Estatística Descritiva

Lista de Exercícios
12 de novembro de 2024

Conteúdo
1 Conceitos básicos 1

2 Tabelas de frequências e gráficos 2

3 Medidas descritivas 2

4 Notação e fórmulas úteis 3

Referências 4

1 Conceitos básicos
Exercício 1. Defina os seguintes conceitos básicos da área de Estatística.

1. População.

2. Amostra.

3. Variáveis.

4. Parâmetros populacionais.

5. Estatística.

Exercício 2. Considere um estudo cujo objetivo geral é conhecer o perfil de trabalho dos funcionários de uma
determinada empresa para orientar políticas de recursos humanos. Alguns dos objetivos deste estudo são:

• Conhecer a distribuição do tempo de serviço dos funcionários dessa empresa (medido em anos de trabalho).

• Conhecer a distribuição do grau de instrução dos funcionários dessa empresa (fundamental, médio e supe-
rior).

• Verificar o interesse dos funcionários em participar de programas de treinamento (sim ou não).

• Avaliar o grau de satisfação dos funcionários com o trabalho que exercem na empresa (medido numa escala
entre 0% e 100%).

• Verificar se existe associação entre o grau de satisfação dos funcionários com o trabalho que exercem e sua
produtividade (sendo a produtividade medida numa escala entre 0% e 100%).

1
Supondo que esse estudo será realizado por amostragem, descreva:
1. Qual é a população?
2. O que seria uma amostra dessa população?
3. Considerando os objetivos destacados acima:
(a) Que variáveis devem ser medidas?
(b) Que parâmetros populacionais podem ser listados?
(c) Que estatísticas podem ser listadas?
Exercício 3. Considere o estudo descrito do Exercício 2 e as variáveis de interesse que foram medidas. Classifique
cada uma das variáveis conforme a seguinte classificação:
1. Variável numérica contínua.
2. Variável numérica discreta.
3. Variável categórica nominal.
4. Variável categórica ordinal.

2 Tabelas de frequências e gráficos

Exercício 4. Estude o Exemplo 2.9 do Capítulo 2 na página 21 do livro-texto [1].
Exercício 5. Resolva o Problema 6 do Capítulo 2 na página 22 do livro-texto [1].
Exercício 6. Resolva o Problema 7 do Capítulo 2 na página 22 do livro-texto [1].
Exercício 7. Resolva o Problema 11 do Capítulo 2 na página 28 do livro-texto [1].
Exercício 8. Resolva o Problema 15 do Capítulo 2 na página 30 do livro-texto [1].

3 Medidas descritivas
Exercício 9. Resolva o Problema 1 do Capítulo 3 na página 40 do livro-texto [1].
Exercício 10. Resolva o Problema 2 do Capítulo 3 na página 40 do livro-texto [1].
Exercício 11. Resolva o Problema 3 do Capítulo 3 na página 40 do livro-texto [1].
Exercício 12. Resolva o Problema 6 do Capítulo 3 na página 41 do livro-texto [1].
Exercício 13. Resolva o Problema 11 do Capítulo 3 na página 50 do livro-texto [1].
Exercício 14. Resolva o Problema 12 do Capítulo 3 na página 50 do livro-texto [1].
Exercício 15. Resolva o Problema 14 do Capítulo 3 na página 56 do livro-texto [1].
Exercício 16. Resolva o Problema 16 do Capítulo 3 na página 56 do livro-texto [1].
Exercício 17. Resolva o Problema 20 do Capítulo 3 na página 60 do livro-texto [1].
Exercício 18. Resolva o Problema 21 do Capítulo 3 na página 60 do livro-texto [1].
Exercício 19. Resolva o Problema 26 do Capítulo 3 na página 62 do livro-texto [1].
Exercício 20. Resolva o Problema 27 do Capítulo 3 na página 62 do livro-texto [1].
Exercício 21. Resolva o Problema 28 do Capítulo 3 na página 62 do livro-texto [1].
Exercício 22. Resolva o Problema 40 do Capítulo 3 na página 65 do livro-texto [1].

