBGE) Sejam X1, X2, X3, ..., X64 variáveis aleatórias discretas, com distribuição Binomial, todas
com p = 0,25 e n = 12. Também são conhecidos valores da função distribuição acumulada da normal-padrão,
mais especificamente: ɸ(2) = 0,977, ɸ(1,5) = 0,933, ɸ(1,25) = 0,894.
No caso da extração de uma amostra (n = 64), a probabilidade de que a soma dos valores seja superior a 207
é igual a:
a) 0,023
b) 0,046
c) 0,067
d) 0,106
e) 0,134
Comentários:
Pelo Teorema Central do Limite, a soma de N variáveis independentes identicamente distribuídas X i, cada
uma com média E(X) e variância V(X), é uma variável Y, com distribuição aproximadamente normal, com
média e variância dadas por:
𝐸(𝑌) = 𝑁. 𝐸(𝑋)
𝑉(𝑌) = 𝑁. 𝑉(𝑋)
47

Sendo X uma variável binomial com n = 12 e p = 0,25 (logo, q = 1 – p = 0,75), então:
𝐸(𝑋) = 𝑛. 𝑝 = 12 × 0,25 = 3
𝑉(𝑋) = 𝑛. 𝑝. 𝑞 = 12 × 0,25 × 0,75 = 9/4
Assim, a distribuição da soma de N = 64 variáveis X terá média e variância dadas por:
𝐸 (𝑌) = 𝑁. 𝐸 (𝑋) = 64 × 3 = 192
9
𝑉(𝑌) = 𝑁. 𝑉 (𝑋) = 64 × = 144
4
O desvio padrão de Y é, portanto:
𝜎𝑌 = √𝑉(𝑋) = √144 = 12
Assim, a probabilidade 𝑃(𝑌 > 207) pode ser calculada pela seguinte transformação:
𝑦 − 𝜇 207 − 192 15
𝑧= = = = 1,25
𝜎 12 12
O enunciado informa que 𝑃(−∞ < 𝑍 < 1,25) = 0,894 . Logo:
𝑃 (𝑍 > 1,25) = 1 − 𝑃(−∞ < 𝑍 < 1,25) = 1 − 0,894 = 0,106
Gabarito: D.
Aproximação da Binomial pela Normal
Como consequência do Teorema Central do Limite, podemos aproximar uma distribuição binomial a uma
distribuição normal 𝑌, quando o número de ensaios 𝒏 for grande.
Nesse caso, a média e a variância da distribuição são, respectivamente:
𝐸(𝑌) = 𝑛. 𝑝
𝑉(𝑌) = 𝑛. 𝑝. (1 − 𝑝)
Assim, podemos aproximar a probabilidade de uma variável binomial 𝑋 apresentar valores dentro de um
intervalo [𝑎, 𝑏], ou seja, 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏), à probabilidade de uma variável normal 𝑌 apresentar valores no
referido intervalo:
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) ≅ 𝑃(𝑎 < 𝑌 < 𝑏)
48

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

probabilidade associada ao intervalo [20, 30].
Pela distribuição binomial, teríamos que calcular:
𝑃(20 ≤ 𝑋 ≤ 30) = 𝑃 (𝑋 = 20) + 𝑃(𝑋 = 21) + ⋯ + 𝑃(𝑋 = 30)
50 50 50
𝑃(20 ≤ 𝑋 ≤ 30) = ( ) 0,520 . 0,530 + ( ) 0,521 . 0,529 + ⋯ + ( ) 0,530 . 0,520
20 21 30
Cansativo, não é? O resultado dessa conta é aproximadamente 0,8811 (confia em mim).
Aproximando essa distribuição a uma variável 𝑌 que segue uma distribuição normal, com
média 𝜇𝑌 = 𝑛. 𝑝 = 25 e variância 𝜎𝑌2 = 𝑛. 𝑝. (1 − 𝑝) = 12,5 (desvio padrão 𝜎𝑌 ≅ 3,5355),
temos a seguinte transformação para 𝑥 = 30:
𝑥−𝜇 30−25
𝑧= ≅ ≅ 1,41
𝜎 3,5255
Pela tabela normal, podemos observar que 𝑃 (0 < 𝑍 < 1,41) = 0,4207.
Considerando que o intervalo [20, 30] é simétrico em relação à média 𝜇𝑌 = 25, então:
𝑃(20 ≤ 𝑋 ≤ 30) ≅ 𝑃(−1,41 < 𝑍 < 1,41) = 2 × 0,4207 = 0,8414
O número exato de ensaios necessários que permite essa aproximação é controverso (e depende do grau de
precisão desejado). O que se sabe é que quanto maior 𝒏 e quanto mais próximo de 𝟏⁄𝟐 é o valor de 𝒑, mais
a distribuição binomial se aproxima da normal.
A seguir, apresento os histogramas1 de distribuições binomiais, para 𝑛 = 10. Note que o histograma para
𝑝 = 0,5 é bem próximo de uma normal, mesmo para um número relativamente pequeno de ensaios (10).
Por outro lado, o histograma para 𝑝 = 0,1 está bem distante de uma normal.
1
Histogramas obtidos das aulas de Bacharelado em Economia da Faculdade de Economia, Administração e
Contabilidade da Universidade de São Paulo (FEA/USP), disponível em https://www.ime.usp.br/~yambar/MAE0219/
Aula%208%20Teorema%20do%20Limite%20Central/Aula%208-Teorema%20do%20Limite%20Central.pdf
49

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

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)
51

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

ii. Aplicar a correção de continuidade 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) ≅ 𝑃(𝑎 − 0,5 < 𝑌 < 𝑏 + 0,5)
𝑥−𝜇
iii. Utilizar a transformação para a normal padrão 𝑧 = 𝜎
iv. Consultar a tabela da normal padrão para encontrar os valores de probabilidade
(CESPE/2013 – TRT 17ª Região) No que se refere a distribuições discretas, julgue o seguinte item.
A aproximação da distribuição binomial pela normal não se aplica com base no teorema limite central, visto
que a binomial não se relaciona com uma soma de variáveis aleatórias.
Comentários:
O Teorema Central do Limite garante que, para n suficientemente grande, a distribuição binomial pode sim
ser aproximada pela distribuição Normal.
Pontue-se, ainda, que a distribuição binomial é uma soma de variáveis de Bernoulli.
Gabarito: Errado.
52

(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.
53

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

probabilidade distintas, conforme ilustrado a seguir1.
1
Gráfico do professor Ivan Balducci da Universidade Estadual Paulista, FOSJC/UNESP, disponível em
https://slideplayer.com.br/slide/45581/.
54

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
==2e7ead==
normal, à medida que o número de graus de liberdade 𝒌 aumenta.
A soma de variáveis com distribuição qui-quadrado com 𝑘1 , 𝑘2 , … , 𝑘𝑛 graus de liberdade,

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

dobro do número de graus de liberdade 𝟐𝒌:
𝑬(𝓧𝟐𝒌 ) = 𝒌
𝑽(𝓧𝟐𝒌) = 𝟐𝒌
A distribuição qui-quadrado também possui uma tabela que associa uma probabilidade 𝑃(𝒳𝑘2 < 𝑥) ou
𝑃(𝒳𝑘2 > 𝑥) a um valor positivo 𝑥, de acordo com o grau de liberdade 𝑘.
Pelo fato de a distribuição não ser simétrica, a distribuição acima da média é diferente daquela abaixo da
média. Por isso, a tabela apresenta os valores de probabilidade para toda a distribuição.
A tabela a seguir apresenta os valores para 𝑃(𝒳𝑘2 < 𝑥), indicados na primeira linha. A primeira (assim como
a última) coluna apresenta os graus de liberdade 𝑘, que a tabela indica como 𝑛.
Por exemplo, a mediana para uma distribuição com 5 graus de liberdade, isto é, o valor de 𝑥 para o qual
𝑃 (𝒳52 < 𝑥 ) = 50%, conforme se observa na linha 𝑛 = 5 e na coluna 𝑃 = 0,5, é 𝑥 = 4,351.
55

A distribuição qui-quadrado é um caso particular da distribuição gama, cuja f.d.p. é:
𝛽𝛼 𝑥 𝛼−1 𝑒 −𝛽𝑥
, 𝑠𝑒 𝑥 ≥ 0
𝑓 (𝑥 ) = { Γ(𝛼) }
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.
Nessa situação, em que 𝛼 = 1, a distribuição gama se reduz a uma distribuição

exponencial, com 𝛽 = 𝜆. Então, uma distribuição qui-quadrado com 2 graus de liberdade
𝟏
é também uma distribuição exponencial, com 𝝀 = 𝜷 = 𝟐.
1
A média dessa distribuição é 𝐸 (𝑋) = 𝜆 = 𝟐 ou 𝐸(𝒳𝑘2 ) = 𝑘 = 𝟐.
56

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

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

a) normal com média 𝑛𝜇 e variância 𝑛𝜎 2 .
b) qui-quadrado com n graus de liberdade
c) qui-quadrado com n-1 graus de liberdade.
d) t-Student com n graus de liberdade.
e) t-Student com n-1 graus de liberdade
57

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

Gabarito: B
(CESPE/2018 – Agente de Polícia Federal) Uma amostra aleatória simples Y1, Y2, ..., Y25 foi retirada de uma
distribuição normal com média nula e variância σ2, desconhecida. Considerando que P(x2 ≤ 13) = P(x2 > 41) =
0,025, em que x2 representa a distribuição qui-quadrado com 25 graus de liberdade, e que 𝑆 2 = ∑25 2
𝑖=1 𝑌𝑖 ,
julgue o item a seguir.
A variância da distribuição X2 com 25 graus de liberdade é superior a 40.
Comentários:
A variância da distribuição qui-quadrado, com k = 25 graus de liberdade, é:
𝑉(𝑋) = 2𝑘 = 2 × 25 = 50
Assim, a variância é superior a 40.
Gabarito: Certo.
(CESPE/2018 – Analista Administrativo – EBSERH) Considerando que X e Y sejam variáveis aleatórios

mutuamente independentes que seguem distribuição normal padrão, julgue o próximo item.
A soma dos quadrados Q = X2 + Y2 segue uma distribuição exponencial com média igual a 2.
Comentários:
A soma de k variáveis independentes com distribuição normal padrão elevadas ao quadrado segue
distribuição qui-quadrado, com k graus de liberdade. Nesse caso, temos uma variável com distribuição qui-
quadrado com k = 2. A média dessa distribuição é:
E(X) = k = 2
Especialmente para k = 2, a distribuição qui-quadrado corresponde a uma distribuição exponencial, com 𝜆 =
1
.
2
Gabarito: Certo.
58

DISTRIBUIÇÃO T DE STUDENT
A variável 𝑇 com distribuição 𝒕 de Student (ou t-Student) é definida como:
𝑍
𝑇=
2
√𝒳𝑘
𝑘
em que 𝑍 é uma variável normal padrão, 𝒳𝑘2 é uma variável com distribuição qui-quadrado, com 𝒌 graus de
liberdade, sendo 𝑍 e 𝒳𝑘2 independentes.
A variável 𝑇 apresenta 𝒌 graus de liberdade, que também é o único parâmetro da distribuição.
O gráfico a seguir1 apresenta as funções densidade de probabilidade para distribuições t-Student com 1, 5 e
25 graus de liberdade.
Observa-se que, assim como a normal padrão, a distribuição t-Student é simétrica, com média 𝝁 = 𝟎 e
formato de sino, assumindo valores em toda a reta real, (−∞, ∞).
Porém, em comparação com a normal, a curva t-Student é mais baixa na região central e mais larga nos
extremos. Ou seja, a distribuição t-Student apresenta maior variabilidade.
A variância da distribuição de t-Student é dada por:
𝑘
𝑉(𝑇) = 𝑘−2 , 𝑝𝑎𝑟𝑎 𝑘 > 2
Pontue-se que a variância não é definida um grau de liberdade menor ou igual a 2 (𝒌 ≤ 𝟐).
1
Obtido na apresentação das aulas da Prof. Tarciana Liberal, da Universidade Federal da Paraíba, disponível em
http://www.de.ufpb.br/~tarciana/Probabilidade2/Aula15.pdf
59

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).
==2e7ead==
60

A primeira coluna apresenta os graus de liberdade, que a tabela chama de 𝑣, e a primeira linha apresenta os
valores de probabilidade acumulada, até os valores de 𝑡 indicados nos campos. Por exemplo, para 5 graus
de liberdade (5ª linha), o valor que delimita uma probabilidade 𝑃 (𝑇 < 𝑡) = 0,9 (6ª coluna), é 𝑡 = 1,48.
Lembre-se que a distribuição é simétrica, com média, mediana e moda iguais a 𝜇 = 0. Assim:
𝑃 (𝑇 < −𝑡) = 𝑃(𝑇 > 𝑡)
𝑃 (𝑇 < 0) = 𝑃 (𝑇 > 0) = 0,5
Por isso, são apresentados apenas valores de probabilidades 𝑃(𝑇 < 𝑡) maiores que 50%, uma vez que à
esquerda da média, os valores são simétricos.
Assim como para a curva normal padrão, há outras formas de apresentar a tabela de t-Student.
Ressalte-se que a distribuição t-Student para 𝑘 = 1 consiste na razão entre duas variáveis
normais padrão independentes:
𝑍1 𝑍1 𝑍
𝑇= 2
= = 𝑍1
√𝒳1 √𝑍22 2
1
Nesse caso específico, temos uma distribuição de Cauchy, que corresponde à razão entre
duas variáveis normais independentes.
Essa distribuição também é simétrica e mais achatada em relação à normal. Porém, ela é
uma distribuição "patológica", pois não possui média ou variância definidas.
Distribuição t-Student, definida para todos os valores reais
𝑍
𝑇=
2
√𝒳𝒌
𝒌
Simétrica, com 𝜇 = 0 e formato de sino mais achatado do que a normal
𝑘
Variância: 𝑉(𝑋) = 𝑘−2 , 𝑝𝑎𝑟𝑎 𝑘 > 2
61

(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:
𝑍
𝑇=
2
√𝒳𝑘
𝑘
Então, sendo V uma distribuição qui-quadrado com v graus de liberdade, temos:
𝑍
𝑇=
√𝑉
𝑣
Resposta: Certo.
(CESPE/2011 – Analista Judiciário do TJ/ES)
O gráfico acima mostra a função de densidade da distribuição normal padrão N(0, 1) e t(1) e t(5), que
representam, respectivamente, as densidades da distribuição t de Student com 1 e 5 graus de liberdade.
Com base nesse gráfico, julgue o próximo item.
A distribuição N(0, 1) possui variância unitária, a t(5) possui variância igual a 5/3, e a variância da distribuição
t-Student com 1 grau de liberdade é indefinida.
Comentários:
Vamos analisar as três afirmações.
62

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
63

(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.
64

DISTRIBUIÇÃO AMOSTRAL
Nesta seção, estudaremos a distribuição de probabilidade dos principais estimadores, chamada de
Distribuição Amostral. Vale ressaltar que os estimadores são variáveis aleatórias e por isso apresentam
distribuições de probabilidade.
Inicialmente, é importante pontuar que a distribuição dos elementos de uma amostra aleatória qualquer
segue a mesma distribuição populacional.
Por exemplo, vamos considerar uma moeda com 2 faces, que vamos chamar de face 0 e face 1. Tratando-se
1
de uma moeda equilibrada, a probabilidade de cada face é de 2 = 0,5 e a esperança e variância são,
respectivamente:
𝐸(𝑋) = ∑ 𝑥. 𝑃(𝑋 = 𝑥)
𝐸(𝑋) = 0 × 0,5 + 1 × 0,5 = 0,5
𝑉(𝑋) = ∑(𝑥 − 𝜇)2 . 𝑃(𝑋 = 𝑥)
1 1 0,25 + 0,25
𝑉(𝑋) = (0 − 0,5)2 × + (1 − 0,5)2 × = = 0,25
2 2 2
Agora, suponha que vamos extrair uma amostra aleatórias de tamanho 3, ou seja, vamos lançar a moeda 3
vezes. Podemos representar essa amostra por 𝑋1 , 𝑋2 , 𝑋3.
Considerando que os possíveis resultados das amostras são os mesmos da população (0 ou 1) e com as
1
mesmas probabilidades de 2 = 0,5 para cada face, então temos:
𝐸(𝑋1 ) = 𝐸(𝑋2 ) = 𝐸(𝑋3 ) = 0 × 0,5 + 1 × 0,5 = 0,5
1 1 0,25 + 0,25
𝑉(𝑋1 ) = 𝑉(𝑋2 ) = 𝑉(𝑋3 ) = (0 − 0,5)2 × + (1 − 0,5)2 × = = 0,25
2 2 2
Ou seja, a esperança e a variância de cada amostra são iguais às da população:
𝐸(𝑋𝑖 ) = 𝐸(𝑋) = 𝜇
𝑉(𝑋𝑖 ) = 𝑉(𝑋) = 𝜎 2
Na verdade, toda a distribuição de probabilidade da amostra é igual à distribuição de probabilidade da

população (as esperanças e as variâncias são iguais como consequência desse fato).
65

Quando as variáveis 𝑋1 , 𝑋2 , 𝑋3 , … 𝑋𝑛 , que representam os elementos da amostra, são

independentes, dizemos que elas independentes e identicamente distribuídas (i.i.d.), isto
é, são independentes e apresentam a mesma distribuição (igual à da população).
Isso ocorre quando a população é infinita (ou muito grande em comparação com o
tamanho da amostra) ou quando a amostra é extraída com reposição.
(FGV/2021 – FunSaúde/CE - Adaptada) Se X1, X2, ... Xn é uma amostra aleatória simples extraída de uma
população infinita com determinada distribuição de probabilidades f(x), avalie se as afirmativas a seguir
estão corretas.
I. X1, X2, ... Xn são independentes.
II. X1, X2, ... Xn são identicamente distribuídos.
III. Nem sempre cada Xi, i = 1,..., n, tem distribuição f(x).
Está correto o que se afirma em
a) I, apenas.
b) I e II, apenas.
c) I e III, apenas.
d) II e III, apenas.
e) I, II e III.
Comentários:
Essa questão trabalha com os conceitos fundamentais envolvendo distribuição amostral.
Sendo a população infinita, então os elementos da amostra (que o enunciado chamou de X1, X2, ... Xn) são
variáveis aleatórias independentes que apresentam a mesma distribuição da população.
Assim, as afirmativas I e II estão corretas, enquanto a afirmativa III está incorreta, pois cada variável X i
apresenta a mesma distribuição f(x) da população (sempre).
Gabarito: B
66

Agora, estudaremos a distribuição dos estimadores mais utilizados, quais sejam, a média, a proporção e a
variância amostrais.
Distribuição Amostral da Média

̅.
Para estimarmos a média da população 𝝁, utilizamos como estimador a média amostral 𝑿
Sendo 𝑋1 , 𝑋2 , … , 𝑋𝑛 os valores observados da amostra, a média amostral é a razão entre a soma dos valores
observados, 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 , e o número de elementos observados, 𝑛:
𝑋 +𝑋 +⋯+𝑋𝑛
𝑋̅ = 1 2𝑛
Assim como os demais estimadores, a média amostral é uma variável aleatória, uma vez que 𝑋̅ varia de
acordo com os valores observados da amostra 𝑋1 , 𝑋2 , … , 𝑋𝑛 .
Vamos ao exemplo da moeda lançada 3 vezes. Se o resultado for {0, 0, 1}, a média amostral será:
0+0+1 1
𝑋̅ = = ≅ 0,33
3 3
Se o resultado for {0, 1, 1}, por exemplo, a média amostral será:
0+1+1 2
𝑋̅ = = ≅ 0,67
3 3
E qual seria a esperança desse estimador? Bem, sabendo que as faces possíveis são 0 e 1, cada uma com 50%
de chance, esperamos que as médias desse experimento estejam em torno de 0,5.
Ou seja, a esperança da média amostral é igual à média populacional?
𝐸(𝑋̅) = 𝝁
E quanto à variância? A variância da média amostral é dada por:
𝑉(𝑋) 𝜎 2
𝑉(𝑋̅) = 𝑛 = 𝑛
67

Para o exemplo dos 3 lançamentos da moeda, em que V(X) = 0,25 e n = 3, a variância da média amostral é:
0,25
𝑉(𝑋̅) = ≅ 0,08
3
̅ ) é menor do que a variância populacional 𝑽(𝑿).
A variância da média amostral 𝑽(𝑿
Isso ocorre porque a média das observações 𝑋̅ tende a ser um valor bem mais próximo da
média populacional 𝜇 do que as observações individuais da amostra 𝑋𝑖 . Afinal, no cálculo
da média amostral, os valores acima da média compensam os valores abaixo da média.
Em outras palavras, as médias amostrais 𝑋̅ variam menos do que as observações

individuais 𝑋𝑖 . Lembrando que as observações individuais da amostra seguem a mesma
distribuição da população, então concluímos que a variância da média amostral 𝑉(𝑋̅) é
menor do que a variância da população 𝑽(𝑿).
Além disso, quanto maior o tamanho da amostra 𝒏, menor será a variância da média amostral.
O desvio padrão (raiz quadrada da variância) de um estimador pode ser chamado de erro padrão.
O erro padrão (ou desvio padrão) da média amostral é dado por:
𝜎 2 𝜎
𝐸𝑃(𝑋̅) = √𝑉(𝑋̅) = √ 𝑛 =
√𝑛
Ou seja, o erro padrão (ou desvio padrão) da média amostral pode ser calculado como a raiz quadrada da
variância da média amostral √𝑽(𝑿 ̅ ), ou como a razão entre o desvio padrão populacional e a raiz do
𝝈
número de elementos da amostra 𝒏.
√
Também podemos denotar o erro padrão (ou desvio padrão) da média amostral por 𝝈𝑿̅ .
Para o nosso exemplo, o erro padrão da média amostral pode ser calculado como:
0,25
𝐸𝑃(𝑋̅) = √𝑉(𝑋̅) = √ ≅ 0,29
3
68

As fórmulas da esperança e variância podem ser obtidas pelas respectivas propriedades.
Sendo 𝑋̅ = 1 2𝑛 , a esperança 𝐸(𝑋̅) é dada por:
𝑋 +𝑋 +⋯+𝑋𝑛 𝑋 𝑋 𝑋
𝐸(𝑋̅) = 𝐸 ( 1 2𝑛 ) = 𝐸 ( 𝑛1) + 𝐸 ( 𝑛2 ) + ⋯ + 𝐸 ( 𝑛𝑛)
1 1 1
𝐸(𝑋̅) = 𝑛 𝐸(𝑋1 ) + 𝑛 𝐸(𝑋2 ) + ⋯ + 𝑛 𝐸(𝑋𝑛 )
Vimos que a esperança amostral é igual à esperança populacional, 𝐸(𝑋𝑖 ) = 𝐸(𝑋) = 𝜇:
1 1 1 1
𝐸(𝑋̅) = 𝜇 + 𝜇 + ⋯ + 𝜇 = 𝑛 × × 𝜇 = 𝜇
𝑛 𝑛 𝑛 𝑛
Considerando que as variáveis 𝑋1 , 𝑋2 , … , 𝑋𝑛 são independentes, a variância 𝑉(𝑋̅) é:
𝑋 +𝑋 +⋯+𝑋𝑛 𝑋 𝑋 𝑋
𝑉(𝑋̅) = 𝑉 ( 1 2𝑛 ) = 𝑉 ( 𝑛1) + 𝑉 ( 𝑛2) + ⋯ + 𝑉 ( 𝑛𝑛)
1 1 1
𝑉(𝑋̅) = 𝑛2 𝑉(𝑋1 ) + 𝑛2 𝑉(𝑋2 ) + ⋯ + 𝑛2 𝑉(𝑋𝑛 )
Sabendo que a variância amostral é igual à variância populacional, 𝑉(𝑋𝑖 ) = 𝑉(𝑋) = 𝜎 2 :

𝟐
̅ ) = 12 𝜎 2 + 12 𝜎 2 + ⋯ + 12 𝜎 2 = 𝑛 × 12 × 𝜎 2 = 𝝈
𝑽(𝑿 𝑛 𝑛 𝑛 𝑛 𝒏
A variância dos elementos da amostra 𝑋𝑖 é igual à variância populacional 𝑉(𝑋𝑖 ) = 𝜎 2 . O

𝜎2
que é diferente é a variância da média amostral, 𝑉(𝑋̅) = . 𝑛
Se a variância da população não for conhecida, ela precisa ser estimada a partir da amostra (variância
amostral):
∑(𝑋𝑖 − 𝑋̅)2
𝑠2 =
𝑛−1
69

Nessa situação, a estimativa para a variância da média amostral será:
𝑠2
𝑉(𝑋̅) =
𝑛
(CESPE/2016 – TCE/PA) Uma amostra aleatória, com n = 16 observações independentes e identicamente

distribuídas (IID), foi obtida a partir de uma população infinita, com média e desvio padrão desconhecidos e
distribuição normal. Tendo essa informação como referência inicial, julgue o seguinte item.
Para essa amostra aleatória simples, o valor esperado da média amostral é igual à média populacional.
Comentários:
De fato, o valor esperado da média amostral (para uma amostra aleatória) é igual à média populacional.
Gabarito: Certo.
(2019 – UEPA) Considere uma amostra aleatória 𝑋1 , 𝑋2 , . . . , 𝑋𝑛 de uma população normal de média 𝜇 e
̅̅̅𝑛̅ = 𝑋1 ,𝑋2,...,𝑋𝑛, são, respectivamente,
variância σ2 = 9. Então, a média e a variância de 𝑋 𝑛
3
a) 𝜇 e 𝑛.
𝜇 9
b) 𝑛 e 𝑛.
9
c) 𝜇 e 𝑛.
𝑛
d) 𝜇 e 9 .
Comentários:
A média (ou esperança) e a variância da média amostral são, respectivamente:
𝐸(𝑋̅) = 𝜇
𝑉(𝑋) 9
𝑉(𝑋̅) = =
𝑛 𝑛
Gabarito: C.
(VUNESP/2015 – TJ-SP) Resultados de uma pesquisa declaram que o desvio padrão da média amostral é 32.
Sabendo que o desvio padrão populacional é 192, então o tamanho da amostra que foi utilizada no estudo
foi
a) 6.
b) 25.
70

c) 36.
d) 49.
e) 70.
Comentários:
O desvio padrão (ou erro padrão) da média amostral pode ser calculado como a razão entre o desvio padrão
da população e a raiz do número de elementos da amostra:
𝜎
𝜎𝑋̅ =
√𝑛
O enunciado informa que o desvio padrão da média amostral é 𝜎𝑋̅ = 32 e o desvio padrão populacional é
𝜎 = 192. Logo:
192
32 =
√𝑛
==2e7ead==
192
√𝑛 = =6
32
𝑛 = (6)2 = 36
Gabarito: C.
(FCC/2012 – TRE-SP) Uma variável aleatória U tem distribuição uniforme contínua no intervalo [𝜶, 𝟑𝜶]. Sabe-
se que U tem média 12. Uma amostra aleatória simples de tamanho n, com reposição, é selecionada da
distribuição de U e sabe-se que a variância da média dessa amostra é 0,1. Nessas condições, o valor de n é
a) 80.
b) 100.
c) 120.
d) 140.
e) 150.
Comentários:
O que essa questão exige, em relação à matéria que acabamos de estudar, é a fórmula do desvio padrão da
média amostral:
𝜎
𝜎𝑋̅ =
√𝑛
Assim, podemos escrever o tamanho amostral como:
𝜎
√𝑛 =
𝜎𝑋̅
𝜎 2 𝜎2
𝑛=( ) = 2
𝜎𝑋̅ 𝜎𝑋̅
Ou seja, o tamanho amostral é a razão entre a variância populacional 𝜎 2 (quadrado do desvio padrão
populacional 𝜎) e a variância da média amostral 𝜎𝑋2̅ (quadrado do desvio padrão da média amostral 𝜎𝑋̅ ).
71

O enunciado informa que a variância da média amostral é 𝜎𝑋2̅ = 0,1.

Pronto! A matéria desta aula acabou. Agora, para calcular a variância populacional, precisamos saber calcular
a média e a variância da distribuição contínua uniforme.
A média (esperança) dessa distribuição é igual à média aritmética dos limites do intervalo, a e b. Sabendo
que a = 𝜶, b = 3.𝜶 e E(X) = 12, conforme dados do enunciado, temos:
𝑎+𝑏
𝐸(𝑋) =
2
𝛼 + 3𝛼 4𝛼
12 = = = 2𝛼
2 2
𝛼=6
Ou seja, a = 6 e b = 3x6 = 18. Então, a variância é dada por:
(𝑏 − 𝑎)2 (18 − 6)2 (12)2
𝑉(𝑋) = = = = 12
12 12 12
Voltando à nossa fórmula para encontrar o tamanho amostral, temos:
𝜎 2 12
𝑛= = = 120
𝜎𝑋2̅ 0,1
Gabarito: C
Fator de Correção para População Finita
Os resultados da variância e do desvio padrão da média amostral são válidos para variáveis 𝑋1 , 𝑋2 , … , 𝑋𝑛
independentes, ou seja, quando a população é infinita ou quando as amostras são extraídas com reposição.
Quando isso não ocorre, ou seja, quando a população é finita e as amostras são extraídas sem reposição,
precisamos fazer um ajuste.
Sendo 𝑛 o tamanho da amostra e 𝑁 o tamanho da população, precisamos multiplicar a variância da média

𝑵−𝒏
amostral, pelo fator de correção de população finita 𝑵−𝟏.
2
̅̅̅∗ ) = 𝜎 × 𝑵−𝒏
𝑉(𝑋 𝑛 𝑵−𝟏
Observe que o fator de correção é menor do que 1, pois 𝑁 − 𝑛 < 𝑁 − 1. Assim, o ajuste diminui a variância
da média amostral.
Sabendo que o erro (ou desvio) padrão é a raiz quadrada da variância, podemos ajustá-lo para populações
finitas e amostras extraídas sem reposição, multiplicando-o pela raiz quadrada do fator de correção:
𝜎2 𝑵 − 𝒏 𝜎 𝑵−𝒏
̅̅̅∗ ) = √𝑉(𝑋
𝐸𝑃(𝑋 ̅̅̅∗ ) = √ × = ×√
𝑛 𝑵 − 𝟏 √𝑛 𝑵−𝟏
72

Distribuição da Média Amostral e a Curva Normal
Quando a população segue distribuição normal (ou gaussiana) com variância conhecida, a média amostral
também seguirá distribuição normal.
Como vimos anteriormente, a esperança, a variância e o desvio (ou erro) padrão da média amostral são:
𝐸(𝑋̅) = 𝜇
𝜎2
𝑉(𝑋̅) =
𝑛
𝜎
𝐸𝑃(𝑋̅) =
√𝑛
Assim, para calcular as probabilidades envolvendo a média amostral, nessa situação, utilizamos a seguinte
transformação para a normal padrão:
𝑥̅ − 𝜇
𝑧= 𝜎
√𝑛
Por exemplo, vamos supor uma população com média 𝜇 = 20 e desvio padrão 𝜎 = 2. Para calcular a
probabilidade de a média de uma amostra de tamanho 𝑛 = 16 ser maior que 𝑥̅ = 21, fazemos:
21 − 20 1
𝑧= = =2
2 2
√16 4
Assim, a probabilidade 𝑃(𝑋̅ > 21) é igual à probabilidade 𝑃(𝑍 > 2), que pode ser obtida a partir da tabela
normal padrão.
De modo equivalente, podemos dizer que a seguinte variável segue distribuição normal padrão (ou
reduzida), isto é, com média igual a 0 e desvio padrão igual a 1, que representamos como 𝑁(0,1):
𝑋̅ − 𝜇
𝑍= 𝜎 ~𝑁(0,1)
√𝑛
Ainda que a população não siga distribuição normal com variância conhecida, pelo Teorema Central do
Limite, é possível aproximar a distribuição da média amostral a uma normal, também com média 𝐸(𝑋̅) = 𝜇,
𝜎2 𝜎
variância 𝑉(𝑋̅) = e desvio padrão (ou erro padrão) 𝐸𝑃(𝑋̅) = , quando o tamanho da amostra 𝑛 for
𝑛 √𝑛
grande o bastante.
A possibilidade de tal aproximação depende do tamanho da amostra e da distribuição da população.
73