2
4 Notação e fórmulas úteis
• População: é conjunto de todos os elementos de interesse num certo estudo empírico. Nesta definição, a
palavra “elementos” pode significar pessoas, animais, objetos ou mesmo valores.

• Amostra: é uma parte (ou um subconjunto) de uma população.

• Variável: é um atributo que pode ser observado em cada elemento de uma população. Em particular,
naqueles elementos da população que foram selecionados para constituir uma amostra.

• Notação geral para variáveis: usamos letras maiúsculas, tais como X,Y, Z, . . . para representar variáveis.

• Parâmetro populacional: é uma medida (numérica) que descreve alguma característica de uma população.

• Notação geral para um parâmetro populacional: usamos a letra grega θ (theta) para representar generica-
mente um parâmetro populacional.

• Alguns exemplos de parâmetros populacionais: N, mínimo, máximo, µ, σ 2 , q1 , med = q2 , q3 , . . ..

• Estatística: é uma medida (numérica) que descreve alguma característica de uma amostra.

• Notação geral para uma estatística: θ̂ = T (x1 , x2 , . . . , xn ).

• Alguns exemplos de estatísticas: n, min, max, x̄, S2 , Q1 , x̃ = Q2 , Q3 , . . ..

• Dados:

– Amostra de valores observados de uma variável X: x1 , . . . , xi , . . . , xn . Note que o índice i varia de 1 até
n, onde n é o número total de observações.
– Tabela de frequências de uma variável X: A Tabela 1 representa uma tabela de frequências genérica de
uma variável X. A coluna “Classe” lista as possíveis categorias de X, quando X é categórica. Quando
X é numérica, então Classe j = a j ⊢ b j . Por fim, quando X é numérica discreta com poucos valores
possíveis, então a coluna “Classe” lista os possíveis valores X. Note que o índice j varia de 1 até
k, onde k é o número de classes. Regras práticas para definir k são: ⌊n⌋, ⌈n⌉, ⌊1 + 3.222 log10 n⌋ ou
⌈1 + 3.222 log10 n⌉.

Tabela 1: Título descritivo com respeito ao conteúdo da tabela.

Classe Frequência Porcentagem % Frequência acumulada %
Classe1 n1 f1 F1 = f1
Classe2 n2 f2 F2 = f1 + f2
.. .. .. ..
. . . .
Classe j nj fj Fj = f 1 + · · · + f j
.. .. .. ..
. . . .
Classek nk fk Fj = f1 + · · · + fk = 100%
Total n 100% −
Fonte: dados hipotéticos.

• Mínimo:
x(1) = min = min{x1 , . . . , xn }.

3
 • Máximo:
x(n) = max = max{x1 , . . . , xn }.
• Média:
1 n
x̄ = ∑ xi.
n i=1
• Variância:
1 n
S2 = ∑ (xi − x̄)2 .
n − 1 i=1
• Média e variância para dados agrupados em tabelas de frequências:
k k
1 1
x̄ = ∑ x′j n j 2
S = ∑ (x′j − x̄)n j onde x′j = (a j + b j )/2.
n j=1 n−1 j=1

• Desvio padrão: √
2
S= S2 .
• Mediana: considere os dados ordenados min = x(1) ≤ x(2) ≤ · · · ≤ x(n) = max

x n+1
( ) se n é ímpar
x̃ = Q2 = 1 2 
 x n + x n+2 se n é par.
2 ( ) ( ) 2 2

• Mediana para dados agrupados em tabelas de frequências: suponha que x̃ = Q2 ∈ [a j , b j ) = Classe j

50% − Fj−1
 
x̃ = Q2 = a j + (b j − a j ) .
fj

• m-ésimo quartil:
m(n + 1)
Qm = m = 1, 2, 3.
4
• m-ésimo quartil para dados agrupados em tabelas de frequências: suponha que Qm ∈ [a j , b j ) = Classe j
p − Fj−1
 
Qm = a j + (b j − a j )
fj
onde 
25% se m = 1

p = 50% se m = 2

75% se m = 3.