Quanto maior o tamanho da amostra e quanto mais simétrica for a distribuição da população, melhor será
a aproximação. Usualmente, considera-se que para uma amostra grande, com 𝒏 ≥ 𝟑𝟎, a aproximação será
satisfatória, para qualquer distribuição populacional.
A distribuição dos quantis amostrais (mediana, quartis, decis, percentis etc.) também pode
ser aproximada a uma normal, à medida que o tamanho da amostra aumenta, em
decorrência do Teorema Central do Limite.
A média da distribuição é igual ao quantil populacional e a variância é:
𝑞(1−𝑞)
𝑉𝑎𝑟(𝑥
̃)
𝑞 = 2
𝑛.[𝑓(𝑥𝑞 )]
Sendo 𝑞 a proporção da distribuição delimitada pelo quantil 𝑥𝑞 , 𝑃(𝑋 < 𝑥𝑞 ) = 𝑞, e 𝑓(𝑥𝑞 )o

valor da função densidade da variável no ponto 𝑥𝑞 .
Por exemplo, para uma distribuição uniforme no intervalo [0,1], temos 𝑓(𝑥) = 1. Assim, a
variância da mediana amostral (𝑞 = 0,5) para 𝑛 suficientemente grande é:
̃ ) = 0,5×0,5 = 1
𝑉𝑎𝑟(𝑀𝑑 𝑛.12 4𝑛
(CESPE/2014 – ANATEL) Com base no teorema limite central, julgue o item abaixo.
Sendo uma amostra aleatória simples retirada de uma distribuição X com média µ e variância 1, a distribuição
da média amostral dessa amostra, 𝑋̅, converge para uma distribuição normal de média nµ e variância 1, à
medida que n aumenta.
Comentários:
A distribuição da média amostral 𝑋̅ converge para uma distribuição normal à medida que n aumenta. Porém,
𝑉(𝑋)
a média dessa distribuição é 𝐸(𝑋̅) = 𝜇 e variância 𝑉(𝑋̅) = 𝑛 . Sabendo que 𝑉(𝑋) = 1, a variância da média
1
amostral é 𝑉(𝑋̅) = (e não 1).
𝑛
Gabarito: Errado.
74

(CESPE 2018/PF) O tempo gasto (em dias) na preparação para determinada operação policial é uma variável
aleatória X que segue distribuição normal com média M, desconhecida, e desvio padrão igual a 3 dias. A
observação de uma amostra aleatória de 100 outras operações policiais semelhantes a essa produziu uma
média amostral igual a 10 dias. Com referência a essas informações, julgue o item que se segue, sabendo
que 𝑃(𝑍 > 2) = 0,025, em que Z denota uma variável aleatória normal padrão.
O erro padrão da média amostral foi inferior a 0,5 dia.
Comentários:
O erro padrão da média amostral é:
𝜎
𝐸𝑃(𝑋̅) =
√𝑛
Em que 𝑛 é o tamanho da amostra (𝑛 = 100); e 𝜎 é o desvio padrão amostral (𝜎 = 3), logo:
3 3
𝐸𝑃(𝑋̅) = = = 0,3
√100 10
Gabarito: Certo.
(CESPE/2019 – Analista Judiciário TJ) Um pesquisador deseja comparar a diferença entre as médias de duas
amostras independentes oriundas de uma ou duas populações gaussianas. Considerando essa situação
hipotética, julgue o próximo item.
Para que a referida comparação seja efetuada, é necessário que ambas as amostras tenham N ≥ 30.
Comentários:
Quando a população segue uma distribuição normal (ou gaussiana), a média amostral também seguirá uma
distribuição normal, independentemente do tamanho da amostra. Logo, o item está errado. Para fins de
complementação, se a amostra for grande o suficiente (normalmente, consideramos isso para 𝑛 ≥ 30), a
média amostral seguirá aproximadamente uma distribuição normal, mesmo que a população não siga
distribuição normal.
Gabarito: Errado.
(FCC 2015/SEFAZ-PI) Instrução: Para responder à questão utilize, dentre as informações dadas a seguir, as
que julgar apropriadas. 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.
Uma auditoria feita em uma grande empresa considerou uma amostra aleatória de 64 contas a receber. Se
a população de onde essa amostra provém é infinita e tem distribuição normal com desvio padrão igual a R$
200,00 e média igual a R$ 950,00, a probabilidade da variável aleatória média amostral, usualmente
denotada por 𝑿, estar situada entre R$ 980,00 e R$ 1.000,00 é dada por
a) 18,4%
b) 9,2%
c) 28,5%
d) 47,7%
e) 86,2%
75

Comentários:
O enunciado informa que a população segue distribuição normal, logo, a média amostral também terá
distribuição normal. Assim, utilizamos a seguinte transformação para a normal padrão:
𝑋̅ − 𝜇
𝑍𝑋̅ = 𝜎
√𝑛
Sabemos que o tamanho da amostra é n = 64, logo, √𝑛 = 8; que a média populacional é 𝜇 = 950 e que o
̅̅̅̅̅̅
desvio padrão populacional é 𝜎 = 200. Substituindo esses valores, a transformação para 𝑋 𝑖𝑛𝑓 = 980 é:
980 − 950 8 6
𝑍𝑋̅ = = 30 × = = 1,2
200 200 5
8
Para ̅̅̅̅̅̅
𝑋𝑠𝑢𝑝 = 1000, temos:
1000 − 950 8
𝑍𝑋̅ = = 50 × =2
200 200
8
Ou seja, a probabilidade desejada corresponde a 𝑃(1,2 < 𝑍 < 2), que pode ser calculada pelos dados
fornecidos no enunciado:
𝑃(1,2 < 𝑍 < 2) = 𝑃(𝑍 < 2) − 𝑃(𝑍 < 1,2) = 0,977 − 0,885 = 0,092 = 9,2%
Gabarito: B
Distribuição Amostral da Proporção
Agora, vamos trabalhar com uma população em que determinada característica está presente em uma
proporção 𝒑 dessa população, por exemplo, 15% da população apresenta olhos azuis; 20% da população
está doente, 1% da produção apresenta defeito, etc.
Um elemento qualquer da população 𝑋 pode apresentar a característica estudada, o que chamamos de

sucesso (𝑋 = 1), ou não, o que chamamos de fracasso (𝑋 = 0). A probabilidade de sucesso é 𝒑 e a
probabilidade de fracasso é 𝑞 = 1 − 𝑝.
Essa população apresenta uma distribuição de Bernoulli, com parâmetro 𝒑.
Sendo essa proporção populacional desconhecida, precisamos estimá-la a partir da proporção de sucessos
̂.
encontrados na amostra, que indicamos por 𝒑
Considerando que cada observação 𝑋𝑖 da amostra será 𝑋𝑖 = 0 ou 𝑋𝑖 = 1 (assim como para a população),
então a proporção de sucessos na amostra pode ser calculada como:
𝑋1 +𝑋2 +⋯+𝑋𝑛
𝑝̂ = 𝑛
76

Vamos supor que queremos estimar a proporção de defeitos em uma produção de medicamentos. Para isso,
extraímos uma amostra de 10 medicamentos, que apresentou o seguinte resultado, em que 0 representa
um item não defeituoso e 1 representa um item defeituoso:
{0, 0, 1, 0, 0, 0, 1, 0, 0, 0}
Logo, a proporção encontrada nessa amostra é:
0+0+1+0+0+0+1+0+0+0 2
𝑝̂ = = = 0,2
10 10
A partir da proporção amostral, podemos estimar o total de elementos que apresentam a

característica desejada (sucesso) na população, multiplicando-a pelo tamanho total da
população 𝑁:
𝜏̂ = 𝑁 × 𝑝̂
Note que o estimador 𝑝̂ é calculado da mesma forma que a média amostra 𝑿 ̅ que vimos anteriormente.
Logo, a esperança de 𝑝̂ é calculada da mesma forma que para 𝑋̅, utilizando 𝒑 no lugar de 𝜇:
𝐸(𝑝̂ ) = 𝒑
Ou seja, a esperança do estimador é igual à proporção populacional.
Em outras palavras, a proporção amostral tende à proporção populacional.
A variância de 𝑝̂ também é calculada de forma análoga à de 𝑋̅:
𝑉(𝑝)
𝑉(𝑝̂ ) =
𝑛
Sabendo que a população segue distribuição de Bernoulli, temos 𝑉(𝑝) = 𝑝. 𝑞, então:
𝑝.𝑞
𝑉(𝑝̂ ) = 𝑛
77

E o erro padrão (ou desvio padrão) para 𝑝̂ , raiz quadrada da sua variância é dado por:
𝑝.𝑞
𝐸𝑃(𝑝̂ ) = √ 𝑛
̂ para estimar a variância

Se a proporção populacional 𝑝 for desconhecida, utilizamos a proporção amostral 𝒑
populacional.
A estimativa da variância populacional é dada por:
𝑉(𝑝) = 𝑝̂ . 𝑞̂
Em que 𝑞̂ = 1 − 𝑝̂ .
̂ é:
E a estimativa da variância do estimador 𝒑
𝑝̂ . 𝑞̂
𝑉(𝑝̂ ) =
𝑛
Para o nosso exemplo, em que encontramos 𝑝̂ = 0,2 (logo, 𝑞̂ = 1 − 𝑝̂ = 0,8). A estimativa da variância da
proporção populacional é:
𝑉(𝑝) = 𝑝̂ . 𝑞̂ = 0,2 × 0,8 = 0,16
E a estimativa da variância da proporção amostral é:
𝑝̂ . 𝑞̂ 0,2 × 0,8
𝑉(𝑝̂ ) = = = 0,016
𝑛 10
Logo, a estimativa para o erro padrão (ou desvio padrão) da proporção amostral é:
𝐸𝑃(𝑝̂ ) = √𝑉(𝑝̂ ) = √0,016 ≅ 0,126
Considerando que cada elemento da população segue distribuição de Bernoulli, então o número de
elementos com o atributo sucesso encontrados em uma amostra de tamanho 𝑛 segue uma distribuição
binomial, com parâmetros 𝑛 e 𝑝. Para o nosso exemplo, temos uma distribuição binomial com 𝑛 = 10 e
proporção estimada 𝑝̂ = 0,2.
Porém, também é possível aproximar, pelo Teorema Central do Limite, a distribuição da proporção amostral
𝑝.𝑞 𝑝.𝑞
a uma normal, com média 𝐸(𝑝̂ ) = 𝑝, variância 𝑉(𝑝̂ ) = e desvio (ou erro) padrão 𝐸𝑃(𝑝̂ ) = √ 𝑛 , quando
𝑛
o tamanho da amostra 𝑛 for suficientemente grande.
78

Assim, para calcular as probabilidades envolvendo a proporção amostral, utilizamos a transformação para a
normal padrão:
𝑝̂ − 𝑝
𝑧=
𝑝. 𝑞
√
𝑛
Por exemplo, supondo que a proporção de sucesso de uma população seja 𝑝 = 0,5 (e proporção de fracasso
𝑞 = 1 − 𝑝 = 0,5), vamos calcular a probabilidade de observar uma proporção maior que 𝑝̂ = 0,6 em uma
amostra de tamanho 𝑛 = 25:
0,6 − 0,5 0,1 0,1

𝑧= = = =1
0,5 0,1
√0,5 × 0,5 5
25
Assim, a probabilidade 𝑃(𝑝̂ > 0,6) é aproximadamente igual à probabilidade 𝑃(𝑍 > 1), que pode ser
calculada pela tabela da normal padrão.
Se a população for finita e a amostra for extraída sem reposição, será necessário aplicar o fator de correção
𝑁−𝑛
para população finita, multiplicando a variância da proporção amostral por 𝑁−1:
𝑝. 𝑞 𝑁 − 𝑛
𝑉(𝑝̂ ) = ×
𝑛 𝑁−1
E o erro (ou desvio) padrão do estimador, com a correção para população finita, é igual à raiz quadrada:
𝑝. 𝑞 𝑁 − 𝑛
𝐸𝑃(𝑝̂ ) = √ ×
𝑛 𝑁−1
(CESPE 2016/TCE-PA) Em estudo acerca da situação do CNPJ das empresas de determinado município, as
empresas que estavam com o CNPJ regular foram representadas por 1, ao passo que as com CNPJ irregular
foram representadas por 0.
Considerando que a amostra {0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1} foi extraída para realizar um
teste de hipóteses, julgue o item subsequente.
A estimativa pontual da proporção de empresas da amostra com CNPJ regular é superior a 50%.
79

Comentários:
O estimador da proporção 𝑝̂ pode ser calculado pela soma dos valores dos elementos, dividida pelo número
de elementos na amostra:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑝̂ =
𝑛
0 + 1 + 1 + 0 + 0 + 1 + 0 + 1 + 0 + 1 + 1 + 0 + 0 + 1 + 1 + 0 + 1 + 1 + 1 + 1 12
𝑝̂ = = = 0,6
20 20
Logo, a proporção é de 60%.
Gabarito: Certo
(CESPE/2019 – TJ-AM) Para estimar a proporção de menores infratores reincidentes em determinado

município, foi realizado um levantamento estatístico. Da população-alvo desse estudo, constituída por
10.050 menores infratores, foi retirada uma amostra aleatória simples sem reposição, composta por 201
indivíduos. Nessa amostra foram encontrados 67 reincidentes. Com relação a essa situação hipotética, julgue
o seguinte item.
A estimativa do erro padrão da proporção amostral foi inferior a 0,04.
Comentários:
O erro padrão da proporção é dada pela relação:
𝑝×𝑞
𝐸𝑃(𝑝̂ ) = √
𝑛
A questão nos diz que a amostra é composta por 201 indivíduos, sendo 67 deles reincidentes. Assim, temos
67 1 2
𝑛 = 201 e 𝑝 = 201 = 3. Logo, 𝑞 = 1 − 𝑝 = 3. Logo, o erro padrão é:
1 2
√3 × 3 1 √ 2 1 1
𝐸= = × ≅ × ≅ 0,033
201 3 201 3 10
Gabarito: Certo.
Estimador para a média: 𝑋̅ = 1 2𝑛
𝑉(𝑋)
Esperança: 𝐸(𝑋̅) = 𝜇; Variância: 𝑉(𝑋̅) = 𝑛
𝑋1 +𝑋2 +⋯+𝑋𝑛
Estimador para a proporção: 𝑝̂ = 𝑛
𝑝.𝑞
Esperança: 𝐸(𝑝̂ ) = 𝑝; Variância: 𝑉(𝑝̂ ) = 𝑛
80

Distribuição Amostral da Variância
Quando a variância da população é desconhecida, precisamos estimá-la a partir da amostra, assim como
fizemos com a média e a proporção.
O estimador da variância que utilizamos para uma amostra de tamanho 𝑛 é:
∑(𝑋𝑖 −𝑋̅ ) 2
𝑠2 = 𝒏−𝟏
Utilizamos esse estimador, com a divisão por 𝒏 − 𝟏, porque a sua esperança é igual à variância populacional,
como veremos posteriormente, o que não ocorre com o estimador com a divisão por 𝑛.
Vamos supor que a variância da altura de determinado grupo de adultos seja desconhecida,
assim como a sua média. Para estimar esses parâmetros, obtemos a seguinte amostra de
5 pessoas:
{1,65; 1,75; 1,8; 1,85; 1,95}
Primeiro, precisamos calcular a média da amostra:
∑𝑋 1,65+1,75+1,8+1,85+1,95 9
𝑋̅ = 𝑛 𝑖 = = = 1,8
5 5
Agora, calculamos o estimador da variância, somando os desvios em relação à média,

elevados ao quadrado, e dividindo o somatório por 𝒏 − 𝟏:
∑(𝑋𝑖 −𝑋̅)2
𝑠2 = 𝒏−𝟏
(1,65−1,8)2 +(1,75−1,8)2 +(1,8−1,8)2 +(1,85−1,8)2 +(1,95−1,8)2

𝑠2 = 4
(−0,15)2 +(−0,05)2 +(0)2 +(0,05)2 +(0,15)2

𝑠2 = 4
0,0225+0,0025+0,0025+0,0225 0,05
𝑠2 = = = 0,0125
4 4
81

Uma maneira alternativa de calcular a variância populacional é:
𝜎 2 = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
Para a variância amostral, também podemos utilizar uma fórmula similar a essa, mas com
as devidas adaptações. No lugar de 𝐸(𝑋), utilizamos a média amostral 𝑋̅; e, no lugar de
𝐸(𝑋 2 ), utilizamos ̅̅̅̅
𝑋 2 , que é a média dos valores elevados ao quadrado:
∑𝑋 2
̅̅̅
𝑋 2̅ = 𝑛 𝑖
Para o exemplo anterior, teríamos:
(1,65) 2 +(1,75)2 +(1,8)2 +(1,85)2 +(1,95)2 16,25

̅̅̅̅
𝑋2 = = = 3,25
5 5
Por fim, fazemos um ajuste. Para calcular a variância populacional, dividimos por 𝑛 e para
a variância amostral, dividimos por 𝒏 − 𝟏.
𝑛
Logo, precisamos multiplicar o resultado por 𝒏−𝟏 para obter a variância amostral:
̅̅̅̅2 − (𝑋̅)2 ] × 𝑛
𝑠 2 = [𝑋 𝒏−𝟏
Para o nosso exemplo, em que ̅̅̅̅

𝑋 2 = 3,25, 𝑋̅ = 1,8 e 𝑛 = 5, a variância amostral pode ser
calculada como:
5 5 0,01×5
𝑠 2 = [3,25 − (1,8)2 ] × 4 = [3,25 − 3,24] × 4 = = 0,0125
4
Para a variância amostral, a sua esperança é igual à variância populacional, analogamente ao que ocorreu
com os demais estimadores. A sua variância e erro padrão são dados por:
𝐸(𝑠 2 ) = 𝜎 2
2.𝜎4
𝑉(𝑠 2 ) = 𝑛−1
2
𝐸𝑃(𝑠 2 ) = √𝑛−1 𝜎 2
82

Se a variância populacional 𝜎 2 for desconhecida, utilizamos, no lugar de 𝜎 2 , a própria estimativa 𝑠 2 para

estimar a média 𝐸(𝑠 2 ), a variância 𝑉(𝑠 2 ) e o erro padrão 𝐸𝑃(𝑠 2 ).
Para o nosso exemplo, em que calculamos 𝑠 2 = 0,0125, para a amostra com 𝑛 = 5 observações, o erro
padrão de 𝑠 2 pode ser estimado como:
2 2
𝐸𝑃(𝑠 2 ) = √ 𝑠 2 = √ × 0,0125 ≅ 0,009
𝑛−1 4
𝒏−𝟏
Se a população seguir uma distribuição normal, então o estimador 𝑠 2 , multiplicado pelo fator , segue
𝝈𝟐
uma distribuição qui-quadrado com 𝒏 − 𝟏 graus de liberdade:
2
𝑛−1
𝒳𝑛−1 = ( 2 ) . 𝑠2
𝜎
Em outras palavras, o estimador 𝑠 2 é uma variável com distribuição qui-quadrado, com 𝑛 − 1 graus de
𝜎2
liberdade, multiplicada por 𝑛−1:
𝜎2 2
𝑠 2 = (𝑛−1) . 𝒳𝑛−1
Vamos supor que, para uma população normal, a variância populacional seja 𝜎 2 = 1, e que vamos extrair
amostras de tamanho 𝑛 = 5. Nesse caso, a variância amostral 𝑠 2 terá a seguinte distribuição:
1 2
𝒳42
𝑠2 = ( ) . 𝒳5−1 =
5−1 4
Ou seja, a variância amostral seguirá uma distribuição qui-quadrado com 𝑛 − 1 = 4 graus de liberdade,
dividida por 4.
A seguir, consta a tabela da distribuição qui-quadrado com 4 graus de liberdade, que apresenta os valores
de probabilidade 𝑃(𝒳42 < 𝑥) e os respectivos valores de 𝑥. Como a variância amostral segue essa
distribuição, dividida por 4, criamos uma terceira coluna, dividindo os valores de 𝑥 por 4.
𝑃(𝒳42 < 𝑥) 0,005 0,01 0,025 0,05 0,1 0,25 0,5 0,75 0,9 0,95 0,975 0,99 0,995
𝑥 0,21 0,30 0,48 0,71 1,06 1,92 3,36 5,39 7,78 9,49 11,14 13,28 14,86
𝑥/4 0,05 0,07 0,12 0,18 0,27 0,48 0,84 1,35 1,94 2,37 2,79 3,32 3,72
Por exemplo, a probabilidade de a variância amostral observada ser inferior a 0,48 é:
𝑃(𝑠 2 < 0,48) = 𝟎, 𝟐𝟓
83

A partir desse resultado, podemos calcular a esperança e a variância do estimador. A

esperança é dada por:
𝜎2 2
𝑠 2 = (𝑛−1) . 𝒳𝑛−1
𝜎2 2 𝜎2 2 ]
𝐸[𝑠 2 ] = 𝐸 [( ) . 𝒳𝑛−1 ]=( ) . 𝐸[𝒳𝑛−1
𝑛−1 𝑛−1
Considerando que a média de uma distribuição qui-quadrado com 𝑘 graus de liberdade é

igual a 𝑘, então fazendo 𝑘 = 𝑛 − 1, temos:
2 ]
𝐸[𝒳𝑛−1 =𝑘 =𝑛−1
Substituindo no resultado anterior, temos:
𝜎2
𝐸[𝑠 2 ] = (𝑛−1) . (𝑛 − 1) = 𝜎 2
Esse é o resultado que vimos no início da seção. A variância do estimador é:
2
𝜎2 2 𝜎2
2 ] 2 ] 𝜎4
𝑉[𝑠 2 ] = 𝑉 [(𝑛−1) 𝒳𝑛−1 ] = (𝑛−1) . 𝑉[𝒳𝑛−1 = ((𝑛−1)2) . 𝑉[𝒳𝑛−1
Considerando que a variância de uma distribuição qui-quadrado com 𝑘 graus de liberdade

é igual a 2𝑘, então fazendo 𝑘 = 𝑛 − 1, temos:
2 ]
𝑉[𝒳𝑛−1 = 2. 𝑘 = 2. (𝑛 − 1)
Substituindo no resultado anterior, temos:
𝜎4 2.𝜎4
𝑉[𝑠 2 ] = ((𝑛−1)2) . 2. (𝑛 − 1) = 𝑛−1
Vale acrescentar que uma população normal depende dos dois parâmetros, variância e média, os quais são
independentes. Consequentemente, os estimadores correspondentes também serão independentes.
84

(FGV/2016 – IBGE) Suponha que uma amostra de tamanho 𝒏 = 𝟓 é extraída de uma população normal, com
média desconhecida, obtendo as seguintes observações:
𝑿𝟏 = 𝟑, 𝑿𝟐 = 𝟓, 𝑿𝟑 = 𝟔, 𝑿𝟒 = 𝟗 e 𝑿𝟓 = 𝟏𝟐
São dados ainda os seguintes valores, retirados da tabela da distribuição qui-quadrado:
• P(𝜒42 < 𝟓) ≅ 𝟎,𝟕𝟏𝟑
• P(𝜒42 < 𝟏𝟐,𝟓) ≅ 𝟎,𝟗𝟖𝟔
• P(𝜒52 > 𝟓) ≅ 𝟎,𝟖𝟓𝟒
• 𝑃(𝜒52 > 𝟏𝟐,𝟓) ≅ 𝟎,𝟗𝟕𝟏
Se a população tem variância verdadeira 𝝈𝟐 = 𝟒, em nova amostra (𝒏 = 𝟓), a probabilidade de se observar
uma variância amostral maior do que a anterior é de:
a) 0,014
b) 0,029
c) 0,146
d) 0,287
e) 0,713
Comentários:
Para resolver essa questão, vamos primeiro calcular a variância amostral obtida nessa primeira amostra:
∑(𝑋𝑖 − 𝑋̅) 2
𝑠2 =
𝒏−𝟏
Para isso, precisamos da média amostral:
3 + 5 + 6 + 9 + 12 35
𝑋̅ = = =7
5 5
Agora, podemos calcular a variância dessa primeira amostra:
(3 − 7)2 + (5 − 7)2 + (6 − 7)2 + (9 − 7)2 + (12 − 7)2
𝑠12 =
4
(−4)2 + (−2)2 + (−1)2 + (2)2 + (5)2 16 + 4 + 1 + 4 + 25 50
𝑠12 = = = = 12,5
4 4 4
Para calcular a probabilidade de a variância amostral ser 𝑠 2 > 12,5, consideramos que esse estimador segue
𝜎2
uma distribuição qui-quadrado com n – 1 graus de liberdade, multiplicada por (𝑛−1):
𝜎2 2
𝑠2 = ( ) . 𝒳𝑛−1
𝑛−1
85

Sabendo que a variância populacional é 𝜎 2 = 4 e que o tamanho da amostra é 𝑛 = 5, então:

4 2
𝑠2 = () . 𝒳5−1 = 𝒳42
5−1
Portanto, a variância amostral segue a mesma distribuição de 𝒳42 . A probabilidade de 𝑠 2 > 12,5 é, portanto:
𝑃(𝑠 2 > 12,5) = 𝑃(𝒳42 > 12,5)
O enunciado informa que 𝑃(𝒳42 < 12,5) = 0,986. A probabilidade 𝑃(𝒳42 > 12,5) é complementar:
𝑃(𝒳42 > 12,5) = 1 − 𝑃(𝒳42 < 12,5) = 1 − 0,986 = 0,014
Gabarito: A
Distribuições para Amostragem Estratificada
Para uma amostragem estratificada, com 𝑘 estratos, a média amostral será calculada como:
𝑘
𝑁𝑖
𝑋̅ = ∑ 𝑥̅
𝑁 𝑖
𝑖=1
Nessa expressão, 𝑁𝑖 é o tamanho de cada estrato; 𝑁 é o tamanho total da população; e 𝑥̅𝑖 , a média amostral
observada para cada estrato.
Ou seja, calculamos a média 𝑥̅𝑖 para cada estrato 𝑖, multiplicamos pelo tamanho do estrato 𝑁𝑖 e dividimos
pelo tamanho total 𝑁.
Para ilustrar, vamos supor uma população dividida em 3 estratos, com os seguintes tamanhos Ni e os
seguintes valores de média amostral 𝑥̅𝑖 para cada estrato i:
Estrato Ni ni 𝑥̅𝑖
1 50 5 2
2 30 3 3
3 20 2 4
A média amostral para toda a população corresponde às médias amostrais dos estratos, ponderadas pelos
respectivos tamanhos dos estratos:
50 × 2 + 30 × 3 + 20 × 4 100 + 90 + 80
𝑋̅ = = = 2,7
50 + 30 + 20 100
A razão entre o tamanho do estrato 𝑁𝑖 e o tamanho total da população 𝑁 pode ser chamada de peso do
estrato (𝑊𝑖 ).
86

Nessa situação, para calcular a média amostral, basta multiplicar a média de cada estrato pelo respectivo
peso e somar todos os resultados:
𝑋̅ = ∑ 𝑊𝑖 × 𝑥̅𝑖
𝑖=1
Podemos calcular, ainda, a variância da média amostral:
𝑘
𝑁𝑖
𝑉(𝑋̅) = 𝑉 (∑ 𝑥̅ )
𝑁 𝑖
𝑖=1
Pelas propriedades da variância, temos:
𝑘
𝑁𝑖 2
𝑉(𝑋̅) = ∑ ( ) 𝑉(𝑥̅𝑖 )
𝑁
𝑖=1
Em que a variância da média amostral de cada estrato 𝑉(𝑥̅𝑖 ) é calculada pela razão entre a variância
populacional do estrato e o tamanho da amostra do estrato:
𝑉(𝑋𝑖 )
𝑉(𝑥̅𝑖 ) =
𝑛𝑖
Em uma amostragem proporcional, o tamanho amostral do estrato 𝑛𝑖 pode ser calculado

pela razão entre o tamanho do estrato populacional e o tamanho total da população,
multiplicada pelo tamanho total da amostra:
𝑁𝑖
𝑛𝑖 = .𝑛
𝑁
Vamos supor as seguintes variâncias para os estratos da população, que vimos anteriormente:
Estrato Ni ni 𝑉(𝑋𝑖 )
1 50 5 4
2 30 3 2
3 20 2 1
87

As variâncias das médias amostrais dos estratos são dadas por:
𝑉(𝑋1 ) 4
𝑉(𝑥
̅̅̅)
1 = = = 0,8
𝑛1 5
𝑉(𝑋2 ) 2
𝑉(𝑥
̅̅̅)
2 = = ≅ 0,67
𝑛2 3
𝑉(𝑋3 ) 1
𝑉(𝑥
̅̅̅)
3 = = = 0,5
𝑛3 2
E a variância da média amostral global é dada por:
𝑘
𝑁𝑖 2 𝑁1 2 𝑁2 2 𝑁3 2
𝑉(𝑋̅) = ∑ ( ) 𝑉(𝑥̅𝑖 ) = ( ) . 𝑉(𝑥
̅̅̅)
1 + ( ) . 𝑉(𝑥
̅̅̅)
2 + ( ) . 𝑉(𝑥
̅̅̅)
3
𝑁 𝑁 𝑁 𝑁
𝑖=1
50 2 30 2 20 2
𝑉(𝑋̅) = ( ) × 0,8 + ( ) × 0,67 + ( ) × 0,5 = 0,25 × 0,8 + 0,09 × 0,67 + 0,04 × 0,5 = 0,28
100 100 100
A variância da média de uma amostra estratificada proporcional é menor ou igual do que

a variância da média de uma amostra aleatória simples (AAS). Afinal, a amostragem
estratificada proporcional é mais precisa do que a AAS1.
1
A variância da média de uma AAS é a razão entre a variância da população como um todo e o tamanho da amostra; e a variância
de toda a população é maior (ou igual) às variâncias dos estratos ponderadas pelos respectivos tamanhos:
𝑘
1 1 𝑁𝑖
𝑉(𝑋̅𝐴𝐴𝑆 ) = × 𝑉(𝑋) ≥ × ∑ . 𝑉(𝑋𝑖 )
𝑛 𝑛 𝑁
𝑖=1
A expressão à direita corresponde justamente à variância da média amostral global em uma amostragem estratificada
𝑁 2 𝑉(𝑋𝑖 ) 𝑁𝑖
proporcional. Sabendo que 𝑉(𝑋̅𝐸𝑠𝑡 ) = ∑𝑘𝑖=1 ( 𝑖) 𝑉(𝑥̅𝑖 ), que 𝑉(𝑥̅𝑖 ) = e que, na alocação proporcional, 𝑛𝑖 = . 𝑛, então:
𝑁 𝑛𝑖 𝑁
𝑘 𝑘 𝑘
𝑁𝑖 2 𝑉(𝑋𝑖 ) 𝑁𝑖 2 𝑉(𝑋𝑖 ). 𝑁 𝑁𝑖 𝑉(𝑋𝑖 )
𝑉(𝑋̅𝐸𝑃 ) = ∑ ( ) = ∑( ) =∑
𝑁 𝑛𝑖 𝑁 𝑁𝑖 . 𝑛 𝑁 𝑛
𝑖=1 𝑖=1 𝑖=1
88

Sendo a variância populacional de cada estrato desconhecida, precisamos estimá-la a partir da variância
amostral de cada estrato 𝑠𝑥̅2𝑖 . Substituindo, na fórmula acima, 𝑉(𝑋̅) por 𝑠𝑥̅2 e 𝑉(𝑥̅𝑖 ) por 𝑠𝑥̅2𝑖 , temos:
𝑘
𝑁𝑖 2
𝑠𝑥̅2 = ∑ ( ) × 𝑠𝑥̅2𝑖
𝑁
ℎ=1
Em que a estimativa da variância da média amostral para cada estrato 𝑠𝑥̅2𝑖 , considerando uma amostra de
tamanho 𝑛𝑖 para esse estrato, com a correção para população finita, é dada por:
𝑠𝑥2𝑖 𝑁𝑖 − 𝑛𝑖
𝑠𝑥̅2𝑖 = ( )
𝑛𝑖 𝑁𝑖 − 1
Vamos supor que as estimativas da variância para cada estrato sejam:
Estrato Ni ni 𝑠𝑥2𝑖
1 50 5 2
2 30 3 1,5
3 20 2 1
Assim, as variâncias das médias amostrais para cada estrato, com o fator de correção, são:
2 50 − 5
𝑠𝑥̅21 = ( ) ≅ 0,367
5 50 − 1
1,5 30 − 3
𝑠𝑥̅22 = ( ) ≅ 0,466
3 30 − 1
1 20 − 2
𝑠𝑥̅23 = ( ) ≅ 0,474
2 20 − 1
E a variância da média amostral global é dada por:
50 2 30 2 20 2
𝑠𝑥̅2 = ( ) × 0,367 + ( ) × 0,466 + ( ) × 0,474
100 100 100
𝑠𝑥̅2 = 0,25 × 0,367 + 0,09 × 0,466 + 0,04 × 0,474 = 0,092 + 0,042 + 0,019 = 0,153
89