Referências
[1] W Bussab & P Morettin. Estatística Básica, 6a ed. Saraiva, 2010.
[2] D Montegomery & G Runger. Estatística Aplicada e Probabilidade para Engenheria, 2a ed. LTC, 2003.
[3] D Montegomery & G Runger. Applied Statistics and Probability for Engineers, 5th ed. Wiley, 2011.
[4] S Ross. Probability and Statistics for Engineers and Scientists, 4th ed. Elsevier Academic Press, 2009.
[5] P Meyer. Introductory Probability and Statistical Applications, 2nd ed. Addison-Wesley, 1970.

4
 Probabilidade e Variáveis Aleatórias
Lista de Exercícios
12 de novembro de 2024

Conteúdo
1 Probabilidade 1

2 Variáveis aleatórias 4

3 Notação e fórmulas úteis 7

Referências 9

1 Probabilidade
Exercício 1. Sejam A e B eventos de um espaço amostral S. Utilize o bem conhecido diagrama de Venn para
representar em S os eventos A ∪ B, A ∩ B, Ac , A − B e (A − B) ∪ (B − A).

Exercício 2. Lança-se duas moedas e observa-se a sequência de caras e coroas. Traduza os eventos escritos em
palavras para a linguagem de conjuntos.

1. A = Pelo menos uma cara ocorre.

2. B = Duas coroas ocorrem.

3. C = O complementar do evento A.

Exercício 3. Sejam A, B e C eventos de um espaço amostral S. Traduza os eventos escritos em palavras para a
linguagem de conjuntos.

1. Somente A ocorre.

2. A e C ocorrem, mas B não.

3. Todos os eventos ocorrem.

4. Pelo menos um evento ocorre.

5. Exatamente um evento ocorre.

6. Nenhum evento ocorre.

7. Pelo menos dois eventos ocorrem.

8. Exatamente dois eventos ocorrem.

1
 9. No máximo dois eventos ocorrem.

Exercício 4. Lança-se duas moedas não honestas (viciadas) e observa-se a sequência de caras e coroas. Apresente
um modelo probabilístico para este experimento, considerando o espaço amostral como um produto cartesiano de
dois conjuntos. Observação: uma moeda não honesta ou viciada é aquela onde a probabilidade de cara é diferente
de 1/2.

Exercício 5. Lança-se duas moedas não honestas (viciadas) e observa-se o número de caras. Apresente um
modelo probabilístico para este experimento.

Exercício 6. Lança-se um dado honesto (não viciado) de 6 faces e observa-se o valor da face superior. Apresente
um modelo probabilístico para este experimento. Observação: um dado honesto de 6 faces é aquele onde a
probabilidade de cada face é 1/6.

Exercício 7. Lança-se dois dados honestos (não viciados) de 6 faces e observa-se o par ordenado de valores das
faces superiores. Apresente um modelo probabilístico para este experimento.

Exercício 8. Lança-se dois dados honestos de 6 faces. Calcule a probabilidade da soma dos valores das faces
superiores ser menor que 5.

Exercício 9. Suponha que num lote com 20 peças existam 5 peças defeituosas. Escolhemos ao acaso e sem
reposição 4 peças deste lote. Determine a probabilidade de escolher duas peças defeituosas.

Exercício 10. No jogo da mega-sena uma aposta simples consiste em escolher 6 números dentre os 60 números
disponíveis (01, 02, . . . , 60). Calcule a probabilidade de ganhar o prêmio com uma aposta simples.

Exercício 11. Considere um lote contendo 20 peças das quais 12 são defeituosas e 8 são perfeitas. Duas peças
são extraídas ao acaso e sem reposição. Determine a probabilidade dos seguintes eventos:

1. A = as duas peças são defeituosas.

2. B = uma peça é perfeita e a outra é defeituosa.

Exercício 12. Em média, 5% dos produtos vendidos por uma loja são devolvidos. Determine a probabilidade de
que das quatro próximas vendas de produtos, dois sejam devolvidos.

Exercício 13. Suponha que k objetos sejam escolhidos ao acaso e com reposição a partir de n objetos distintos
(n > k). Calcule a probabilidade de que nenhum objeto na amostra tenha sido escolhido mais de uma vez.

Exercício 14. Considere um grupo de k pessoas reunidas numa sala. Calcule a probabilidade de existir neste
grupo pelo menos duas pessoas que façam aniversário no mesmo dia e mês.