(CESPE/2018 – STM) Um estudo acerca do tempo (x, em anos) de guarda de autos findos em determinada
seção judiciária considerou uma amostragem aleatória estratificada. A população consiste de uma listagem
de autos findos, que foi segmentada em quatro estratos, segundo a classe de cada processo (as classes foram
estabelecidas por resolução de autoridade judiciária.)
A tabela a seguir mostra os tamanhos populacionais (𝑁) e amostrais (𝑛), a média amostral (𝑥̅ ) e a variância
amostral dos tempos (𝑠 2 ) correspondentes a cada estrato.
Considerando que o objetivo do estudo seja estimar o tempo médio populacional (em anos) de guarda dos
autos findos, julgue os itens a seguir.
(CESPE/2018 – STM) A estimativa do tempo médio populacional da guarda dos autos findos é maior ou igual
a 12 anos.
Comentários:
Em uma amostra aleatória por estratificação, a média amostral é dada por:
𝑘
𝑁𝑖
𝑋̅ = ∑ 𝑥̅
𝑁 𝑖
𝑖=1
Em que 𝑘 é a quantidade de estratos; 𝑁𝑖 o tamanho de cada estrato; e 𝑥̅𝑖 a média de cada estrato.
Pelos dados de 𝑁 e 𝑥̅ fornecidos na tabela, temos:
𝑁𝐴 × ̅̅̅
𝑥𝐴 + 𝑁𝐵 × ̅̅̅
𝑥𝐵 + 𝑁𝐶 × ̅̅̅
𝑥𝐶 + 𝑁𝐷 × ̅̅̅
𝑥𝐷
𝑋̅ =
𝑁
30000 × 20 + 40000 × 15 + 50000 × 10 + 80000 × 5

𝑋̅ =
200000
60 + 60 + 50 + 40
𝑋̅ = = 10,5
20
Gabarito: Errado.
90

(CESPE/2018 – STM) Combinando-se todos os estratos envolvidos, a estimativa da variância do tempo médio
amostral da guarda dos autos findos é inferior a 0,005 𝑎𝑛𝑜2 .
Comentários:
Em uma amostragem estratificada, a estimativa da variância da média amostral é dada por:
𝑘
𝑁𝑖 2
𝑠𝑥̅2 = ∑ ( ) × 𝑠𝑥̅2𝑖
𝑁
𝑖=1
𝑠𝑥2𝑖 𝑁𝑖 −𝑛𝑖
Em que 𝑠𝑥̅2𝑖 = ( 𝑁 −1 ). Pelos valores apresentados na tabela, temos:
𝑛𝑖 𝑖
3 30000 − 300
𝑠𝑥̅2𝐴 = ( ) = 0,0099
300 30000 − 1
16 40000 − 400
𝑠𝑥̅2𝐵 = ( ) = 0,0396
400 40000 − 1
5 50000 − 500
𝑠𝑥̅2𝐶 = ( ) = 0,0099
500 50000 − 1
8 80000 − 800
𝑠𝑥̅2𝐷 = ( ) = 0,0099
800 80000 − 1
Além disso, temos que:
𝑁𝐴 2 30000 2
( ) =( ) = 0,0225
𝑁 200000
𝑁𝐵 2 40000 2
( ) =( ) = 0,04
𝑁 200000
𝑁𝐶 2 50000 2
( ) =( ) = 0,0625
𝑁 200000
ND 2 80000 2
( ) =( ) = 0,16
N 200000
Portanto:
𝐿
𝑁ℎ 2
𝑠𝑥̅2 = ∑( ) × 𝑠𝑥̅2ℎ
𝑁
ℎ=1
𝑠𝑥̅2 = (0,0225 ⋅ 0,0099 + 0,04 ⋅ 0,0396 + 0,0625 ⋅ 0,0099 + 0,16 ⋅ 0,0099)
𝑠𝑥̅2 = (0,0225 + 0,0625 + 0,16) ⋅ 0,0099 + 0,04 ⋅ 0,0396 ≅ 0,0041.
Gabarito: Certo.
91

QUESTÕES COMENTADAS – CESGRANRIO
Distribuição Binomial
1. (CESGRANRIO/2022 – Eletronuclear) Em uma fábrica automobilística, foi notado que os airbags de um

certo lote não estavam funcionando tão bem quanto deveriam. Calcula-se que a probabilidade de um airbag
desse lote não inflar era de 40%, valor muito acima do limite aceitável. Após o descarte de todo o lote,
começou-se a fazer testes de colisão com airbags do lote seguinte. Supondo-se que os airbags do novo lote
possuam a mesma probabilidade de não inflar que os do lote descartado e que, em cada colisão, apenas um
airbag é testado, qual a probabilidade de 2 airbags não inflarem nas 5 primeiras colisões?
a) 12,96%
b) 20,16%
c) 31,25%
d) 32,75%
e) 34,56%
Comentários:
Precisamos calcular a probabilidade de 2 airbags não inflarem, dentre 𝑛 = 5, sabendo que a probabilidade de
um airbag não inflar (sucesso) é 𝑝 = 40% = 0,4, logo a probabilidade de um airbag inflar (fracasso) é
complementar 𝑞 = 1 − 𝑝 = 0,6:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
𝑃(𝑋 = 2) = 𝐶5,2 × 0, 42 × 0,63
A combinação 𝐶5,2 é:
5! 5 × 4 × 3!
𝐶5,2 = = = 10
(5 − 2)! × 2! 3! × 2
𝑃(𝑋 = 2) = 10 × 0,16 × 0,216 = 0,3456 = 34,56%
Gabarito: E
92
CNU (Bloco 1 - Infraestrutura, Exatas e Engenharia) Conhecimentos Específicos - Eixo Temático 5 - Geoprocessamento e Aná

2. (CESGRANRIO/2021 – CEF - Adaptada) Por estudos estatísticos, estima-se que um cliente de um certo
banco tem 75% de probabilidade de ir para atendimento de caixa eletrônico, e 25% de ir para um atendimento
personalizado.
Em uma amostra de quatro clientes entrando no banco, qual é a probabilidade de que, no mínimo, a maioria
deles se dirija ao atendimento personalizado?
a) 1/64
b) 5/256
c) 3/64
d) 13/256
e) 27/64
Comentários:
Precisamos calcular a probabilidade de que, dentre os 4 clientes, ao menos 3 se dirijam ao atendimento

personalizado, o que corresponde à soma:
𝑃(𝑋 ≥ 3) = 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)
Essas probabilidades são dadas pela distribuição binomial, considerando que o tamanho da amostra é 𝑛 = 4,
1
que a probabilidade de um cliente se dirigir ao atendimento personalizado é 𝑝 = 25% = 4 e que a probabilidade
3
de um cliente não se dirigir a esse atendimento é 𝑞 = 75% = 4:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
1 3 3 1 3 12
𝑃(𝑋 = 3) = 𝐶4,3 × ( ) × ( ) = 4 × 4 = 4
4 4 4 4
1 4 3 0 1 1
𝑃(𝑋 = 4) = 𝐶4,4 × ( ) × ( ) = 1 × 4 = 4
4 4 4 4
E a soma é:
12 1 13
𝑃(𝑋 ≥ 3) = 4
+ 4=
4 4 256
Gabarito: D
93

3. (CESGRANRIO/2018 – Liquigás) Sabe-se por estudos estatísticos que a eficiência de uma certa vacina
para uma dada doença é de 80%. Vacinando-se três indivíduos, qual a probabilidade de que apenas um deles
não fique imunizado à doença?
a) 12,8%
b) 16%
c) 32%
d) 36%
e) 38,4%
Comentários:
O enunciado informa que a probabilidade de um indivíduo ser imunizado após tomar determinada vacina é p =
80%. Sabendo que há apenas 2 possibilidades para cada indivíduo (ser imunizado ou não), e que serão vacinados
n = 3 indivíduos, então temos uma distribuição binomial com n = 3 e p = 80% = 0,8 (logo, q = 1 – p = 1 – 0,8 =
0,2).
Assim, a probabilidade de ter 1 indivíduo não imunizado, consequentemente, 2 indivíduos imunizados é:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
𝑃(𝑋 = 2) = 𝐶3,2 × 0, 82 × 0,21
3! 3 × 2!
𝐶3,2 = = =3
(3 − 2)! × 2! 1! × 2!
𝑃(𝑋 = 2) = 3 × 0,64 × 0,2 = 0,384 = 38,4%
Gabarito: E
4. (CESGRANRIO/2018 – Transpetro) A febre amarela é uma doença infecciosa febril aguda, causada por
um vírus transmitido por mosquitos. Uma medida importante para prevenção e controle da febre amarela é
a vacinação. Uma empresa, preocupada com a saúde de seus funcionários, fez um levantamento para saber
quantos já tinham sido vacinados. Foi verificado que dos 1.000 funcionários apenas 200 já haviam tomado a
vacina.
94

Se forem selecionados ao acaso 200 funcionários da empresa, o número esperado de pessoas que não
tomaram a vacina é de
a) 20
b) 40
c) 80
d) 120
e) 160
Comentários:
O enunciado informa que 200 funcionários, dentre 1000, tomaram a vacina. Assim, a probabilidade de um
funcionário ter tomado a vacina (o que corresponde ao fracasso) é:
200
𝑞= = 0,2
1000
E a probabilidade de um funcionário não ter tomado a vacina é complementar:
𝑝 = 1 − 𝑞 = 0,8
Selecionando-se 𝑛 = 200 funcionários, o número esperado de pessoas que não tomaram a vacina é:
𝐸(𝑋) = 𝑛 × 𝑝 = 200 × 0,8 = 160
Gabarito: E
5. (CESGRANRIO/2018 – BB) Os jogadores X e Y lançam um dado honesto, com seis faces numeradas de
1 a 6, e observa-se a face superior do dado. O jogador X lança o dado 50 vezes, e o jogador Y, 51 vezes. A
probabilidade de que o jogador Y obtenha mais faces com números ímpares do que o jogador X, é:
a) 1
b) 3/4
c) 1/4
d) 1/2
e) 1/6
95

Comentários:
Precisamos calcular a probabilidade de o jogador Y obter mais números ímpares que o jogador X, sabendo que
Y lança o dado uma vez a mais.
Para visualizarmos, vamos considerar um jogo com menos lances, por exemplo, com 5 lances para o jogador Y
e 4 lances para o jogador X.
Nessa situação, o jogador Y pode obter de 0 a 5 números ímpares e que o jogador X pode obter de 0 a 4 números
ímpares. A matriz a seguir representa os possíveis resultados, em que indicamos por Y sempre que o jogador Y
obtém mais números ímpares e por X, caso contrário:
Y
0 1 2 3 4 5
0 X Y Y Y Y Y
1 X X Y Y Y Y
X 2 X X X Y Y Y
3 X X X X Y Y
4 X X X X X Y
A probabilidade de cada um desses eventos é calculada pela distribuição binomial:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × (1 − 𝑝)𝑛−𝑘
Podemos observar que o número de Y´s é igual ao número de X´s e que eles estão distribuídos de maneira
simétrica (na primeira linha, há 1X e 4Y´s, enquanto na última linha há 4X´s e 1Y; o mesmo ocorre com as demais
linhas e com as colunas).
Assim, sabendo que a probabilidade de obter um número ímpar é 𝑝 = 0,5 e considerando a simetria da fórmula
da combinação, ou seja, 𝐶𝑛,𝑘 = 𝐶𝑛,(𝑛−𝑘) , então a soma das probabilidades dos eventos marcados com X é igual
à soma das probabilidades dos eventos marcados com Y. Portanto, ambos os eventos têm probabilidade de 1/2.
No enunciado da questão, o número de lances é maior, mas a situação é a mesma, ou seja, se construíssemos
uma matriz representando esse jogo, teríamos a mesma quantidade de Y´s e de X´s e de forma simétrica, sendo
a soma das probabilidades dos eventos marcados com X igual à soma das probabilidades dos eventos marcados
com Y, isto é, ambos são iguais a 1/2.
Gabarito: D
6. (CESGRANRIO/2016 – IBGE) Uma pesquisa está interessada em estudar os eleitores de determinado

candidato. Sabe-se que 50% da população alegam votar no candidato em questão.
96

Se 6 pessoas forem abordadas aleatoriamente, a probabilidade de que exatamente 3 pessoas sejam eleitoras
do candidato em questão é aproximadamente
a) 51%
b) 50%
c) 31%
d) 21%
e) 11%
Comentários:
O enunciado informa que 50% das pessoas alegam votar em determinado candidato e que serão abordadas 6
pessoas.
Considerando que há somente 2 respostas possíveis (votar ou não no candidato) para cada pessoa (ou seja, cada
pessoa corresponde a um ensaio de Bernoulli) e que serão abordadas n = 6 pessoas, então temos uma
distribuição binomial com n = 6 e p = 50% = 0,5 (logo, q = 1 – p = 1 – 0,5 = 0,5).
Assim, a probabilidade de encontrar exatamente k = 3 pessoas que votam no candidato é:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
𝑃(𝑋 = 3) = 𝐶6,3 × 0, 53 × 0,56−3
6! 6 × 5 × 4 × 3! 6 × 5 × 4
𝐶6,3 = = = = 5 × 4 = 20
(6 − 3)! × 3! 3! × 3! 3×2×1
𝑃(𝑋 = 3) = 20 × 0, 53 × 0,53 = 20 × 0,125 × 0,125 = 0,3125 ≅ 31%
Gabarito: C
7. (CESGRANRIO/2012 – Petrobras) 10% dos parafusos produzidos por uma máquina são defeituosos. A
probabilidade de que, entre 4 parafusos, pelo menos 3 não sejam defeituosos é de
a) 29,16%
97

b) 65,61%
c) 94,77%
d) 98,37%
e) 99,99%
Comentários:
O enunciado informa que 10% dos parafusos são defeituosos e que serão analisados 4 parafusos. Considerando
que há somente 2 resultados possíveis (defeituoso ou não) para cada parafuso (ou seja, cada parafuso
corresponde a um ensaio de Bernoulli) e que serão analisados n = 4 parafusos, então temos uma distribuição
binomial com n = 4 e p = 10% = 0,1 (logo, q = 1 – p = 1 – 0,1 = 0,9).
A probabilidade P(X = k) para a distribuição binomial é calculada como:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
O enunciado deseja a probabilidade de encontrar pelo menos 3 não sejam defeituosos, ou seja, no máximo 1
defeituoso, isto é, 0 ou 1 parafuso defeituoso, dentre 4.
A probabilidade de não encontrar parafuso defeituoso algum é:
𝑃(𝑋 = 0) = 𝐶4,0 × 0, 10 × 0,94 = 1 × 1 × 0,6561 = 0,6561
A probabilidade de encontrar 1 parafuso defeituoso é:
𝑃(𝑋 = 1) = 𝐶4,1 × 0, 11 × 0,93 = 4 × 0,1 × 0,729 = 0,2916
Sabendo que buscamos a probabilidade de encontrar 0 OU 1 parafuso defeituoso, temos a união de eventos
excludentes, dada pela soma das probabilidades:
𝑃(𝑋 ≤ 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = 0,6561 + 0,2916 = 0,9477 = 94,77%
Gabarito: C
8. (CESGRANRIO/2011 – Petrobras) Uma carta tem 2/3 de chances de chegar ao destino correto. Se seis
cartas são enviadas de forma independente, a probabilidade de que pelo menos duas cheguem a o destino
correto é
a) 4/9
98

b) 68/81
c) 113/162
d) 230/243
e) 716/729
Comentários:
O enunciado informa a probabilidade de uma carta chegar ao destino correto é de 2/3 e que serão enviadas 6
cartas.
Considerando que há apenas 2 resultados possíveis para cada carta (chegar ou não ao destino correto), ou seja,
cada carta representa um ensaio de Bernoulli, e que serão enviadas n = 6 cartas, então temos uma distribuição
binomial com n = 6 e p = 2/3. Logo, a probabilidade de a carta não chegar no destino correto é:
2 3 2 1
𝑞 =1−𝑝 =1− = − =
3 3 3 3
A probabilidade P(X = k) para a distribuição binomial é calculada como:
𝑃(𝑋 = 𝑘) = 𝐶𝑛,𝑘 × 𝑝𝑘 × 𝑞 𝑛−𝑘
O enunciado deseja a probabilidade de encontrar pelo menos 2 que cheguem ao destino correto, dentre as 6
cartas enviadas. Podemos calcular essa probabilidade como o complementar da probabilidade de chegar menos
de 2 cartas ao destino correto:
𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 < 2)
Menos de 2 cartas corresponde a 0 ou 1 carta.
A probabilidade de não chegar carta alguma ao destino correto é:
2 0 1 6 1 1
𝑃(𝑋 = 0) = 𝐶6,0 × ( ) × ( ) = 1 × 1 × 6 =
3 3 3 729
A probabilidade de chegar 1 carta ao destino correto é:
2 1 1 5 2 1 12 12
𝑃(𝑋 = 1) = 𝐶6,1 × ( ) × ( ) = 6 × × 5 = 6 =
3 3 3 3 3 729
A probabilidade de chegar 0 OU 1 carta ao destino correto corresponde à união de eventos excludentes, que é
dada pela soma das probabilidades:
99