Exercício 15. Sejam A, B e C eventos num espaço amostral. Obtenha uma fórmula para calcular Pr(A ∪ B ∪ C).
Generalize o resultado para n eventos, digamos A1 , A2 , . . . , An .

Exercício 16. Sabe-se que num grupo de 200 estudantes de engenharia, 137 estão matriculados em cálculo, 50 em
programação e 124 em física. Além disso, 33 estão matriculados simultaneamente em cálculo e programação, 92
em cálculo e física e 29 em programação e física. Finalmente, 18 estão matriculados em todas as três disciplinas.
Determine a probabilidade de um estudante selecionado aleatoriamente deste grupo está matriculado em pelo
menos uma disciplina.

Exercício 17. Suponha que os dígitos 1, 2, . . . , n sejam escritos numa ordem aleatória. Calcule a probabilidade
de que ao menos um dígito ocupe seu próprio lugar. O que acontece com a probabilidade encontrada quando
n → +∞?

2
Exercício 18. Utilize um diagrama de árvore e resolva o seguinte problema: uma empresa produz lâmpadas em
três fábricas, denotadas por F1 , F2 e F3 . A fábrica F1 produz 40% da produção total, enquanto que as fábricas
F2 e F3 produzem cada uma 30% da produção total. As probabilidades de que uma lâmpada produzida por estas
fábricas seja defeituosa são de 1%, 4% e 3% respectivamente. (i) Dertermine a probabilidade de uma lâmpada
escolhida ao acaso da produção total ser defeituosa; (ii) Dado que a lâmpada escolhida ao acaso da produção total
é defeituosa, determine a probabilidade desta lâmpada ter sido produzida por F1 .
Exercício 19. Uma urna contém duas bolas brancas e três bolas vermelhas. Suponha que são sorteadas duas
bolas ao acaso e sem reposição. Utilize um diagrama de árvore e apresente um modelo probabilístico para este
experimento.
Exercício 20. Uma urna contém duas bolas brancas e três bolas vermelhas. Suponha que são sorteadas duas
bolas ao acaso e com reposição. Utilize um diagrama de árvore juntamente com o conceito de independência e
apresente um modelo probabilístico para este experimento. Porque neste exercício é possível usar o conceito de
independência?
Exercício 21. Sejam A e B eventos independentes. Mostre que A e Bc também são. Mostre que resultados
análogos também valem para Ac e B e para Ac e Bc .
Exercício 22. Sejam A e B eventos independentes cujas probabilidades são p e q respectivamente. Determine a
probabilidade: (i) de que nenhum destes eventos ocorra, (ii) de que pelo menos um destes eventos ocorra.
Exercício 23. Uma companhia de seguros vendeu apólices para um grupo de cinco pessoas, todas da mesma
idade e com boa saúde. De acordo com as tábuas atuariais, a probabilidade de que uma pessoa daquela idade
e estado de saúde esteja viva daqui a 30 anos é de 2/3. Calcular a probabilidade de que daqui a 30 anos: (i)
exatamente duas pessoas do grupo estejam vivas; (ii) todas as pessoas do grupo estejam vivas; (iii) pelo menos
três pessoas do grupo estejam vivas. Indique as suposições necessárias para a resolução do problema.
Exercício 24. Um empreiteiro apresentou orçamentos separados para a execução da parte elétrica e da parte
de encanamento de um edifício. Ele acha que a probabilidade de ganhar a concorrência da parte elétrica é de
1/2. Caso ele ganhe a parte elétrica, a chance de ganhar a parte de encanamento é de 3/4. Caso contrário, esta
probabilidade é de 1/3. Qual a probabilidade de ele: (i) ganhar os dois orçamentos? (ii) ganhar apenas um? (iii)
não ganhar nada?
Exercício 25. Em uma fábrica de parafusos, as máquinas A, B e C produzem 25%, 35% e 40% do total, respec-
tivamente. Da produção de cada máquina 5%, 4% e 2%, respectivamente, são parafusos defeituosos. Escolhe-se
ao acaso um parafuso e verifica-se que este é defeituoso. Qual a probabilidade de que o parafuso escolhido venha
da máquina A. Obtenha os mesmos resultados para B e C.
Exercício 26. Considere um sistema constituído por 3 componentes conectados conforme a Figura do Problema
20 em [1, p. 115]. Supondo que todos os componentes do sistema tenham a mesma confiabilidade p e funcionam
independentemente, obtenha a confiabilidade do sistema.
Exercício 27. Considere um sistema constituído por 4 componentes conectados conforme a Figura do Problema
22 em [1, p. 116]. Supondo que todos os componentes do sistema tenham a mesma confiabilidade p e funcionam
independentemente, obtenha a confiabilidade do sistema.
Exercício 28. Considere um sistema constituído por 5 componentes conectados conforme a Figura do Problema
48 em [1, p. 125]. Supondo que todos os componentes do sistema tenham a mesma confiabilidade p e funcionam
independentemente, obtenha a confiabilidade do sistema.
Exercício 29. Considere o quadrado com vértices em (0, 0), (1, 0), (1, 1) e (0, 1). Suponha que a probabilidade
de uma p região A (evento A) qualquer seja a área desta região. Represente graficamente os eventos A = {s =
(x, y)| x2 + y2 ≤ 1} e B = {s = (x, y)|x ≥ b ou y ≥ b}, onde b é um número tal que 0 < b < 1. Calcule Pr(A),
Pr(B) e Pr(Bc )