1 12 13
𝑃(𝑋 < 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = + =
729 729 729
Portanto, a probabilidade de chegar pelo menos 2 cartas ao destino correto é complementar:
13 729 13 716
𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 < 2) = 1 − = − =
729 729 729 729
Gabarito: E
9. (CESGRANRIO/2009 – BNDES) Em um dado com seis faces numeradas de 1 a 6, a probabilidade de que

cada um dos resultados ocorra é a mesma. Esse dado será lançado até que se obtenha o resultado 6. A
probabilidade de que isso aconteça em, no máximo, 2 lançamentos é
==2e7ead==
a) 1/36
b) 5/36
c) 6/36
d) 7/36
e) 11/36
Comentários:
O dado será lançado até que seja obtida a face 6 (que podemos chamar de sucesso). Sabendo que a
probabilidade de obter a face 6 é p = 1/6, temos uma distribuição geométrica com parâmetro p = 1/6. E a
probabilidade de não obter a face 6 (fracasso) é:
1 6 1 5
𝑞 =1−𝑝 =1− = − =
6 6 6 6
A probabilidade de ter que lançar o dado no máximo 2 vezes é a probabilidade de obter sucesso na 1ª ou na 2ª
tentativa.
A probabilidade de obter sucesso na 1ª tentativa é:
1
𝑃(𝑋 = 1) = 𝑝 =
6
E a probabilidade de obter sucesso na 2ª tentativa corresponde à probabilidade de obter fracasso na 1ª tentativa

e sucesso na 2ª:
100 e Aná
CNU (Bloco 1 - Infraestrutura, Exatas e Engenharia) Conhecimentos Específicos - Eixo Temático 5 - Geoprocessamento

5 1 5
𝑃(𝑋 = 2) = 𝑞 × 𝑝 = × =
6 6 36
Então, a probabilidade de ter que lançar o dado no máximo 2 vezes, isto é, 1 OU 2 vezes, corresponde à união
desses eventos mutuamente excludentes, dada pela soma das probabilidades:
1 5 6 5 11
𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + = + =
6 36 36 36 36
Gabarito: E
10. (CESGRANRIO/2008 – Petrobras) Um estudante marca, ao acaso, as respostas de um teste de 10

questões de múltipla escolha, com 4 alternativas por questão. O número mais provável de acertos é
a) 1,5
b) 2,0
c) 2,5
d) 3,0
e) 3,5
Comentários:
O enunciado informa que serão marcadas ao acaso 10 questões com 4 alternativas cada e pergunta pelo número
mais provável de acertos, isto é, pela moda da distribuição.
Dentre alternativas, apenas duas são resultados possíveis para o número de acertos, quais sejam, 2 e 3, pois as
demais não são números inteiros (e não há como acertar meia questão). Então, podemos resolver a questão,
calculando as probabilidades P(X = 2) e P(X = 3), para saber qual valor é mais provável.
Os parâmetros da distribuição são n = 10 e a p = probabilidade de acertar uma questão. Sabendo que há 4

alternativas, a probabilidade de acertar uma questão ao acaso é:
1
𝑝=
4
Alternativamente, podemos perceber que a probabilidade 𝑝 é menor que 0,5, logo, temos uma distribuição
assimétrica positiva, conforme ilustrado a seguir:
101 e Aná

Nesse tipo de distribuição, temos Moda < Média. A média da distribuição é:
1
𝐸(𝑋) = 𝑛 × 𝑝 = 10 × = 2,5
4
Logo, a moda será necessariamente menor que a média, isto é, Moda = 2.
Gabarito: B
102 e Aná

Distribuição Normal
1. (CESGRANRIO/2023 – BB) A distribuição das alturas dos atletas de vôlei de uma determinada seleção
é normal. Sabe-se que 5% dos atletas têm altura superior a 200 cm, e 2,5% têm altura inferior a 192,8 cm.
Considere que:
• A variável Z tem distribuição normal padrão (𝒁~𝑵(𝟎, 𝟏));
• 𝑷𝒓𝒐𝒃(𝒁 > 𝟏, 𝟔𝟒) = 𝟓%; e
• 𝑷𝒓𝒐𝒃(𝒁 > 𝟏, 𝟗𝟔) = 𝟐, 𝟓%.
O desvio padrão, em centímetros, dessa distribuição é de, aproximadamente
a) 2
b) 4
c) 8
d) 16
e) 64
Comentários:
Precisamos calcular os parâmetros dessa distribuição, considerando que 5% da distribuição é superior a 200 e
2,5% é inferior a 192,8, conforme ilustrado a seguir:
2,5% 5%
192,8 𝜇 200
O enunciado informa que P(Z > 1,64) = 5%, logo, z = 1,64 está associado a x = 200. Assim, a transformação para
a normal padrão para esse valor é:
𝑥−𝜇
𝑧=
𝜎
103 e Aná

200 − 𝜇
1,64 =
𝜎
1,64. 𝜎 = 200 − 𝜇
Como precisamos do desvio padrão, vamos isolar 𝜇:
𝜇 = 200 − 1,64. 𝜎
O enunciado também informa que P(Z > 1,96) = 2,5%. Pela simetria da normal padrão, temos:
𝑃(𝑍 < −1,96) = 2,5%
Logo, z = -1,96 está associado a x = 192,8. Assim, a transformação para a normal padrão para esse valor é:
192,8 − 𝜇
−1,96 =
𝜎
−1,96. 𝜎 = 192,8 − 𝜇
𝜇 = 192,8 + 1,96. 𝜎
Igualando ambas as expressões, temos:
200 − 1,64. 𝜎 = 192,8 + 1,96. 𝜎
200 − 192,8 = 1,96. 𝜎 + 1,64. 𝜎
7,2 = 3,6. 𝜎
7,2
𝜎= =2
3,6
Gabarito: A
2. (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%
104 e Aná

c) 5,48%
d) 25,50%
e) 37,45%
Para resolver essa questão, utilize a tabela apresentada ao final desta seção de questões, fornecida na prova.
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 padrão, observamos que P(0 < Z < 1,6) = 0,4452, como ilustrado a seguir.
𝑃(𝑍 > 1,6)

0,4452
0 1,6
Sabendo que a área à direita da média tem probabilidade P(Z > 0) = 0,5, então a probabilidade P(Z > 1,6) é:
𝑃(𝑍 > 1,6) = 0,5 − 0,4452 = 0,0548 = 5,48%
Gabarito: C
105 e Aná

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

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

𝑃(𝑍 < −1)
34%
−1 0
Sabendo que a área à esquerda da média tem probabilidade P(Z < 0) = 50%, então a probabilidade P(Z < -1) é:
𝑃(𝑍 < −1) ≅ 50% − 34% = 16%
Que é menor que 20%.
Gabarito: A
4. (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
107 e Aná

𝑥 − 𝜇 100 − 120 −20

𝑧= = = = −2
𝜎 10 10
𝑃(−2 < 𝑍 < 2) ≅ 95%
95%
Z = -2 Z=2
==2e7ead==
Então, a probabilidade associada aos valores externos ao intervalo (-2; 2) é:
100% - 95% = 5%
Pela simetria da normal padrão, a probabilidade P(Z < -2) é a metade desse valor:
2,5%
95%
Z = -2 Z=2
5%
𝑃(𝑍 < −2) ≅ = 2,5%
2
Que é a probabilidade de a bateria durar menos de 100 minutos.
Gabarito: B
5. (CESGRANRIO/2012 – Petrobras) Os salários de técnicos de uma empresa se distribuem normalmente

com média de R$ 3.200,00 e desvio padrão de R$ 800,00.
Selecionando-se aleatoriamente dois salários de técnicos dessa empresa, qual a probabilidade de pelo menos
um deles ser superior a R$ 3.880,00?
108 e Aná

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

𝑧= = = = 0,85
𝜎 800 800
Pela tabela normal, observamos que P(0 < Z < 0,85) = 0,30234, como ilustrado a seguir.
0,5 0,30234
0
0,85
Sabendo que a área à esquerda da média tem probabilidade P(Z < 0) = 0,5, então a probabilidade P(Z < 0,85) é:
𝑃(𝑍 < 0,85) = 0,5 + 0,30234 = 0,80234
109 e Aná

Então, a probabilidade de os dois salários selecionados aleatoriamente serem inferiores ao valor (interseção dos
eventos) é o produto das probabilidades:
𝑃(𝑎𝑚𝑏𝑜𝑠 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟𝑒𝑠) = 0,80234 × 0,80234 ≅ 0,6437
E a probabilidade de ter pelo menos um salário superior ao citado valor é o complementar:
𝑃(𝑝𝑒𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 𝑢𝑚 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟) ≅ 1 − 0,6437 = 0,3563 = 35,63%
Gabarito: E
6. (CESGRANRIO/2012 – Petrobras) O peso de lotes produzidos por uma certa indústria segue uma
distribuição normal, com média de 10 kg e desvio padrão de 0,2 kg.
Em um lote dessa indústria, selecionado aleatoriamente, qual a probabilidade de o peso do lote não se afastar
por mais de 1% do peso médio?
a) 50%
b) 38,30%
c) 17,42%
d) 7,96%
e) 0%
Comentários:
O enunciado pede a probabilidade de o peso de um lote selecionado aleatoriamente não se afaste da média em
mais de 1% = 0,01. Sabendo que a média é de 10kg, a distância máxima desejada é:
10 × 0,01 = 0,1
Então, buscamos a probabilidade de o lote estar no intervalo:
𝑃(9,9 < 𝑋 < 10,1)
Sabendo que a média é 𝜇 = 10 e desvio padrão 𝜎 = 0,2, calculamos a probabilidade de o lote ser superior x =
10,1, pela seguinte transformação para a curva normal padrão:
110 e Aná

𝑥 − 𝜇 10,1 − 10 0,1
𝑧= = = = 0,5
𝜎 0,2 0,2
E a transformação para x = 9,9 é:
𝑥 − 𝜇 9,9 − 10 −0,1
𝑧= = = = −0,5
𝜎 0,2 0,2
Logo, a probabilidade buscada é igual a:
𝑃(9,9 < 𝑋 < 10,1) = 𝑃(−0,5 < 𝑍 < 0,5) = 𝑃(−0,5 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 0,5)
P(-0,5<Z<0) P(-0<Z<0,5)
−0,5 0 0,5
Pela tabela normal, observamos que P(0 < Z < 0,5) = 0,19146. Pela simetria, temos:
P(0 < Z < 0,5) = P(-0,5 < Z < 0) = 0,19146
Logo:
𝑃(−0,5 < 𝑍 < 0,5) = 0,19146 + 0,19146 = 0,38292 ≅ 38,3%
Gabarito: B
7. (CESGRANRIO/2010 – IBGE) Suponha que as notas dos candidatos de um concurso público, em uma
certa prova, sigam distribuição normal com média 7 e desvio padrão 1. A relação candidato/vaga é de 40 para
1. A nota mínima necessária para aprovação nessa prova é
a) 8,65
b) 8,96
c) 9,37
111 e Aná

d) 9,58
e) 9,75
Comentários:
O enunciado informa que as notas em um concurso seguem distribuição normal e que a relação candidato-vaga
é de 40 para 1. Então, para que o candidato passe nesse concurso, ele deverá tirar a melhor nota dentre 40
candidatos, ou seja, encaixar-se na seguinte proporção de melhores notas:
1
= 2,5% = 0,025
40
2,5%
Ou seja, precisamos do valor de z tal que P(Z > z) = 0,025. Sabendo que a área à direita da média tem
probabilidade P(Z > 0) = 0,5, então precisamos do valor de z tal que:
𝑃(0 < 𝑍 < 𝑧) = 0,5 − 0,025 = 0,475
Pela tabela, observamos que z = 1,96, pois P(Z < 1,96) = 0,475.
Considerando que a média das notas é 𝜇 = 7 e que o desvio padrão é 𝜎 = 1, utilizamos a seguinte
𝑥−𝜇
𝑧=
𝜎
𝑥−7
1,96 =
1
𝑥 − 7 = 1,96
𝑥 = 8,96
Gabarito: B
112 e Aná

8. (CESGRANRIO/2010 – IBGE) Seja H a variável aleatória que representa as alturas dos cidadãos de certo
país. Sabe-se que H tem distribuição normal com média 1,70 m e desvio padrão 0,04 m. A probabilidade de
que um cidadão desse país tenha mais do que 1,75 m de altura é, aproximadamente,
a) 9,9%
b) 10,6%
c) 22,2%
d) 39,4%
e) 40,6%
Comentários:
O enunciado informa que a variável segue distribuição normal com média 𝜇 = 1,70 e desvio padrão 𝜎 = 0,04.
Então, para calcular a probabilidade de um cidadão ter mais de x = 1,75 m de altura, usamos a seguinte
𝑥 − 𝜇 1,75 − 1,7 0,05

𝑧= = = = 1,25
𝜎 0,04 0,04
𝑃(𝑍 > 1,25)
0,39435
0 1,25
𝑃(𝑍 > 1,25) = 0,5 − 0,39435 = 0,10565 ≅ 10,6%
Gabarito: B
113 e Aná

9. (CESGRANRIO/2010 – BACEN) Estima-se que os retornos de um determinado mercado tenham

distribuição normal, com média 20% e desvio padrão 10%. A probabilidade de perdas financeiras é de,
aproximadamente,
a) 1%
b) 2,5%
c) 5%
d) 10%
e) 20%
Comentários:
O enunciado informa que a variável segue distribuição normal com média 𝜇 = 20% = 0,2 e desvio padrão 𝜎 =
10% = 0,1. Então, para calcular a probabilidade de haver perdas financeiras (retorno menor que x = 0%),
usamos a seguinte transformação para a curva normal padrão:
𝑥 − 𝜇 0 − 0,2 −0,2
𝑧= = = = −2
𝜎 0,1 0,1
𝑃(−2 < 𝑍 < 2) ≅ 95%
95%
Z = -2 Z=2
Então, a probabilidade associada aos valores externos ao intervalo (-2; 2) é:
100% - 95% = 5%
Pela simetria da normal padrão, a probabilidade P(Z < -2) é a metade desse valor:
114 e Aná

2,5% 95%
Z = -2 Z=2
5%
𝑃(𝑍 < −2) ≅ = 2,5%
2
Que é a probabilidade de perdas financeiras.
Gabarito: B
10. (CESGRANRIO/2010 – Petrobras – Adaptada) A distribuição normal é uma das mais utilizadas para
inferência estatística da probabilidade de ocorrência de diversos fenômenos em engenharia. Nela, qualquer
𝑿−𝝁
variável aleatória normal X é convertida em uma variável normal padronizada Z, tal que Z = 𝝈̂ , onde 𝝈
̂éo
desvio padrão e 𝝁 é a média aritmética. Na distribuição normal padronizada,
a) a variável Z é contínua e representa o número de desvios em relação à média.
b) a variável Z possui média não nula e desvio padrão igual a 1.
c) um ponto da curva da distribuição indica a probabilidade da variável aleatória assumir um valor real entre 0
e 1.
d) valores idênticos acima e abaixo da média têm probabilidades complementares, pois a curva é simétrica.
Comentários:
A questão trata da distribuição normal padrão Z ~ N(0,1).
𝑋−𝜇
Em relação à alternativa A, a variável Z é contínua e representa os valores de ̂
, ou seja, dos desvios em relação
𝜎
à média 𝜇 (relativizados pelo desvio padrão). A alternativa A está correta.
Em relação à alternativa B, a variável Z possui média nula e desvio padrão igual a 1. A alternativa B está incorreta
pois diz que a média é não nula.
Em relação à alternativa C, um ponto qualquer da distribuição normal padrão indica a probabilidade de a variável
assumir um valor na reta real (−∞, ∞), e não entre 0 e 1, logo, a alternativa C está incorreta.
115 e Aná

Em relação à alternativa D, a curva normal padrão é simétrica em torno de 𝜇 = 0, logo valores idênticos acima
e abaixo da média possuem as mesmas probabilidades. Por exemplo, P(Z < -1) = P(Z > 1). A alternativa D está
incorreta.
Gabarito: A
11. (CESGRANRIO/2007 – TCE/RO) O gasto médio dos clientes de um posto de gasolina é uma variável
aleatória normal com média R$ 100,00 e desvio padrão R$ 25,00. Os 10% dos que mais consomem recebem
um tratamento VIP, incluindo lavagem de carroceria, calibragem nos pneus e verificação do óleo e da água.
Quanto você precisa gastar nesse posto de gasolina, em reais, para obter tratamento VIP?
a) 158,00
b) 149,00
c) 141,00
d) 132,00
e) 128,00
Comentários:
O enunciado informa que o gasto dos clientes segue distribuição normal e que os 10% que mais consomem
recebem tratamento VIP, como ilustrado a seguir:
10%
Ou seja, para sabermos o valor do gasto necessário para obter tratamento VIP, primeiro precisamos do valor de
z tal que P(Z > z) = 0,1. Sabendo que a área à direita da média tem probabilidade P(Z > 0) = 0,5, então precisamos
do valor de z tal que:
116 e Aná

𝑃(0 < 𝑍 < 𝑧) = 0,5 − 0,1 = 0,4
Pela tabela, observamos que z = 1,28, pois P(Z < 1,28) = 0,39973 ≅ 0,4.
Considerando que a média dos gastos é 𝜇 = 100 e que o desvio padrão é 𝜎 = 25, utilizamos a seguinte
𝑥−𝜇
𝑧=
𝜎
𝑥 − 100
1,28 =
25
𝑥 − 100 = 32
𝑥 = 132
Gabarito: D
12. (CESGRANRIO/2006 – EPE) Se uma distribuição segue um padrão normal, é correto afirmar que:
a) 98% dos números estão a dois desvios padrão da média.
b) 95% dos números estão a 1,5 desvio padrão da média.
c) 95% dos números estão a um desvio padrão da média.
d) 86% dos números estão a um desvio padrão da média.
e) 68% dos números estão a um desvio padrão da média.
Comentários:
A questão trabalha com a regra empírica da curva normal. Segundo essa regra, aproximadamente 68% dos
números estão a 1 desvio padrão da média; 95% dos números estão a 2 desvios padrão da média; e 99,7% dos
números estão a 3 desvios padrão da média.
Gabarito: E
117 e Aná

13. (CESGRANRIO/2006 – EPE) Suponha os pesos dos pacotes de arroz normalmente distribuídos com
média 1kg e desvio padrão 20g. Escolhendo um pacote ao acaso, qual é a probabilidade de ele pesar mais de
1 030g?
a) 13,4%
b) 11,6%
c) 10,0%
d) 8,4%
e) 6,7%
Comentários:
O enunciado informa que a variável segue distribuição normal com média 𝜇 = 1𝑘𝑔 = 1000𝑔 e desvio padrão
𝜎 = 20𝑔. Então, para calcular a probabilidade de um pacote de arroz pesar mais de x = 1030g, usamos a seguinte
𝑥 − 𝜇 1030 − 1000 30
𝑧= = = = 1,5
𝜎 20 20
𝑃(𝑍 > 1,5)
0,43319
0 1,5
𝑃(𝑍 > 1,5) = 0,5 − 0,43319 = 0,06681 ≅ 6,7%
Gabarito: E
118 e Aná

119 e Aná

Soma de Variáveis e o Teorema Central do Limite
Para a próxima questão, utilize a tabela normal a seguir, constante na respectiva prova da CESGRANRIO.
120 e Aná

1. (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%
==2e7ead==
Comentários:
O enunciado informa que a massa de um produto segue distribuição normal, com média 𝜇0 = 60 e desvio
padrão 𝜎0 = 8. Sabendo que o produto é agrupado por dúzias (12), então a média (esperança) do grupo é:
𝐸(𝐷ú𝑧𝑖𝑎) = 12 × 𝐸(𝑃𝑟𝑜𝑑𝑢𝑡𝑜)
𝜇 = 12 × 60 = 720
Para calcular o desvio padrão da dúzia, primeiro calculamos a variância. Sabendo que a variância é o quadrado
do desvio padrão, então a variância é 82 e a variância da dúzia é:
𝑉(𝐷ú𝑧𝑖𝑎) = 12 × 𝑉(𝑃𝑟𝑜𝑑𝑢𝑡𝑜) = 12 × 82
E o desvio padrão da dúzia é a raiz quadrada:
𝜎 = √12 × 82 = 8 × √12 ≅ 27,7
Conhecendo a média e o desvio padrão da dúzia, utilizamos a seguinte transformação para x = 750:
𝑥 − 𝜇 750 − 720 30
𝑧= ≅ = ≅ 1,08
𝜎 27,7 27,7
Pela tabela da distribuição normal padrão, observamos que P(0 < Z < 1,08) = 0,36 = 36%, como ilustrado a seguir:
121 e Aná

36% P(Z > 1,08)
0 1,08
Sabendo que a área à direita da média tem probabilidade P(Z > 0) = 0,5 = 50%, então a probabilidade desejada
é:
𝑃(𝑍 > 1,08) = 50% − 36% = 14%
Gabarito: E
122 e Aná

Distribuição Amostral
1. (Cesgranrio/2022 – PNS) Duas amostras aleatórias são retiradas de duas populações distintas e
independentes. A amostra de tamanho 4, {X1, X2, X3, X4}, da primeira população, é composta de variáveis
aleatórias independentes, normalmente distribuídas, com média 5 e variância 20. A amostra de tamanho
5, {Y1, Y2, Y3, Y4, Y5}, da segunda população, é também composta de variáveis aleatórias independentes,
normalmente distribuídas com média 8 e variância 35.
Definindo-se 𝜱(𝒛) = 𝑷(𝒁 ≤ 𝒛) como a função de distribuição de uma variável aleatória Z normal padrão,
̅𝟒 e 𝒀
e𝑿 ̅ 𝟓 como as médias das duas amostras, qual é o valor de 𝑷(𝒀
̅𝟓 − 𝑿
̅ 𝟒 ≥ 𝟒)?
√2
a) 𝛷 (− )
2
√3
b) 𝛷 (− )
6
√55
c) 𝛷 (− )
55
73√2
d) 𝛷 (− )
40
√15
e) 𝛷 (− )
15
Comentários:
Para uma população normal, com média 𝜇 e variância 𝜎 2 , a média de uma amostra de tamanho n segue uma
𝜎2
distribuição normal com média 𝜇 e variância .
𝑛
Assim, sendo X uma população normal com média E(X) = 5 e variância Var(X) = 20, a média de uma amostra
de tamanho n = 4, extraída dessa população, segue distribuição normal os seguintes parâmetros:
𝐸(𝑋̅4 ) = 𝐸(𝑋) = 5
𝑉𝑎𝑟(𝑋) 20
𝑉𝑎𝑟(𝑋̅4 ) = = =5
𝑛 4
Sendo Y uma população normal com média E(Y) = 8 e variância Var(Y) = 35, a média de uma amostra de
tamanho n = 5, extraída dessa população, segue distribuição normal os seguintes parâmetros:
𝐸(𝑌̅5 ) = 𝐸(𝑌) = 8
𝑉𝑎𝑟(𝑌) 35
𝑉𝑎𝑟(𝑌̅5 ) = = =7
𝑛 5
123

Ademais, a diferença entre variáveis normais independentes também segue distribuição normal, cuja média
corresponde à diferença entre as médias e a variância corresponde à soma das variâncias:
𝐸(𝑌̅5 − 𝑋̅4 ) = 𝐸(𝑌̅5 ) − 𝐸(𝑋̅4 ) = 8 − 5 = 3
𝑉𝑎𝑟(𝑌̅5 − 𝑋̅4 ) = 𝑉𝑎𝑟(𝑌̅5 ) + 𝐸(𝑋̅4 ) = 7 + 5 = 12
Assim, a transformação para a normal padrão é dada por:
(𝑌̅5 − 𝑋̅4 ) − 𝐸(𝑌̅5 − 𝑋̅4 ) (𝑌̅5 − 𝑋̅4 ) − 3
𝑍= =
√𝑉𝑎𝑟(𝑌̅5 − 𝑋̅4 ) √12
Para 𝑌̅5 − 𝑋̅4 = 4, temos:
4−3 1
𝑧= =
√12 √12
1
Portanto, a probabilidade 𝑃(𝑌̅5 − 𝑋̅4 ≥ 4) corresponde à probabilidade 𝑃 (𝑍 ≥ ) da normal padrão.
√12
Como a questão considera a função de distribuição acumulada da normal padrão 𝛷(𝑧) = 𝑃(𝑍 ≤ 𝑧),
devemos considerar a simetria dessa distribuição:
1 1 1
𝑃 (𝑍 ≥ ) = 𝑃 (𝑍 ≤ − ) = 𝛷 (− )
√12 √12 √12
Por fim, precisamos racionalizar essa expressão, ou seja, representar essa mesma fração, sem que haja uma
raiz no denominador. Para isso, multiplicamos tanto o numerador quanto o denominador por √12:
1 √12 √12
= =
√12 √12 × √12 12
Agora, simplificamos essa fração, considerando que √12 = √4 × 3 = 2 × √3:
√12 2 × √3 √3
= =
12 12 6
√3
Logo, a probabilidade desejada pode ser indicada como 𝛷 (− ).
6
Gabarito: B
2. (CESPE/2018 – Petrobrás) Uma amostra aleatória de tamanho n > 1 foi extraída

independentemente, sem reposição, de uma população de tamanho N com distribuição Bernoulli (π), a
fim de se estimar o total, τ, de unidades na população com a característica A.
Um estimador não tendencioso de τ é definido como:
1
a) 𝜏̂ = 𝑁. 𝑝, para 𝑝 = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ {0, 1}
1
b) 𝜏̂ = 𝑛. 𝑝, para 𝑝 = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ {0, 1}
124

1
c) 𝜏̂ = 𝑛. 𝑝, para 𝑝 = 𝑁 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ {0, 1}
1
d) 𝜏̂ = 𝑌̅ = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ R
e) 𝜏̂ = 𝑁 ∑𝑛𝑖=1 𝑌𝑖
Comentários:
O estimador para o total da população é o produto da proporção amostral 𝑝̂ pelo tamanho total da população
𝑁:
𝜏̂ = 𝑁. 𝑝̂
E a proporção amostral corresponde à soma dos elementos da amostra (que assumem X = 0 ou X = 1), dividida
pelo tamanho da amostra 𝑛: ==2e7ead==
∑ 𝑋𝑖
𝑝̂ =
𝑛
Gabarito: A
3. (CESPE/2018 – Petrobrás) Uma amostra aleatória de tamanho n deve ser particionada entre L
estratos para a estimativa da média populacional μ. O tamanho da amostra para o estrato h, n h, e a
respectiva variância do estimador da média, quando o inverso do tamanho do estrato for desprezível,
podem ser obtidos por meio de:
𝟐
̅ 𝒉 ) = (𝟏 − 𝒇). 𝑺
I - Amostra Aleatória Simples para cada estrato, com 𝑽𝑰 = 𝑽𝒂𝒓(𝒀 𝒏
𝑵𝒉
II - Repartição proporcional do tamanho final da amostra por 𝒏𝒉 = 𝒏. ̅𝒉) =
, com 𝑽𝑰𝑰 = 𝑽𝒂𝒓(𝒀
𝑵
(𝟏−𝒇)
. ∑𝑳𝒉=𝟏 𝑾𝒉 . 𝑺𝟐𝒉
𝒏
𝑵𝒉 𝑺𝒉
III - Repartição segundo Neyman-Tschuprow do tamanho final da amostra por 𝒏𝒉 = 𝒏. ∑𝑳 , com
𝒉=𝟏 𝑵𝒉 𝑺𝒉
𝟐
(∑𝑳𝒉=𝟏 𝑾𝒉 .𝑺𝒉 ) ∑𝑳𝒉=𝟏 𝑾𝒉 .𝑺𝟐𝒉
̅𝒉) =
𝑽𝑰𝑰𝑰 = 𝑽𝒂𝒓(𝒀 −
𝒏 𝑵
𝒏 𝑵𝒉
Onde 𝒇 = 𝑵 é a fração amostral, 𝑾𝒉 = é o tamanho relativo do estrato na população e 𝑺𝒉 é o desvio
𝑵
padrão do estrato h na população.
De acordo com os três critérios de partição da amostra, podemos inferir que:
a) 𝑉𝐼 ≤ 𝑉𝐼𝐼 ≤ 𝑉𝐼𝐼𝐼
b) 𝑉𝐼 ≤ 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼𝐼
c) 𝑉𝐼𝐼 ≤ 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼
125

d) 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼𝐼 ≤ 𝑉𝐼
e) 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼 ≤ 𝑉𝐼𝐼
Comentários:
Em relação à amostragem estratificada, o item I se refere à alocação uniforme, em que o tamanho amostral
de cada estrato é igual para todos os estratos; o item II se refere à alocação proporcional, em que o tamanho
amostral de cada estrato é proporcional ao tamanho do estrato populacional; e o item III se refere à alocação
ótima de Neyman, em que o tamanho amostral de cada estrato considera o tamanho e a variabilidade do
estrato populacional.
A amostragem ótima é mais eficiente que a amostragem proporcional, que por sua vez é mais eficiente que
a amostragem uniforme. Logo, a variância do estimador é menor para a alocação ótima (III), seguida da
alocação proporcional (II) e, por fim, da alocação uniforme (I):
𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼𝐼 ≤ 𝑉𝐼
Gabarito: D
126

LISTA DE QUESTÕES – CESGRANRIO
Distribuição Binomial
1. (CESGRANRIO/2022 – Eletronuclear) Em uma fábrica automobilística, foi notado que os airbags de

um certo lote não estavam funcionando tão bem quanto deveriam. Calcula-se que a probabilidade de um
airbag desse lote não inflar era de 40%, valor muito acima do limite aceitável. Após o descarte de todo o
lote, começou-se a fazer testes de colisão com airbags do lote seguinte.
Supondo-se que os airbags do novo lote possuam a mesma probabilidade de não inflar que os do lote
descartado e que, em cada colisão, apenas um airbag é testado, qual a probabilidade de 2 airbags não
inflarem nas 5 primeiras colisões?
a) 12,96%
b) 20,16%
c) 31,25%
d) 32,75%
e) 34,56%
2. (CESGRANRIO/2021 – CEF - Adaptada) Por estudos estatísticos, estima-se que um cliente de um

certo banco tem 75% de probabilidade de ir para atendimento de caixa eletrônico, e 25% de ir para um
atendimento personalizado.
Em uma amostra de quatro clientes entrando no banco, qual é a probabilidade de que, no mínimo, a
maioria deles se dirija ao atendimento personalizado?
a) 1/64
b) 5/256
c) 3/64
d) 13/256
e) 27/64
127

3. (CESGRANRIO/2018 – Liquigás) Sabe-se por estudos estatísticos que a eficiência de uma certa
vacina para uma dada doença é de 80%. Vacinando-se três indivíduos, qual a probabilidade de que apenas
um deles não fique imunizado à doença?
a) 12,8%
b) 16%
c) 32%
d) 36%
e) 38,4%
4. (CESGRANRIO/2018 – Transpetro) A febre amarela é uma doença infecciosa febril aguda, causada
por um vírus transmitido por mosquitos. Uma medida importante para prevenção e controle da febre
amarela é a vacinação. Uma empresa, preocupada com a saúde de seus funcionários, fez um levantamento
para saber quantos já tinham sido vacinados. Foi verificado que dos 1.000 funcionários apenas 200 já
haviam tomado a vacina. Se forem selecionados ao acaso 200 funcionários da empresa, o número
esperado de pessoas que não tomaram a vacina é de
a) 20
b) 40
c) 80
d) 120
e) 160
5. (CESGRANRIO/2018 – BB) Os jogadores X e Y lançam um dado honesto, com seis faces numeradas
de 1 a 6, e observa-se a face superior do dado. O jogador X lança o dado 50 vezes, e o jogador Y, 51 vezes.
A probabilidade de que o jogador Y obtenha mais faces com números ímpares do que o jogador X, é:
a) 1
b) 3/4
c) 1/4
d) 1/2
e) 1/6
128

6. (CESGRANRIO/2016 – IBGE) Uma pesquisa está interessada em estudar os eleitores de determinado

candidato. Sabe-se que 50% da população alegam votar no candidato em questão.
Se 6 pessoas forem abordadas aleatoriamente, a probabilidade de que exatamente 3 pessoas sejam

eleitoras do candidato em questão é aproximadamente
a) 51%
b) 50%
c) 31%
d) 21%
e) 11% ==2e7ead==
7. (CESGRANRIO/2012 – Petrobras) 10% dos parafusos produzidos por uma máquina são defeituosos.
A probabilidade de que, entre 4 parafusos, pelo menos 3 não sejam defeituosos é de
a) 29,16%
b) 65,61%
c) 94,77%
d) 98,37%
e) 99,99%
8. (CESGRANRIO/2011 – Petrobras) Uma carta tem 2/3 de chances de chegar ao destino correto. Se
seis cartas são enviadas de forma independente, a probabilidade de que pelo menos duas cheguem a o
destino correto é
a) 4/9
b) 68/81
c) 113/162
d) 230/243
e) 716/729
129