3
Exercício 30. Num mercado, três corretoras A, B e C são responsáveis por 20%, 50% e 30%, respectivamente,
do volume total de contratos negociados. Do volume de cada corretora, 20%, 5% e 2%, respectivamente, são
contratos futuros em dólares. Um contrato é escolhido ao acaso e este é futuro em dólares. Qual é a probabilidade
de ter sido negociado pela corretora A? E pela corretora C?

Exercício 31. (Distribuição discreta na reta: o caso finito). Considere um experimento aleatório cujos possíveis
resultados são: −1, 0 e 3. A função de probabilidade para estes resultados é dada por: p(−1) = 1/7, p(0) = 4/7 e
p(3) = 2/7. A função s 7→ p(s) é de fato uma função de probabilidade? Determine a probabilidade de um evento
qualquer em S, digamos o evento A ⊂ S. Se A = {−1, 3}, calcule a probabilidade de A.

Exercício 32. (Distribuição discreta na reta: o caso finito equiprovável). Considere um experimento aleatório cu-
jos possíveis resultados são: −1, 0 e 3. A função de probabilidade para estes resultados é dada por: p(−1) = 1/3,
p(0) = 1/3 e p(3) = 1/3. A função s 7→ p(s) é de fato uma função de probabilidade? Determine a probabilidade
de um evento qualquer em S, digamos o evento A ⊂ S. Se A = {−1, 3}, calcule a probabilidade de A.

Exercício 33. (Distribuição discreta na reta: o caso infinito enumerável). Considere um experimento aleatório
cujos possíveis resultados são: 1, 2, 3, . . .. A função de probabilidade para estes resultados é dada por: p(i) =
kp(1 − p)i−1 , onde i = 1, 2, 3, . . ., 0 < p < 1 e k é uma constante de normalização. Encontre o valor de k para que
a função s 7→ p(s) seja de fato uma função de probabilidade. Determine a probabilidade de um evento qualquer
em S, digamos o evento A ⊂ S. Se A = {2, 4, 6, . . .}, calcule a probabilidade de A.

Exercício 34. (Distribuição absolutamente contínua na reta). Considere um experimento aleatório cujos possí-
veis resultados são todos os números reais no intervalo [0, 2]. A função densidade de probabilidade para estes
resultados é dada por: f (s) = ks se s ∈ [0, 2] e f (s) = 0 caso contrário, onde k é uma constante de normalização.
Encontre o valor de k para que a função s 7→ f (s) seja de fato uma função densidade de probabilidade. Determine
a probabilidade de um evento qualquer em S, digamos o evento A ⊂ S. Se A = (1, 3/2], calcule a probabilidade
de A.

2 Variáveis aleatórias
Exercício 35. Seja X uma va.a. discreta com função de probabilidade dada por:

X 1 2 3
pX 1/7 4/7 2/7

1. Calcule Pr(−1/2 < X ≤ 5/2).

2. Calcule FX (x) = Pr(X ≤ x).

3. Deduza a função pX a partir da função FX .

4. Calcule E(X), Var(X) e DP(X).

Exercício 36. Na fabricação de um certo produto é sabido que um entre dez dos artigos é fabricado com defeito.
Qual a probabilidade de que uma amostra casual de tamanho quatro contenha:

1. nenhum defeituoso?

2. exatamente um defeituoso?

3. exatamente dois defeituosos?

4. não mais do que dois defeituosos?

4
Exercício 37. O número de petroleiros que chegam a uma refinaria em cada dia ocorre segundo uma distribuição
de Poisson com λ = 2. As atuais instalações podem atender no máximo a três petroleiros por dia. Se mais de três
aportarem num dia, o excesso é enviado para outro porto.

1. Num dia, qual a probabilidade de se enviar petroleiros para outro porto?

2. De quanto deverão ser aumentadas as instalações para permitir atender a todos os navios que chegarem pelo
menos em 95% dos dias?

3. Qual o número médio de petroleiros que chegam por dia?

Exercício 38. Uma fábrica produz válvulas das quais 20% são produzidas com defeito. As válvulas são vendidas
em caixas com dez válvulas em cada caixa. Se uma caixa não tiver nenhuma defeituosa, seu preço de venda é
10, 00 unidades monetárias (u.m.); tendo uma, o preço é 8, 00 u.m.; duas ou três, o preço é 6, 00 u.m.; mais do
que três defeituosas, o preço é 2, 00 u.m. Qual o preço médio de uma caixa?

Exercício 39. Mostre que

e−λ λ k
 
n k
p (1 − p)n−k →
k k!
quando n → ∞, p → 0, mas np = λ .

Exercício 40. Considere um sistema com 10 componentes ligados em série, onde cada componente tem proba-
bilidade p de funcionar. Supondo independência de funcionamento entre os componentes, qual a probabilidade
de:

1. o sistema funcionar?

2. o sistema não funcionar?

3. exatamente dois componentes funcionarem?

4. pelo menos cinco componentes funcionarem?

Exercício 41. O custo de realização de um experimento é 1.000, 00 unidades monetárias (u.m.). Se o experimento
falha, um custo adicional de 300, 00 u.m. tem de ser imposto. Se a probabilidade de sucesso em cada experimento
é 0.2, se os experimentos são independentes e continuados até a ocorrência do primeiro sucesso, qual o custo
esperado do experimento?

Exercício 42. Seja X uma va.a. discreta com função de probabilidade dada por:
(
3x2 se x ∈ [0, 1]
fX (x) =
0 caso contrário.

1. Calcule Pr(X > 1/2).

2. Calcule FX (x) = Pr(X ≤ x).

3. Deduza a função fX a partir da função FX .

4. Calcule E(X), Var(X) e DP(X).

Exercício 43. Seja X uma va.a. com distribuição uniforme com parâmetros α e β . Calcule:

1. E(X).

5
 2. Var(X).
3. FX (x) = Pr(X ≤ x).
Exercício 44. Seja X uma va.a. com distribuição normal com parâmetros µ e σ 2 . Calcule E(X) e Var(X).
Exercício 45. O peso bruto de latas de conserva é uma va.a. normal com média 1.000 g e desvio padrão 20 g.
1. Qual a probabilidade de uma lata pesar menos de 980 g?
2. Qual a probabilidade de uma lata pesar mais de 1.010 g?
Exercício 46. Uma enchedora automática de garrafas de refrigerantes está regulada para que o volume médio de
líquido em cada garrafa seja de 1.000 cm3 e o desvio padrão de 10 cm3 . Pode-se admitir que a variável volume
seja normal.
1. Qual é a porcentagem de garrafas em que o volume de líquido é menor que 990 cm3 ?
2. Qual é a porcentagem de garrafas em que o volume de líquido não se desvia da média em mais que dois
desvios padrões?
3. O que acontecerá com a porcentagem do item 2 (item anterior) se a máquina for regulada de forma que a
média seja 1.200 cm3 e o desvio padrão 20 cm3 ?
Exercício 47. Determine as médias das va.a’s X,Y e Z quando:
1. X é uma uniforme no intervalo (1, 3), Y = 3X + 4 e Z = eX .
2. X é uma exponencial parâmetro β = 1, Y = X 2 e Z = 3/(X + 1)2 .
Exercício 48. Seja X uma va.a. com distribuição exponencial com parâmetro β . Calcule E(X) e Var(X).
Exercício 49. Dizemos que X é uma va.a. com distribuição de Pareto com parâmetros a, b > 0 se sua função
densidade de probabilidade é dada por
(
(a/b)(b/x)a+1 se x ≥ b
fX (x) =
0 caso contrário.

Esta distribuição é frequentemente usada em Economia em conexão com problemas de distribuição de renda. O
parâmetro b pode representar algum nível mínimo de renda, x é o nível de renda e fX (x)dx dá a proporção de
indivíduos com renda entre x e x + dx. Calcule E(X) e Var(X).
Exercício 50. Dizemos que X é uma va.a. com distribuição lognormal com parâmetros µ e σ 2 , se ln(X) possui
distribuição normal com média µ e variância σ 2 . A função densidade de probabilidade de X tem a forma
   2 
1 1 ln(x)−µ
 √ exp − 2 σ se x > 0
fX (x) = xσ 2π
0 caso contrário.


Calcule E(X) e Var(X).

Exercício 51. Seja X uma va.a. com distribuição exponencial com parâmetro β . Mostre que:

Pr(X > t + x|X > t) = Pr(X > x).

para todo t, x ≥ 0. Este resultado é geralmente referido como “a propriedade de falta de memória da distribuição
exponencial”.

6
3 Notação e fórmulas úteis
• Espaço amostral: S.

• Eventos em um espaço amostral S: A, B,C, . . ..

• Probabilidade de um evento A em S: A 7→ Pr(A).

• 0 ≤ Pr(A) ≤ 1 para todo evento A em S.

• Pr(S) = 1 e Pr(0)
/ = 0.

• Pr(A ∪ B) = Pr(A) + Pr(B) se A e B são eventos mutuamente exclusivos.

• Pr(Ac ) = 1 − Pr(A).

• Pr(A ∪ B) = Pr(A) + Pr(B) − Pr(A ∩ B).

• Pr(A ∪ B ∪C) = Pr(A) + Pr(B) + Pr(C) − Pr(A ∩ B) − Pr(A ∩C) − Pr(B ∩C) + Pr(A ∩ B ∩C).

• Probabilidade condicional:
Pr(A ∩ B) Pr(B ∩ A)
Pr(A|B) = Pr(B|A) = .
Pr(B) Pr(A)

• Pr(A ∩ B) = Pr(A) Pr(B|A) = Pr(B) Pr(A|B).

• Teorema da multiplicação: Pr(A ∩ B ∩C) = Pr(A) Pr(B|A) Pr(C|A ∩ B).

• A e B são eventos independentes se Pr(A|B) = Pr(A) e Pr(B|A) = Pr(B).

• A e B são eventos independentes se, e somente se, Pr(A ∩ B) = Pr(A) Pr(B).

• Teorema da probabilidade total: (Bi )i é uma partição em S

Pr(A) = ∑ Pr(A ∩ Bi ) = ∑ Pr(Bi ) Pr(A|Bi ).

i i

• Teorema de Bayes: (Bi )i é uma partição em S

Pr(Bi ) Pr(A|Bi )
Pr(Bi |A) = para todo i.
∑i Pr(Bi ) Pr(A|Bi )

• Variável aleatória unidimensional: X.

• Pré-imagem de um evento B em R: [X ∈ B] = {s ∈ S|X(s) ∈ B}.

• Pré-imagem do intervalo (−∞, x] em R: [X ≤ x] = [X ∈ (−∞, x]] = {s ∈ S|X(s) ≤ x}.

• Distribuição de uma va.a. X: PX (B) = Pr(X ∈ B) para todo evento B em R.

• Variável aleatória discreta: X ∈ {x1 , x1 , . . . , xn } ⊂ R ou X ∈ {x1 , x1 , . . .} ⊂ R.

• Variável aleatória contínua: X ∈ I ⊂ R, onde I é um subconjunto não-enumerável de R.

• X é uma va.a. discreta com função de probabilidade pX : X ∼ pX .

• X é uma va.a. contínua com função densidade de probabilidade fX : X ∼ fX .

7
• Função de distribuição acumulada de uma va.a. X: FX (x) = Pr(X ≤ x) para todo x real.
Z x
FX (x) = Pr(X ≤ x) = ∑ pX (y) FX (x) = Pr(X ≤ x) = fX (y)dy.
y≤x −∞

• X é uma va.a. com função de distribuição FX : X ∼ FX .

• Distribuição de uma va.a. X:

Z
PX (B) = Pr(X ∈ B) = ∑ pX (x) PX (B) = Pr(X ∈ B) = fX (x)dx.
x∈B x∈B

• Média de uma va.a. X: E(X).

Z +∞
E(X) = ∑ xpX (x) E(X) = x fX (x)dx.
x −∞

• Segundo momento de uma va.a. X: E(X).

Z +∞
2 2 2
E(X ) = ∑ x pX (x) E(X ) = x2 fX (x)dx.
x −∞

• Média de h(X), h : R → R: E(h(X)).

Z +∞
E(h(X)) = ∑ h(x)pX (x) E(h(X)) = h(x) fX (x)dx.
x −∞

• Variância de uma va.a. X: Var(X) = E(X 2 ) − [E(X)]2 .

p
• Desvio padrão de uma va.a. X: DP(X) = + Var(X).

• Função geradora de momentos de uma va.a. X: MX (t) = E(etX ) definida para todo t em algum intervalo
aberto em torno de zero.

• k-ésimo momento de uma va.a. X:

d k MX (t)
E(X k ) =
dt k t=0

• Variável aleatória bidimensional: (X,Y ).

• Distribuição conjunta: (X,Y ) ∼ fX,Y (x, y).

• Distribuições marginais: X ∼ fX (x) e Y ∼ fY (y).

• Distribuições condicionais: X|Y = y ∼ fX|Y (x|y) e Y |X = x ∼ fY |X (y|x).

• X e Y são va.a.’s independentes se, e somente se, fX,Y (x, y) = fX (x) fY (y) para todo (x, y) ∈ R2 .

• Covariância entre X e Y : Cov(X,Y ) = E[(X − E(X))(Y − E(Y ))] = E(XY ) − E(X)E(Y ).

• Note que: Var(X) = Cov(X, X).

• Propriedades de E:

– E(cX) = cE(X).

8
 – E(X +Y ) = E(X) + E(Y ).
– Se X e Y são va.a.’s independentes, então E(XY ) = E(X)E(Y ) e Cov(X,Y ) = 0.

• Propriedades de Var:

– Var(cX) = c2 Var(X).
– Var(X +Y ) = Var(X) + Var(Y ) + 2Cov(X,Y ).
– Se X e Y são va.a.’s independentes, então Var(X +Y ) = Var(X) + Var(Y ).
R
• Média condicional: E(X|Y = y) = xPX|Y (dx|y).

• Variância condicional: Var(X|Y = y) = E(X 2 |Y = y) − [E(X|Y = y)]2 .

• E(X) = E(E(X|Y )).

• Var(X) = E(Var(X|Y )) + Var(E(X|Y )).

Referências
[1] W Bussab & P Morettin. Estatística Básica, 6a ed. Saraiva, 2010.

[2] D Montegomery & G Runger. Estatística Aplicada e Probabilidade para Engenheria, 2a ed. LTC, 2003.

[3] D Montegomery & G Runger. Applied Statistics and Probability for Engineers, 5th ed. Wiley, 2011.

[4] S Ross. Probability and Statistics for Engineers and Scientists, 4th ed. Elsevier Academic Press, 2009.

[5] P Meyer. Introductory Probability and Statistical Applications, 2nd ed. Addison-Wesley, 1970.