9. (CESGRANRIO/2009 – BNDES) Em um dado com seis faces numeradas de 1 a 6, a probabilidade de

que cada um dos resultados ocorra é a mesma. Esse dado será lançado até que se obtenha o resultado 6.
A probabilidade de que isso aconteça em, no máximo, 2 lançamentos é
a) 1/36
b) 5/36
c) 6/36
d) 7/36
e) 11/36
10. (CESGRANRIO/2008 – Petrobras) Um estudante marca, ao acaso, as respostas de um teste de 10

questões de múltipla escolha, com 4 alternativas por questão. O número mais provável de acertos é
a) 1,5
b) 2,0
c) 2,5
d) 3,0
e) 3,5
130

GABARITO
1. LETRA E 5. LETRA D 9. LETRA E
2. LETRA D 6. LETRA C 10. LETRA B
3. LETRA E 7. LETRA C
4. LETRA E 8. LETRA E
131

Distribuição Normal
1. (CESGRANRIO/2023 – BB) A distribuição das alturas dos atletas de vôlei de uma determinada
seleção é normal. Sabe-se que 5% dos atletas têm altura superior a 200 cm, e 2,5% têm altura inferior a
192,8 cm.
Considere que:
• A variável Z tem distribuição normal padrão (𝒁~𝑵(𝟎, 𝟏));
• 𝑷𝒓𝒐𝒃(𝒁 > 𝟏, 𝟔𝟒) = 𝟓%; e
• 𝑷𝒓𝒐𝒃(𝒁 > 𝟏, 𝟗𝟔) = 𝟐, 𝟓%.
O desvio padrão, em centímetros, dessa distribuição é de, aproximadamente
a) 2
b) 4
c) 8
d) 16
e) 64
2. (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%
Para resolver essa questão, utilize a tabela apresentada ao final desta seção de questões, fornecida na
prova.
132

3. (CESGRANRIO/2012 – Petrobras) Considere que, no verão, o valor das vendas de determinada loja,
nas sextas-feiras que sejam dias úteis, tem uma distribuição de probabilidades normal, com média igual a
R$ 10.000,00 e desvio padrão de R$ 2.000,00.
Com essa hipótese, a probabilidade de que, em uma dessas sextas-feiras úteis do verão, o valor das vendas
seja inferior a R$ 8.000,00 é
a) menor que 20%
b) igual a 20%
c) maior que 20% e menor que 25%
d) igual a 25% ==2e7ead==
e) maior que 25%
4. (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%
5. (CESGRANRIO/2012 – Petrobras) Os salários de técnicos de uma empresa se distribuem

normalmente com média de R$ 3.200,00 e desvio padrão de R$ 800,00. Selecionando-se aleatoriamente
dois salários de técnicos dessa empresa, qual a probabilidade de pelo menos um deles ser superior a R$
3.880,00?
a) 72,25%
b) 15,86%
c) 3,91%
133

d) 19,77%
e) 35,63%
prova.
6. (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%
prova.
7. (CESGRANRIO/2010 – IBGE) Suponha que as notas dos candidatos de um concurso público, em uma
certa prova, sigam distribuição normal com média 7 e desvio padrão 1. A relação candidato/vaga é de 40
para 1. A nota mínima necessária para aprovação nessa prova é
a) 8,65
b) 8,96
c) 9,37
d) 9,58
e) 9,75
prova.
134

8. (CESGRANRIO/2010 – IBGE) Seja H a variável aleatória que representa as alturas dos cidadãos de
certo país. Sabe-se que H tem distribuição normal com média 1,70 m e desvio padrão 0,04 m.
A probabilidade de que um cidadão desse país tenha mais do que 1,75 m de altura é, aproximadamente,
a) 9,9%
b) 10,6%
c) 22,2%
d) 39,4%
e) 40,6%
prova.
9. (CESGRANRIO/2010 – BACEN) Estima-se que os retornos de um determinado mercado tenham

distribuição normal, com média 20% e desvio padrão 10%.
A probabilidade de perdas financeiras é de, aproximadamente,
a) 1%
b) 2,5%
c) 5%
d) 10%
e) 20%
10. (CESGRANRIO/2010 – Petrobras – Adaptada) A distribuição normal é uma das mais utilizadas para
inferência estatística da probabilidade de ocorrência de diversos fenômenos em engenharia. Nela,
𝑿−𝝁
qualquer variável aleatória normal X é convertida em uma variável normal padronizada Z, tal que Z = 𝝈̂ ,
onde 𝝈
̂ é o desvio padrão e 𝝁 é a média aritmética.
Na distribuição normal padronizada,
a) a variável Z é contínua e representa o número de desvios em relação à média.
135

b) a variável Z possui média não nula e desvio padrão igual a 1.
c) um ponto da curva da distribuição indica a probabilidade da variável aleatória assumir um valor real entre
0 e 1.
d) valores idênticos acima e abaixo da média têm probabilidades complementares, pois a curva é simétrica.
11. (CESGRANRIO/2007 – TCE/RO) O gasto médio dos clientes de um posto de gasolina é uma variável
aleatória normal com média R$ 100,00 e desvio padrão R$ 25,00. Os 10% dos que mais consomem recebem
um tratamento VIP, incluindo lavagem de carroceria, calibragem nos pneus e verificação do óleo e da água.
Quanto você precisa gastar nesse posto de gasolina, em reais, para obter tratamento VIP?
a) 158,00
b) 149,00
c) 141,00
d) 132,00
e) 128,00
prova.
12. (CESGRANRIO/2006 – EPE) Se uma distribuição segue um padrão normal, é correto afirmar que:
a) 98% dos números estão a dois desvios padrão da média.
b) 95% dos números estão a 1,5 desvio padrão da média.
c) 95% dos números estão a um desvio padrão da média.
d) 86% dos números estão a um desvio padrão da média.
e) 68% dos números estão a um desvio padrão da média.
136

13. (CESGRANRIO/2006 – EPE) Suponha os pesos dos pacotes de arroz normalmente distribuídos com
média 1kg e desvio padrão 20g. Escolhendo um pacote ao acaso, qual é a probabilidade de ele pesar mais
de 1 030g?
a) 13,4%
b) 11,6%
c) 10,0%
d) 8,4%
e) 6,7%
prova.
137

138

GABARITO
1. LETRA A 6. LETRA B 11. LETRA D
2. LETRA C 7. LETRA B 12. LETRA E
3. LETRA A 8. LETRA B 13. LETRA E
4. LETRA B 9. LETRA B
5. LETRA E 10. LETRA A
139

Soma de Variáveis e o Teorema Central do Limite
Para a próxima questão, utilize a tabela normal a seguir, constante na respectiva prova da CESGRANRIO.
140

1. (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%
==2e7ead==
141

GABARITO
1. LETRA E
142

Distribuição Amostral
1. (Cesgranrio/2022 – PNS) Duas amostras aleatórias são retiradas de duas populações distintas e
independentes. A amostra de tamanho 4, {X1, X2, X3, X4}, da primeira população, é composta de variáveis
aleatórias independentes, normalmente distribuídas, com média 5 e variância 20. A amostra de tamanho
5, {Y1, Y2, Y3, Y4, Y5}, da segunda população, é também composta de variáveis aleatórias independentes,
normalmente distribuídas com média 8 e variância 35.
Definindo-se 𝜱(𝒛) = 𝑷(𝒁 ≤ 𝒛) como a função de distribuição de uma variável aleatória Z normal padrão,
̅𝟒 e 𝒀
e𝑿 ̅ 𝟓 como as médias das duas amostras, qual é o valor de 𝑷(𝒀
̅𝟓 − 𝑿
̅ 𝟒 ≥ 𝟒)?
√2
a) 𝛷 (− )
2
√3
b) 𝛷 (− )
6
√55
c) 𝛷 (− )
55
73√2
d) 𝛷 (− )
40
√15
e) 𝛷 (− )
15
2. (CESPE/2018 – Petrobrás) Uma amostra aleatória de tamanho n > 1 foi extraída

independentemente, sem reposição, de uma população de tamanho N com distribuição Bernoulli (π), a
fim de se estimar o total, τ, de unidades na população com a característica A.
Um estimador não tendencioso de τ é definido como:
1
a) 𝜏̂ = 𝑁. 𝑝, para 𝑝 = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ {0, 1}
1
b) 𝜏̂ = 𝑛. 𝑝, para 𝑝 = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ {0, 1}
1
c) 𝜏̂ = 𝑛. 𝑝, para 𝑝 = 𝑁 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ {0, 1}
1
d) 𝜏̂ = 𝑌̅ = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 , sendo 𝑌𝑖 ∈ R
e) 𝜏̂ = 𝑁 ∑𝑛𝑖=1 𝑌𝑖
143

3. (CESPE/2018 – Petrobrás) Uma amostra aleatória de tamanho n deve ser particionada entre L
estratos para a estimativa da média populacional μ. O tamanho da amostra para o estrato h, n h, e a
respectiva variância do estimador da média, quando o inverso do tamanho do estrato for desprezível,
podem ser obtidos por meio de:
𝑺𝟐
̅ 𝒉 ) = (𝟏 − 𝒇).
I - Amostra Aleatória Simples para cada estrato, com 𝑽𝑰 = 𝑽𝒂𝒓(𝒀 𝒏
𝑵𝒉
II - Repartição proporcional do tamanho final da amostra por 𝒏𝒉 = 𝒏. ̅𝒉) =
, com 𝑽𝑰𝑰 = 𝑽𝒂𝒓(𝒀
𝑵
(𝟏−𝒇)
. ∑𝑳𝒉=𝟏 𝑾𝒉 . 𝑺𝟐𝒉
𝒏
𝑵𝒉 𝑺𝒉
III - Repartição segundo Neyman-Tschuprow do tamanho final da amostra por 𝒏𝒉 = 𝒏. ∑𝑳 , com
𝒉=𝟏 𝑵𝒉 𝑺𝒉
𝟐
(∑𝑳𝒉=𝟏 𝑾𝒉 .𝑺𝒉 ) ∑𝑳𝒉=𝟏 𝑾𝒉 .𝑺𝟐𝒉
̅𝒉) =
𝑽𝑰𝑰𝑰 = 𝑽𝒂𝒓(𝒀 −
𝒏 𝑵
==2e7ead==
𝒏 𝑵𝒉
Onde 𝒇 = 𝑵 é a fração amostral, 𝑾𝒉 = é o tamanho relativo do estrato na população e 𝑺𝒉 é o desvio
𝑵
padrão do estrato h na população.
De acordo com os três critérios de partição da amostra, podemos inferir que:
a) 𝑉𝐼 ≤ 𝑉𝐼𝐼 ≤ 𝑉𝐼𝐼𝐼
b) 𝑉𝐼 ≤ 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼𝐼
c) 𝑉𝐼𝐼 ≤ 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼
d) 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼𝐼 ≤ 𝑉𝐼
e) 𝑉𝐼𝐼𝐼 ≤ 𝑉𝐼 ≤ 𝑉𝐼𝐼
144

GABARITO
1. LETRA B 2. LETRA A 3. LETRA D
145

Curso 274972 Aula 02 Equipe Exatas Ac9d Completo

Enviado por

Direitos autorais:

Formatos disponíveis

Curso 274972 Aula 02 Equipe Exatas Ac9d Completo

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Curso 274972 Aula 02 Equipe Exatas Ac9d Completo

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 02 - Equipe

60507787366 - Wilton venicio dos Santos coelho

4) Soma de Variáveis e o Teorema

8) Questões Comentadas - Distribuição Binomial - Cesgranrio

9) Questões Comentadas - Distribuição Normal - Cesgranrio

10) Questões Comentadas - Soma de Variáveis e o Teorema Central do Limite - Cesgranrio

11) Questões Comentadas - Distribuição Amostral - Cesgranrio

12) Lista de Questões - Distribuição Binomial - Cesgranrio

13) Lista de Questões - Distribuição Normal - Cesgranrio

14) Lista de Questões - Soma de Variáveis e o Teorema Central do Limite - Cesgranrio

15) Lista de Questões - Distribuição Amostral - Cesgranrio

60507787366 - Wilton venicio dos Santos coelho

Um exemplo clássico dessa distribuição é o lançamento de uma moeda.

Normalmente, indicamos a probabilidade de sucesso como 𝒑 e a probabilidade de fracasso como 𝒒.

60507787366 - Wilton venicio dos Santos coelho

Como há apenas 2 resultados possíveis, as probabilidades de sucesso e de fracasso são complementares,

A probabilidade de sucesso 𝒑 é a única informação necessária para caracterizar uma distribuição de

Esse dado que caracteriza uma distribuição de probabilidade é chamado de parâmetro.

Um mesmo experimento pode estar associado a variáveis aleatórias com distribuições

Agora, vamos calcular a esperança da distribuição de Bernoulli. A fórmula geral da esperança é:

Para calcular a variância, primeiro calculamos 𝐸 (𝑋 2 ):

60507787366 - Wilton venicio dos Santos coelho

Distribuição de Bernoulli (𝒑)

1 experimento: Ensaio de Bernoulli

2 resultados possíveis: sucesso (𝑋 = 1) ou fracasso (𝑋 = 0)

Probabilidade de fracasso: 𝑃[𝑋 = 0] = 𝒒 = 𝟏 − 𝒑

Esperança: 𝐸 (𝑋) = 𝒑; Variância: 𝑉(𝑋) = 𝒑. 𝒒

60507787366 - Wilton venicio dos Santos coelho

(CESPE/2016 – TCE/PA) Se as variáveis aleatórias X e Y seguem distribuições de Bernoulli, tais que:

60507787366 - Wilton venicio dos Santos coelho

A Distribuição Binomial pode ser considerada a soma de 𝑛 variáveis com Distribuição de

Por exemplo, sendo 𝑛𝑋 = 3 o número de repetições da variável 𝑋 e 𝑛𝑌 = 4 o número de

Um exemplo de distribuição binomial é o lançamento de um dado n = 3 vezes, em que o sucesso, corresponde

Assim, o número de possíveis resultados para os 3 lançamentos é (princípio multiplicativo de combinatória):

{(0,0,0), (0,0,1), (0,1,0), (1,0,0), (0,1,1), (1,0,1), (1,1,0), (1,1,1)}

60507787366 - Wilton venicio dos Santos coelho

• X = 0 (nenhum sucesso): {(0,0,0)}

De maneira geral, a variável binomial pode assumir qualquer valor entre 0 e 𝒏.

Agora, vamos calcular a probabilidade de cada valor dessa variável binomial.

A probabilidade de obter a face 6 (sucesso) em um único lançamento é:

E a probabilidade de não obter a face 6 (fracasso) em um único lançamento é complementar:

Logo, a probabilidade de ter fracasso nos 𝒏 = 3 lançamentos (0 sucesso: X = 0) corresponde à interseção de

Generalizando, para 𝒏 repetições, a probabilidade de ter 0 sucesso (𝒏 fracassos) é:

Similarmente, a probabilidade de obter somente sucessos (nenhum fracasso) nos 𝒏 = 3 lançamentos (X = 3)

60507787366 - Wilton venicio dos Santos coelho

Generalizando, para 𝒏 repetições, a probabilidade de ter 𝒏 sucessos (0 fracassos) é:

𝑃 (𝑋 = 1) = 𝑃({1,0,0} ∪ {0,1,0} ∪ {0,0,1})

𝑃(𝑋 = 1) = 𝑃({1,0,0} ∪ {0,1,0} ∪ {0,0,1}) = 𝑃 ({1,0,0}) + 𝑃 ({0,1,0}) + 𝑃({0,0,1})

Agora, vamos calcular essas probabilidades para o nosso exemplo:

E a probabilidade de obter exatamente 2 sucessos (1 fracasso) é igual à probabilidade de obter 1 fracasso no

60507787366 - Wilton venicio dos Santos coelho

O número de maneiras de "escolher" 𝒌 tentativas, dentre 𝒏 tentativas no total, corresponde à combinação

Logo, a probabilidade de ter exatamente 𝑘 sucessos (e, portanto, 𝑛 − 𝑘 fracassos) é o produto da

𝑷(𝑿 = 𝒌) = 𝑪𝒏,𝒌 × 𝒑𝒌 × 𝒒𝒏−𝒌

60507787366 - Wilton venicio dos Santos coelho

Podemos calcular também a probabilidade de um intervalo ou de múltiplos valores da

Por exemplo, vamos primeiro calcular a probabilidade de obter 1 OU 2 sucessos, em 3

𝑃(𝑋 = 1 ∪ 𝑋 = 2) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)

A probabilidade de obter 1 sucesso é: