Estatística Icms RJ - Aula 1 PDF

PONTO DOS CONCURSOS
Estatstica ICMS-RJ
Aula 1
Alexandre Barbosa de Lima
17/02/2010
Este documento aborda os seguintes tpicos: teoria de probabilidade,

variveis aleatrias, esperanas matemticas e distribuies de
probabilidade.
Estatstica Teoria e Exerccios

Fiscal do ICMS-RJ
Prof. Alexandre Lima
Contedo
1. Probabilidade ....................................................................................................... 4
1.1.
Os Diferentes Tipos de Probabilidade .............................................. 4
1.2.
Conjuntos e Eventos .............................................................................. 6
1.2.1
lgebra de Conjuntos ................................................................................ 6
1.3.
Definio Axiomtica de Probabilidade ......................................... 10
1.4.
Probabilidades Conjunta e Condicional ......................................... 11
1.5.
Independncia ........................................................................................ 12
1.6.
Regras de Adio ................................................................................... 12
1.7.
Regra da Multiplicao......................................................................... 13
1.8.
Teorema da Probabilidade Total ...................................................... 13
1.9.
Teorema de Bayes................................................................................. 14
2. Variveis Aleatrias......................................................................................... 15
2.1.
Definio de Varivel Aleatria ........................................................ 15
2.2.
Funo Discreta de Probabilidade ................................................... 16
2.3.
Funo de Distribuio de Probabilidade...................................... 17
2.4.
Funes de Distribuio e de Densidade de Probabilidade
para Variveis Contnuas .................................................................................. 17
2.5. Funes de Probabilidade Conjunta .................................................... 19
2.5.1. Funes de Probabilidade Marginal ............................................................. 21
2.5.2. Funes de Probabilidade Condicional ........................................................ 22
2.5.3. Variveis Aleatrias Independentes ............................................................. 23
3. Valores Esperados Envolvendo Uma nica Varivel Aleatria ....... 24
3.1.
Mdia .......................................................................................................... 24
3.2.
Valor Esperado de Uma Funo de Varivel Aleatria ............ 25
3.3.
Varincia ................................................................................................... 26
4. Anlise Combinatria...................................................................................... 26
5. Distribuies de Probabilidade .................................................................... 29
5.1.
Distribuies Discretas ........................................................................ 29
5.1.1. Distribuio Binomial .................................................................................. 29

5.1.2. Distribuio Multinomial ............................................................................. 31
5.1.3. Distribuio de Poisson ................................................................................ 32
5.1.4. Distribuio Geomtrica ............................................................................... 34
2

Fiscal do ICMS-RJ
5.1.5. Distribuio Binomial Negativa ................................................................... 35
5.1.6. Distribuio Hipergeomtrica....................................................................... 36
5.2.
Distribuies Contnuas ....................................................................... 37
5.2.1. Distribuio Uniforme .................................................................................. 37

5.2.2. Distribuio Exponencial ............................................................................. 39
5.2.3. Distribuio Gama ........................................................................................ 39
5.2.4. Distribuio Normal ..................................................................................... 40
5.2.5. Distribuio Qui-quadrado ........................................................................... 43
5.2.6. Distribuio t-Student ................................................................................... 45
5.2.7. Distribuio F de Snedecor .......................................................................... 46
5.2.8. Distribuio Log-Normal ............................................................................. 47
5. Exerccios de Fixao...................................................................................... 50
6. GABARITO ........................................................................................................... 62
7. Resoluo dos Exerccios de Fixao ....................................................... 64

Fiscal do ICMS-RJ
1.
Probabilidade
A Probabilidade a teoria matemtica que nos ajuda a estudar

sistemas fsicos, econmicos, biolgicos, mecnicos, financeiros, etc.,
num sentido mdio (esta idia ser formalizada mais adiante)
[STA02].
Um fenmeno aleatrio quando o seu comportamento
futuro no pode ser previsto com absoluta certeza. Por
exemplo, as condies climticas no dia da prova do ICMS-RJ no
podem ser previstas com 100% de acerto. Por outro lado, possvel
que a previso do tempo seja realizada em termos probabilsticos. Se
voc tiver a curiosidade de consultar o site da empresa Climatempo1,
constatar que a previso dada em termos de tendncias e que,
inclusive, a seguinte observao feita: Esta tendncia resultado
de modelos matemticos e no tem interferncia direta dos
meteorologistas. Estes valores podem variar muito de um dia para o
outro.. Ou seja, a Climatempo est dizendo para os seus clientes,
que so leigos em Meteorologia, que a previso do tempo possui
uma margem de erro e que isto se deve utilizao de
modelos matemticos probabilsticos de previso.
Considere, por exemplo, variveis de natureza econmica. Elas
so aleatrias por natureza. No sabemos quais sero os seus
valores futuros seno depois de observ-los. No sabemos
dizer, com 100% de preciso, qual ser a cotao do Dlar em
12/03/2010 (hoje o dia 12/02/2010). Contudo, podemos afirmar
que h uma tendncia de valorizao do Dlar em relao s demais
moedas, inclusive o Real2.
Faremos uma breve reviso dos conceitos fundamentais da
teoria da probabilidade nesta aula.
1.1. Os Diferentes Tipos de Probabilidade
A) Probabilidade como a razo entre o nmero de resultados
favorveis e o nmero total de resultados possveis (teoria
clssica)
Nesta abordagem a probabilidade de um dado evento3 E
calculada a priori4 pela frmula
http://www.climatempo.com.br
O Dlar saltou de R$ 1,73 para R$ 1,89 em apenas quatro semanas. O economista Luiz Carlos
Mendona de Barros, em entrevista Folha de So Paulo em 07/02/2010, afirma que a taxa de cmbio j
no mais R$ 1,75, vai ser mais perto de R$ 2, o que bom para ns.
3
O conceito de evento ser formalizado mais adiante nesta aula.
2

Fiscal do ICMS-RJ
(1)
P=
NE
N
em que P a probabilidade de E, NE representa o nmero de

ocorrncias de E e N o nmero de todos os resultados possveis.
Uma noo importante que est subentendida em (1) que os
resultados devem ser equiprovveis.
Exemplo. Lance uma moeda no viciada (ou justa) duas vezes. Os
resultados possveis so cara-cara (CC), cara-coroa (CK), coroa-cara
(KC) e coroa-coroa (KK). Qual a probabilidade de se obter pelo
menos uma coroa?
Seja E o evento que denota a obteno de pelo menos uma coroa;
ento E o conjunto dos resultados
E = {CK, KC, KK} .
O nmero de elementos em E 3. Como N = 4, temos que
P[ E ] =
NE 3
= .
N
4
A definio clssica de probabilidade possui alguns defeitos,

como, por exemplo, a sua no capacidade de abordar situaes em
que os resultados so no equiprovveis.
B) Probabilidade como freqncia relativa
Considere n realizaes de um experimento aleatrio (vide definio
mais adiante). Ento, define-se a probabilidade de um dado evento E
como
(2)
P[ E ] = lim n
nE
n
em que nE denota o nmero de ocorrncias de E. Como na prtica

no podemos obter infinitas realizaes, temos que (2) estima P[E]
dado um valor finito de n. Observe que 0 P[ E ] 1 , pois nE n . Um
dos problemas desta abordagem justamente o fato de nunca
4
Aqui, a priori significa aquilo que est relacionado com o raciocnio lgico a partir de proposies autoevidentes ou o que pressuposto por experincia. Neste contexto, a posteriori denotaria o que est
relacionado com o raciocnio lgico a partir dos fatos que so observados.

Fiscal do ICMS-RJ
podermos realizar o experimento por um nmero infinito de vezes.
Outra dificuldade que assume-se que a razo nE/n possui um limite
para n tendendo a infinito.
Apesar dos problemas mencionados acima, a definio de
probabilidade como freqncia relativa essencial para a aplicao
da teoria da probabilidade ao mundo real.
C) Probabilidade baseada na teoria axiomtica
Esta a abordagem moderna da probabilidade. Para desenvolv-la,
preciso introduzir os conceitos de experimento aleatrio, espao
amostral e evento.
Um
experimento
aleatrio
simplesmente
um
experimento em que os resultados so no determinsticos,
isto , probabilsticos. O espao amostral o conjunto de todos
os possveis resultados de um experimento aleatrio. Um
evento um subconjunto do espao amostral de um
experimento aleatrio.
O moderno tratamento axiomtico da teoria da probabilidade
em grande parte devido pesquisa do brilhante matemtico russo
Andrei N. Kolmogorov (1903-1987)5.
1.2. Conjuntos e Eventos
Um conjunto uma coleo de objetos abstratos ou concretos.
Um exemplo de conjunto concreto o conjunto de todos os
residentes na cidade de So Paulo cuja altura exceda 1,60 m. O
conjunto de todos os habitantes de So Paulo com altura entre 1,60m
e 1,70m um subconjunto do conjunto anterior. No estudo da
probabilidade, ns estamos interessados no conjunto de todos os
possveis resultados de um experimento (espao amostral) e nos
subconjuntos daquele conjunto. comum representar o espao
amostral de um experimento aleatrio usando a letra grega
(mega). Eventos so subconjuntos de . O prprio conjunto
um evento, o qual denominado evento certo. O conjunto que no
envolve nenhum dos resultados possveis o evento impossvel
(conjunto vazio). Este o evento que no pode acontecer e que
includo na teoria por uma questo de completeza.
1.2.1
lgebra de Conjuntos
Apesar deste tipo de informao no ser importante para a prova, no nos custa nada conhecer um pouco
da histria da matemtica e pagar o tributo a um dos maiores matemticos de todos os tempos!

Fiscal do ICMS-RJ
A unio (soma) de dois conjuntos E e F, denotada por E F ou E +
F, o conjunto de todos os elementos que esto em pelo menos um
dos conjuntos E ou F. Portanto, com E = {1, 2, 3, 4} e F = {1, 3, 4,
5, 6}
E F = {1, 2, 3, 4, 5, 6}.
Se E um subconjunto de F, indicamos este fato escrevendo E
F. Neste caso, segue-se que E F = F. Ns indicamos que um
elemento de escrevendo . Logo, podemos escrever
E F = {: E ou F ou est em ambos}.
A interseo de dois conjuntos E e F, denotada por E F ou
EF, o conjunto dos elementos comuns a ambos os conjuntos E e F.
Portanto, com E = {1, 2, 3, 4} e F = {1, 3, 4, 5, 6}
EF = {1, 3, 4}.
Formalmente, tem-se que EF = {: E e F }. O
complemento de um conjunto E, denotado por6 Ec, o conjunto de
todos os elementos que no estejam em E. Deste modo, segue-se
que
E Ec = .
Observe que EEc = . A diferena de dois conjuntos ou, mais
apropriadamente, a reduo de E por F, denotada por E F, o
conjunto de elementos em E que no esto em F, de modo que
E F = EFc.
O ou exclusivo de dois conjuntos, denotado por E F, o
conjunto de todos os elementos em E ou F mas no em ambos. Note
que
E F = (E - F) (F - E).
Dois eventos E, F so mutuamente exclusivos7 (ou
excludentes) se EF = ; ou seja, E e F no tm elementos em
comum.
As Figuras 1, 2, 3 e 4 ilustram as operaes com conjuntos
vistas acima por meio de diagramas de Venn.
6
7
O complemento de E tambm costuma ser denotado por E.

s vezes chamados de disjuntos.

Fiscal do ICMS-RJ
Figura 1: unio.
Figura 2: complementar.

Fiscal do ICMS-RJ
Figura 3: interseo e diferenas.
Figura 4: ou exclusivo.
Dado qualquer conjunto E, uma partio-n de E consiste em
uma sequncia de conjuntos Ei, i = 1, 2, ..., n, tal que Ei E,
n
i =1
Ei = E e Ei E j = para todo i j . A Fig. 5 ilustra o diagrama de

Fiscal do ICMS-RJ
Venn para uma partio-4 de um espao amostral em quatro eventos
E1, E2, E3 e E4 mutuamente exclusivos.
Figura 5: diagrama de Venn de quatro eventos mutuamente

exclusivos
1.3. Definio Axiomtica de Probabilidade
Seja um experimento aleatrio com espao amostral . Considere um
evento qualquer E. Define-se probabilidade como a funo P[.] que
atribui um nmero P[E] para o evento E do espao amostral
denominado probabilidade de E tal que
a) P[E] 0.
b) P[] = 1.
c) P[E F] = P[E] + P[F] se E F = .
As expresses (a), (b) e (c) so os axiomas da probabilidade.
Os axiomas acima implicam os seguintes resultados:
P[] = 0
e para qualquer evento E,
P[Ec] = 1 - P[E].
Por exemplo, se a probabilidade de um evento E for 0,4, ento
a probabilidade de Ec = 1 - 0,4 = 0,6.
10

Fiscal do ICMS-RJ
1.4. Probabilidades Conjunta e Condicional
Assuma que se queira realizar o seguinte experimento: estamos
numa certa cidade do Brasil e desejamos coletar dados sobre o
tempo local. Em particular estamos interessados em trs eventos, os
quais sero denominados A, B e C, onde
A o evento que representa uma temperatura igual ou maior a
20 C em qualquer dia;
B o evento que denota um ndice de precipitao maior ou
igual a 10mm em qualquer dia;
C o evento que representa a ocorrncia simultnea de A e B,
isto , C = AB (ou C = A B);
Como C um evento, P[C] uma probabilidade que satisfaz os
axiomas. Mas P[C] = P[AB]; neste caso, diz-se que P[AB] a
probabilidade conjunta dos eventos A e B.
Em muitas situaes prticas, o fenmeno aleatrio de
interesse pode ser desmembrado em duas etapas. A informao do
que ocorreu numa dada etapa pode influenciar as probabilidades de
ocorrncias das etapas seguintes.
Nestes casos, diz-se que ganhamos informao e que podemos
recalcular as probabilidades de interesse. Essas probabilidades
recalculadas so conhecidas como probabilidades condicionais.
A definio de probabilidade condicional ser motivada pelo exemplo
a seguir.
Exemplo. Considere os eventos A, B e C definidos acima. Seja ni o
nmero de dias em que o evento i ocorreu. Ao longo de 1000 dias (n
= 100), foram feitas as seguintes observaes: nA = 711, nB = 406,
nAB = 200. Pela interpretao da probabilidade em termos da noo
de freqncia relativa, podemos estimar que:
P[A] nA/n = 711/1.000 = 0,711
P[B] nB/n = 406/1.000 = 0,406
P[AB] nAB/n = 200/1.000 = 0,200
Agora considere a razo nAB/nA . Esta a freqncia relativa de
ocorrncia do evento AB quando o evento A ocorre. Dito de outra
forma, nAB/nA corresponde frao do tempo em que o ndice de
precipitao maior ou igual a 10mm naqueles dias em que a
11
F a b i o
L u i s
d e
S o u z a
C a r m o ,
C P F : 0 7 9 2 3 9 7 9 7 5 8

Fiscal do ICMS-RJ
temperatura igual ou maior a 20 C. Portanto, estamos lidando com
a freqncia de um evento, dado que (ou condicionado ao fato
de que) outro evento ocorreu. Note que
n AB n AB / n P[ AB ]
=
nA
nA / n
P[ A]
Este conceito emprico sugere que seja introduzido o conceito

de uma medida de probabilidade condicional definida por
P[ B / A] =
P[ AB]
,
P[ A]
P[ A] > 0
75
(3)
92
39
79
em que P[ B / A] denota a probabilidade de que B ocorra dado

que A ocorreu.
P[ B ] > 0
F:
P[ AB ]
,
P[ B ]
rm
o,
CP
P[ A / B ] =
(4)
07
Similarmente,
Ca
1.5. Independncia
So
uz
Os eventos A e B, pertencentes ao espao amostral , com P[A] > 0

e P[B] > 0, so independentes se e somente se
P[ AB ] = P[ A]P[ B ] .
is
de
(5)
(7)
P[ A / B ] = P[ A]
bi
Fa
(6)
Lu
Como P[ AB] = P[ B / A]P[ A] = P[ A / B ]P[ B] , segue-se que
P[ B / A] = P[ B ]
so vlidas quando A e B so eventos independentes.

A definio de independncia diz que, se A e B so
independentes, ento o resultado B no ter efeito sobre a
probabilidade de A e vice-versa.
1.6. Regras de Adio
Sejam os eventos A e B, pertencentes ao espao amostral . Ento
vale
12
O contedo deste curso de uso exclusivo de Fabio Luis de Souza Carmo, CPF:07923979758, vedada, por quaisquer
meios e a qualquer ttulo, a sua reproduo, cpia, divulgao e distribuio, sujeitando-se os infratores
responsabilizao civil e criminal.
F a b i o
L u i s
d e
S o u z a
C a r m o ,
C P F : 0 7 9 2 3 9 7 9 7 5 8

Fiscal do ICMS-RJ
P[ A B ] = P[ A] + P[ B ] P[ A B ] .
(8)
Se A e B so eventos mutuamente excludentes, ento

P[ A B ] = P[ A] + P[ B ] .
(9)
Sejam A, B e C eventos de um espao amostral . Neste caso, temos

que
(10) P[ A B C ] = P[ A] + P[ B ] + P[C ] P[ A B ] P[ A C ]
P[ B C ] + P[ A B C ] .
39
92
(11) P[ E1 E 2 ... E k ] = P[ E1 ] + P[ E2 ] + ... + P[ E k ] .
79
75
Para uma coleo de k eventos mutuamente excludentes,
F:
07
1.7. Regra da Multiplicao
Ca
rm
o,
CP
A definio (3) de probabilidade condicional pode ser reescrita para

fornecer uma expresso geral para a probabilidade conjunta de dois
eventos A e B, denominada regra da multiplicao, dada por
P[ AB] = P[ A / B ]P[ B ] = P[ B / A]P[ A] .
uz
(12)
So
1.8. Teorema da Probabilidade Total
Lu
is
de
Em muitas aplicaes, necessrio calcular a probabilidade no

condicional de um evento B em termos de uma soma de
probabilidades condicionais ponderadas.
Fa
bi
Sejam os eventos A e B de um espao amostral como na Fig.

6 a seguir. Como A e Ac so disjuntos, segue-se que A B e Ac B
sero mutuamente excludentes. Sendo assim, podemos escrever B
na forma
B = (A B) (Ac B).
A aplicao da regra da adio das probabilidades para o evento B
nos d
P(B) = P(A B) + P(Ac B),
e a aplicao da regra do produto na expresso acima nos d
(13)
P(B) = P(B/A) P(A) + P(B/Ac) P(Ac),

13
O contedo deste curso de uso exclusivo de Fabio Luis de Souza Carmo, CPF:07923979758, vedada, por quaisquer
meios e a qualquer ttulo, a sua reproduo, cpia, divulgao e distribuio, sujeitando-se os infratores
responsabilizao civil e criminal.

Fiscal do ICMS-RJ
conhecida como a regra da probabilidade total para dois eventos.
Figura 6: diviso do evento B em dois eventos mutuamente

exclusivos.
A expresso (13) pode ser generalizada para o caso de k

eventos mutuamente excludentes E1, E2, ..., Ek tal que E1 E2 ...
Ek = (os eventos Ei so ditos exaustivos porque cobrem todo o
espao amostral):
(14)
P ( B ) = P ( B E1 ) + P ( B E2 ) + ... + P ( B Ek ) =
= P ( B / E1 ) P ( E1 ) + P ( B / E2 ) P ( E2 ) + ... + P( B / Ek ) P ( Ek ).
A Eq. (14) nos d a probabilidade total (no condicional)

de B como uma soma das probabilidades condicionais P(B/Ei)
ponderadas, respectivamente, pelas probabilidades dos eventos
exaustivos P(Ei), i =1, 2, ..., k.
1.9. Teorema de Bayes
Aprendemos que
P( A / B) =
P ( A B)
.
P( B)
como
P[ A B ] = P ( B / A) P ( A)
temos que
14

Fiscal do ICMS-RJ
(15)
P( A / B) =
P ( B / A) P ( A)
P( B)
para P(B)>0.
A frmula (15) o Teorema de Bayes.

Em geral, se E1, E2, ..., Ek forem eventos mutuamente
exclusivos e exaustivos e B for qualquer evento, ento
(16)
P ( E1 / B ) =
P ( B / E1 ) P ( E1 )
.
P ( B / E1 ) P ( E1 ) + P ( B / E2 ) P ( E2 ) + ... + P ( B / E k ) P ( Ek )
Observe que o denominador de (16) a probabilidade total de B

ocorrer.
2.
Variveis Aleatrias
2.1. Definio de Varivel Aleatria

Uma quantidade X, associada a cada possvel resultado do espao
amostral, denominada varivel aleatria discreta se assume
valores num conjunto contvel ou enumervel8 (como o conjunto dos
nmeros inteiros ou o conjunto dos nmeros naturais ), com certa
probabilidade. Logo, uma varivel aleatria uma funo, e no
uma varivel propriamente dita. So exemplos de variveis
aleatrias discretas:
Nmero de coroas obtido no lanamento de duas moedas;
Nmero de itens defeituosos em uma amostra retirada,

aleatoriamente, de um lote;
Nmero de defeitos em um carro que sai de uma linha de

produo.
Considere o lanamento de duas moedas mencionado acima. O

espao amostral
= {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)},
e os valores que a varivel aleatria X (nmero de coroas) pode
assumir so
X = {0, 1, 2}.
8
Um conjunto enumervel quando possvel estabelecer uma correspondncia do tipo um para um

com o conjunto dos nmeros naturais. Isto quer dizer que possvel contar um conjunto enumervel.
15

Fiscal do ICMS-RJ
Observe que o valor x = 0 est associado ao resultado (cara, cara), o
valor x = 1 est associado aos resultados (cara, coroa) e (coroa,
cara) e o valor x = 2 est associado ao resultado (coroa, coroa).
Uma varivel aleatria contnua uma funo que associa
elementos do espao amostral ao conjunto dos nmeros reais
(conjunto no enumervel). Exemplos de variveis aleatrias
contnuas:
Tempo de resposta de um sistema computacional;
Volume de gua perdido por dia, num sistema de

abastecimento;
Resistncia ao desgaste de um tipo de ao, num teste

padro.
2.2. Funo Discreta de Probabilidade

A funo que atribui a cada valor de uma varivel aleatria discreta
sua probabilidade chamada de funo discreta de probabilidade
ou, simplesmente, funo de probabilidade
P[ X = xi ] = f ( xi )
(17)
i = 1,2,...
Uma funo de probabilidade satisfaz 0 f(xi) 1 e i f(xi) = 1.

As
variveis
aleatrias
discretas
so
completamente
caracterizadas pela sua funo de probabilidade.
Exemplo. Considere o lanamento de um dado no viciado. A
probabilidade de se obter um resultado de 1 a 6 igual a 1/6. O
espao amostral = {1, 2, 3, 4, 5, 6}. A Fig. 7 ilustra a funo de
probabilidade f(xi) =1/6, i = 1, 2, 3, 4, 5, 6, da varivel aleatria X.
f(x)
1/6
1/6
1/6
1/6
1/6
1/6
Figura 7: funo de probabilidade.

16

Fiscal do ICMS-RJ
2.3. Funo de Distribuio de Probabilidade
A funo de distribuio
ou funo acumulada de
probabilidade de uma varivel aleatria discreta X definida pela
expresso
(18)
F ( x) = P[ X x] .
A Fig. 8 mostra a funo de distribuio F(x) da varivel

aleatria do exemplo anterior.
F(x)
1
5/6
2/3
1/2
1/3
1/6
Figura 8: funo de distribuio de probabilidade.
2.4. Funes de Distribuio e de Densidade de Probabilidade

para Variveis Contnuas
Diz-se que f(x) uma funo contnua de probabilidade ou funo
densidade de probabilidade para uma varivel aleatria contnua
X, se satisfaz duas condies:
1. f(x) > 0 para todo x (-,);
2. a rea definida por f(x) igual a 1.
A condio 2 dada pela integral
17

Fiscal do ICMS-RJ
(19)
f ( x)dx = 1 .
Para calcular probabilidades, temos que, para a b

b
(20)
P[a X b] = f ( x)dx .
a
Observe que a probabilidade de ocorrncia de um dado valor

isolado k sempre nula, ou seja, P[x = k] = 0.
A funo de distribuio de uma varivel aleatria contnua X
tambm definida pela expresso (18), que pode ser posta na forma
x
(21)
F ( x) =
f ( ) d .
As Figuras 9 e 10 ilustram as funes densidade de

probabilidade e de distribuio de uma varivel aleatria normal (vide
definio na seo 5).
Figura 9: funo densidade de probabilidade normal.
18

Fiscal do ICMS-RJ
Figura 10: funo de distribuio normal.

2.5. Funes de Probabilidade Conjunta
possvel definir mais de uma varivel aleatria num mesmo espao
de probabilidade9. Por exemplo, considere o lanamento simultneo
de duas moedas no viciadas. Aqui a ordem do resultado no
importante de modo que os resultados elementares do experimento
aleatrio so 1 = CC (cara-cara), 2 = CK (cara-coroa) e 3 = KK
(coroa-coroa). Logo, o espao amostral = {CC, CK, KK}. Agora
vamos definir as variveis aleatrias: X 1 ( ) = 0 se pelo menos uma
das moedas der cara (C) ( X 1 ( ) = 1 para os demais casos) e X 2 ( ) = 1
se der uma cara e uma coroa (CK) ( X 2 ( ) = +1 para os demais casos).
Ento P[X1=0] = (porque P[CC] = e P[CK]= ), P[X1=1] = ,
P[X2=-1] = e P[X2=+1] = . Alm disso, note que a probabilidade
do evento conjunto P[X1=0, X2=+1] = P[CC] = .
9
Um espao amostral e uma medida de probabilidade P formam um espao de probabilidade . Na

verdade, esta definio incompleta; no obstante, est coerente com os conceitos ensinados nesta aula.
Para maiores detalhes sobre as sutilezas da teoria de probabilidade, recomendamos que voc consulte as
referncias (no agora que voc est na reta final para o ICMS-RJ, mas somente depois de passar!): A
Course in Probability Theory de Kai Lai Chung ou An Introduction to Probability Theory and Its
Applications de William Feller. Um dos autores deste curso (prof. Alexandre) considera que estes dois
livros so as bblias da teoria de probabilidade.
19

Fiscal do ICMS-RJ
O evento conjunto {X x, Y y} = {X x} {Y y} consiste
X
xe Y ( ) y (veja a Fig. 11).
em todos os resultados tais que (
(x, y)
Figura 11: a regio hachurada representa o evento conjunto.
A funo de distribuio conjunta de X e Y definida como

(22)
FXY ( x, y ) = P[ X x, Y y ] .
Se FXY ( x, y ) for contnua e diferencivel (logo X e Y s podem

ser variveis aleatrias contnuas!), a funo densidade de
probabilidade conjunta de X e Y pode ser a partir da expresso
(23)
2
f XY ( x, y ) =
[ FXY ( x, y )] .
xy
20

Fiscal do ICMS-RJ
A Fig. 12 mostra a funo densidade de probabilidade conjunta
normal. O volume total sob a superfcie da Fig. 12 igual a um,
haja vista que

XY
( x, y )dxdy = 1
(evento certo).
Figura 12: grfico da densidade conjunta normal.
A probabilidade do evento {X x, Y y} dada por

(24)
FXY ( x, y ) =
d d f XY ( , ) .
Sejam X e Y variveis aleatrias discretas. Ento a funo

discreta de probabilidade conjunta definida por
(25)
f XY ( xi , yk ) = P[ X = xi , Y = yk ] .
2.5.1. Funes de Probabilidade Marginal
21

Fiscal do ICMS-RJ
Dada uma funo densidade de probabilidade conjunta, pode-se
obter a funo densidade de probabilidade de cada uma das variveis
aleatrias individuais.
Sejam X e Y variveis aleatrias contnuas com densidade
conjunta fXY(x,y). Ento fX(x) e fY(y) so denominadas densidades
marginais de X e Y, respectivamente, se so obtidas de fXY(x,y) por
meio das expresses
f X ( x) =
(26)
XY
( x, y )dy
(27)
fY ( y) =
XY
( x, y )dx
Note que as funes de densidade de probabilidade marginal

fX(x) e fY(y) correspondem s funes de densidade de probabilidade
individuais de X e Y, respectivamente.
Podemos obter resultados similares para variveis aleatrias
discretas. Dada a funo discreta de probabilidade conjunta fXY(xi,yk),
as funes discretas de probabilidade marginal so dadas por
(28)
f X ( xi ) = f XY ( xi , yk )
k
(29)
f Y ( yk ) = f XY ( xi , yk )
i
2.5.2. Funes de Probabilidade Condicional

Sejam X e
probabilidade
probabilidade
fY/X(yk/xi) so
Y variveis aleatrias discretas com funo de

conjunta fXY(xi,yk). Ento as funes discretas de
condicional P[X=xi/Y=yk] = fX/Y(xi/yk) e P[Y=yk/ X=xi] =
definidas como
(30)
f X / Y ( xi / yk ) =
f XY ( xi , yk )
,
f Y ( yk )
fY ( yk ) 0
(31)
fY / X ( yk / xi ) =
f XY ( xi , yk )
,
f X ( xi )
f X ( xi ) 0
De (30) e (31) resulta que

(32)
f XY ( xi , yk ) = f X / Y ( xi / yk ) fY ( yk ) = fY / X ( yk / xi ) f X ( xi )
22

Fiscal do ICMS-RJ
Podemos definir as densidades condicionais associadas a
duas variveis aleatrias contnuas X e Y (com densidade
conjunta fXY(x,y) e densidades marginais fX(x) e fY(y)) de forma
anloga10. A densidade condicional de Y dado o resultado X = x
definida por
(33)
fY / X ( y / x) =
f XY ( x, y )
,
f X ( x)
f X ( x) 0
e a densidade condicional de X dado o resultado Y = y como

(34)
f X /Y ( x / y) =
f XY ( x, y )
,
fY ( y )
fY ( y ) 0 .
2.5.3. Variveis Aleatrias Independentes

Quando X e Y so variveis aleatrias independentes a funo
de probabilidade conjunta igual ao produto das funes
marginais de probabilidade, ou seja
(35)
f XY ( x, y ) = f X ( x) f Y ( y ) .
Podemos generalizar a frmula (35). Sejam X1, X2, ..., Xn

variveis aleatrias independentes com funo de probabilidade
conjunta f(x1, x2, ..., xn) e funes marginais de probabilidade f(x1),
f(x2), ..., f(xn). Ento vlida a expresso
(36)
f ( x1 , x2 ,..., xn ) = f ( x1 ) f ( x2 )... f ( xn ) .
Se X e Y so independentes, ento a densidade condicional de

X, dado que Y = y ,
(37)
f X / Y ( x / y) =
f XY ( x, y ) f X ( x) fY ( y )
=
= f X ( x) .
fY ( y )
fY ( y )
e a densidade condicional de Y, dado que X = x ,

10
Apesar de termos afirmado que possvel obter as densidades condicionais (33)

e (34) de forma anloga ao caso anterior (que envolvia variveis aleatrias
discretas), observe-se que (33) e (34) so obtidas a partir da definio de
probabilidade condicional (vide alguma das referncias bibliogrficas deste curso
indicadas na Aula 0 ou um bom livro de teoria da probabilidade como o de Kai
Lai Chung!).
23

Fiscal do ICMS-RJ
(38)
3.
fY / X ( y / x ) =
f XY ( x, y ) f X ( x) fY ( y )
=
= fY ( y ) .
f X ( x)
f X ( x)
Valores
Esperados
Varivel Aleatria
Envolvendo
Uma
nica
J dissemos que uma varivel aleatria completamente

caracterizada (ou especificada) pela sua funo de
probabilidade. Isto quer dizer que temos toda a informao acerca
de X quando sabemos quem fX(x) (isto , quando conhecemos a
frmula de fX(x)). Na prtica, bastante comum no conhecermos
fX(x). Neste caso, como faramos para caracterizar X?
O fato que normalmente temos acesso a diversas
observaes de uma varivel aleatria e podemos nos aproveitar
deste fato para tentar obter uma descrio, ainda que parcial, da
mesma. Uma maneira alternativa de caracterizar uma varivel
aleatria envolveria a obteno de estimativas de alguns de seus
momentos ou mdias estatsticas. Na prtica, os momentos
mais importantes so a mdia (momento de 1 ordem) e a
varincia (momento de 2 ordem). A mdia uma medida de
posio de fX(x), ao passo que a varincia uma medida de
disperso (ou do grau de variabilidade) de fX(x).
3.1. Mdia
A mdia (tambm conhecida como valor esperado ou esperana)
uma medida de posio de uma funo de probabilidade,
servindo para localizar a funo sobre o eixo de variao da varivel
em questo. Em particular, a mdia caracteriza o centro de uma
funo de probabilidade11. A mdia uma caracterstica
numrica de uma funo de probabilidade.
Se X for uma varivel aleatria discreta que pode tomar os
valores x1, x2, ..., xn com probabilidades f(x1), f(x2), ..., f(xn), ento a
mdia de X definida por
n
(39) E[ X ] = x1 f ( x1 ) + x2 f ( x 2) + ... + xn f ( xn ) = xi f ( xi ) .
i =1
em que E denota o operador esperana matemtica.

11
A mediana e a moda tambm so medidas de posio. A mediana tambm procura caracterizar o

centro de uma funo de probabilidade, s que usando um critrio diferente. A mediana calculada com
base na ordem dos valores de uma varivel aleatria. A moda (ou modas) corresponde ao valor (ou
valores) de mxima probabilidade.
24

Fiscal do ICMS-RJ
Se a varivel aleatria discreta X puder tomar um nmero
infinito de valores, ento (39) pode ser generalizada na forma
(40) E[ X ] = x1 f ( x1 ) + x2 f ( x 2) + ... + xn f ( xn ) + ... = xi f ( xi ) .
i
O valor esperado de uma varivel aleatria contnua X com

densidade de probabilidade fX(x) dada pela integral
(41) E[ X ] = xf ( x)dx .
3.2. Valor Esperado de Uma Funo de Varivel Aleatria

Seja X uma varivel aleatria discreta com funo de probabilidade
fX(xi) e g(X) uma funo de X. Ento o valor esperado de g(X)
(42) E[ g ( X )] = g ( xi ) f X ( xi ) .
i
Caso X seja uma varivel aleatria contnua com densidade de

probabilidade fX(x), o valor esperado de g(X) dado por
(43) E[ g ( X )] =
g ( x) f
( x)dx .
Se g ( X ) = g1 ( X ) + g 2 ( X ) , em que g1(X) e g2(X) tambm so

funes de X, ento vale
(44) E[ g ( X )] = E[ g1 ( X )] + E[ g 2 ( X )] .
Relacionamos abaixo algumas propriedades importantes da
esperana matemtica E(.). Sejam a e c valores constantes e X
uma varivel aleatria (tanto faz se contnua ou discreta), ento
valem:
1. E[c] = c ;
2. E[cX ] = cE[ X ] ;
3. E[a + cX ] = a + cE[ X ] .
Note-se que tambm usual denotar a mdia de X usando o
smbolo X ou a letra grega .
25

Fiscal do ICMS-RJ
3.3. Varincia
Sejam X uma varivel aleatria (discreta ou contnua) e
g ( X ) = [ X X ]2 uma funo de X. Define-se a varincia de X
(denotada por var(X) ou 2) como o valor esperado E[g(X)] dado por
(45) var( X ) = X2 = E[ g ( X )] = E[ X X ]2 = E[ X 2 2 XX + X 2 ] = E[ X 2 ] [ X ]2
Sejam a e c constantes e Z = a + cX. No difcil
demonstrar que vale a propriedade
(46) var(a + cX ) = c 2 var( X ) .
A raiz quadrada da varincia chamada de desvio-padro
ou erro-padro, sendo denotada pelo smbolo .
4.
Anlise Combinatria
Antes de prosseguirmos com o nosso estudo, apresentaremos

algumas frmulas que so importantes para o estudo das
probabilidades.
Uma coleo de n elementos constitui uma populao de
tamanho n (a ordem dos n elementos no importa). Duas
populaes so diferentes se uma contm pelo menos um elemento
no contido na outra. Uma subpopulao de tamanho r de uma
populao de tamanho n um subconjunto de r elementos tomados
da populao original. De forma anloga, duas subpopulaes so
diferentes se uma tem pelo menos um elemento diferente da outra.
Seja uma populao de n elementos s1 , s2 ,..., sn . Qualquer arranjo
ordenado
sk1 , sk2 ,..., skr
denominado
uma
amostra
ordenada
(arranjo ordenado) de tamanho r.

Considere uma urna genrica contendo n bolas numeradas
distintas. As bolas so removidas uma a uma. Quantas amostras
ordenadas distintas de tamanho r podem ser formadas? H
dois casos:
(i)
Amostragem com reposio. Neste caso, temos n

escolhas para a primeira bola, n escolhas para a segunda
bola, e assim sucessivamente. Deste modo, h nr amostras
ordenadas distintas de tamanho r.
26

Fiscal do ICMS-RJ
(ii) Amostragem sem reposio. Neste caso, temos n
escolhas para a primeira bola, (n-1) escolhas para a
segunda bola, e assim sucessivamente. Deste modo, h
(47)
(n) r = n(n 1)(n 2)...(n r + 1) =
n!
(n r )!
amostras ordenadas distintas de tamanho r.

Na literatura de anlise combinatria, o nmero de arranjos
ordenados distintos de tamanho r para o caso da amostragem sem
reposio de uma populao de tamanho n s vezes apresentado
como sendo a permutao de n elementos, tomados r de cada
vez. Em particular, o nmero de permutaes de n elementos,
tomados n de cada vez
n(n-1)(n-2) ... 1 = n!
Exemplo: o nmero de permutaes das letras a, b e c, tomadas
3!
3 2 1
=
= 6 . So: ab, ba, ac, ca, bc,
duas de cada vez, (n) r =
(3 2)!
1
cb. Observe que uma permutao leva em considerao a
ordem de sua disposio.
Um problema bsico em probabilidade o seguinte: quantas
subpopulaes (grupos) de tamanho r podem ser formadas a
partir de uma populao de tamanho n? Por exemplo, considere
6 bolas numeradas de 1 a 6. Quantos grupos de tamanho 2 podem
ser formados? A tabela abaixo mostra que 15 grupos de tamanho 2
podem ser formados:
12
13
14
15
16
23
24
25
26
34
35
36
45
46
56
Note que isto diferente do nmero de amostras ordenadas

que podem ser formadas sem reposio. Estas so (6 x 5 = 30)
12
13
14
15
16
21
23
24
25
26
31
32
34
35
36
41
42
43
45
46
51
52
53
54
56
61
62
63
64
65
A tabela acima, por sua vez, diferente do nmero de

amostras que podem ser formadas com reposio (62 = 36):
27

Fiscal do ICMS-RJ
11
12
13
14
15
16
21
22
23
24
25
26
31
32
33
34
35
36
41
42
43
44
45
46
51
52
53
54
55
56
61
62
63
64
65
66
Uma frmula geral para o nmero Crn de subpopulaes (ou

combinaes) de tamanho r em uma populao de tamanho n
pode ser deduzida como a seguir. Considere uma urna com n bolas
distintas. Ns j sabemos que o nmero de permutaes de n
elementos, tomados r de cada vez, (n) r . Agora considere uma
subpopulao especfica de tamanho r. Para esta subpopulao, h r!
arranjos
distintos.
Desta
forma,
para
C rn
combinaes
n
(subpopulaes) devem existir Cr .r! diferentes amostras ordenadas
de tamanho r. Portanto,
(48) Crn .r! = (n) r
ou
(49) Crn =
n
n!
( n) r
=
=
r!
(n r )! r! r
A Eq. (49) define o coeficiente binomial.

Exemplo: o nmero de combinaes das letras a, b e c, tomadas
3!
6
duas de cada vez, C23 =
=
= 3 . So: ab, ac, bc. Note que
(3 2)!2! 1 2
ab a mesma combinao de ba, mas no a mesma permutao.
Um resultado que pode ser visto como uma extenso do
coeficiente binomial dado a seguir.
Seja r1 , r2 ,..., rk um conjunto de inteiros no negativos tais que
r1 + r2 + ... + rk = n . Ento o nmero de maneiras em que uma populao
de n elementos pode ser particionada em k subpopulaes, em que a

primeira subpopulao tem r1 elementos, a segunda subpopulao
tem r2 elementos, e assim sucessivamente
(50)
n!
.
r1! r2 !...rk !
28

Fiscal do ICMS-RJ
A Eq. (50) define o coeficiente multinomial.
Exemplo: temos cinco bolas numeradas distintas (1, 2, 3, 4, 5) e
queremos saber quantas subpopulaes podem ser formadas com
trs bolas no primeiro grupo e duas no segundo grupo. Aqui n = 5, r1
= 3 e r2 = 2, e r1 + r2 = 5. A resposta 5!/(3!2!)=10 e as parties
so:
Grupo 1:
Grupo 2:
1,2,3
4,5
2,3,4
5,1
3,4,5
1,2
4,5,1
2,3
5,1,2
3,4
2,4,5
1,3
2,3,5
1,4
1,3,5
2,4
1,3,4
2,5
1,2,4
3,5
Note que a ordem da subpopulao essencial no sentido de que (r1

= 3 e r2 = 2) e (r1 = 2 e r2 = 3) representam parties diferentes.
Entretanto, a ordem dentro de cada grupo no importa. Com (r1 = 2
e r2 = 3) obtemos a partio:
Grupo 1:
Grupo 2:
4,5
1,2,3
5,1
2,3,4
1,2
3,4,5
2,3
4,5,1
3,4
5,1,2
1,3
2,4,5
1,4
2,3,5
2,4
1,3,5
2,5
1,3,4
3,5
1,2,4
A partio (4,5), (1,2,3) , contudo, idntica partio (5,4), (2,1,3).

Os coeficientes binomial e multinomial aparecem nas leis de
probabilidade binomial e multinomial que sero discutidas na prxima
seo.
5.
Distribuies de Probabilidade
Daqui para frente, usaremos o termo distribuio como sendo

sinnimo de funo de probabilidade, o que usual na literatura da
rea.
5.1. Distribuies Discretas
5.1.1. Distribuio Binomial
Considere os
aleatrias:
seguintes
experimentos
aleatrios
variveis
1. Jogue uma moeda 50 vezes. Seja X = nmero de caras

obtidas.
2. Nos prximos 30 nascimentos em uma maternidade, seja X
= nmero de nascimentos de meninos.
Cada um desses experimentos aleatrios pode ser pensado
como consistindo em uma srie de tentativas aleatrias e repetidas:
50 arremessos de moedas no experimento (1) e 30 nascimentos de
29

Fiscal do ICMS-RJ
bebs no experimento (2). A varivel aleatria em cada caso uma
contagem do nmero de tentativas que satisfazem um determinado
critrio. O resultado de cada tentativa satisfaz ou no o critrio que X
conta; por conseguinte, cada tentativa pode ser sumarizada como
resultando em um sucesso ou um fracasso (falha ou insucesso),
respectivamente. Por exemplo, sucesso, no experimento (1), a
obteno de cara no lanamento da moeda. No experimento (2), o
nascimento de uma menina um fracasso.
Uma tentativa com somente dois resultados possveis
denominada tentativa de Bernoulli. Considera-se que as tentativas
que constituem o experimento aleatrio sejam independentes. Ou
seja, o resultado de uma tentativa no tem efeito sobre o resultado
da tentativa seguinte. Alm disso, admitimos que a probabilidade
de um sucesso em cada tentativa seja constante.
Definio:
Um experimento aleatrio, consistindo em n repetidas tentativas, de
modo que
(1) as tentativas sejam independentes,
(2) cada tentativa resulte em somente dois resultados possveis,
designados por sucesso e fracasso,
(3) a probabilidade de um sucesso em cada tentativa seja p
chamado de experimento de Bernoulli (ou Binomial). A
varivel aleatria X, que conta o nmero de sucessos em n
tentativas, tem distribuio binomial (ou de Bernoulli) com
parmetros p e n. A funo de probabilidade de X (distribuio
binomial)
(51)
n
f ( x) = p x (1 p ) n x ,
x
x = 0,1,2,..., n
comum substituir (1-p) por q em (51):

(52)
n
f ( x) = p x q n x ,
x
x = 0,1,2,..., n
Exemplo. A probabilidade de obter exatamente 2 caras em 6

lanamentos de uma moeda no viciada (n=6, p=0,5)
30

Fiscal do ICMS-RJ
6
6 5 4 3 2 1
P ( X = 2) = f ( x = 2) = 0,5 2 0,5 4 =
0,25 0,625 = 0,2344 .
(4 3 2 1) (2 1)
2
Exemplo. A probabilidade de obter pelo menos 5 caras em 6 lances
de uma moeda no viciada
P(X=5 ou X=6) =
6
6
= f (5) + f (6) = 0,55 0,5 + 0,56 0,50 = 0,0938 + 0,0156 = 0,1094.
5
6
A Tabela a seguir fornece a mdia, a varincia e o desvio
padro da Distribuio Binomial.
Tabela: Caracterizao da Binomial
Mdia
Varincia
= np
2 = npq
Desvio Padro
= npq
5.1.2. Distribuio Multinomial

A Lei de probabilidade Multinomial uma generalizao da Lei
Binomial (51). A Lei Binomial baseada na noo de tentativa de
Bernoulli, em que somente dois resultados elementares so possveis
(ou seja, uma tentativa de Bernoulli binria). A Lei Multinomial
baseada em uma tentativa generalizada de Bernoulli em que k
resultados elementares so possveis. Ento, considere um
experimento aleatrio que consiste de uma nica tentativa com k
resultados elementares possveis 1 , 2 ,..., k . Seja a probabilidade do
resultado i dada por pi (i=1,2,...,k). Ento
(53)
pi 0,
=1.
i =1
Definio:
Considere uma tentativa generalizada de Bernoulli com resultados
1 , 2 ,..., k e seja a probabilidade de observar i dada por pi ,
i=1,2,...,k, em que pi 0 e
= 1 . A probabilidade de que em n
i =1
tentativas 1 ocorra
sucessivamente,
x1
vezes,
ocorra
x2
vezes, e assim
31
(54)

Fiscal do ICMS-RJ
n!
f ( x) =
p1x1 p2x2 ... pkxk
x1! x2 !...xk !
em que x o vetor de variveis x = [ x1 , x2 ,..., xk ] .

Exemplo. Das ligaes feitas para o nmero 190 no Estado de So
Paulo, 60% solicitam o socorro da polcia, 25% requisitam uma
ambulncia e 15% reportam a ocorrncia de crimes. Qual a
probabilidade de que, nas prximas dez chamadas, seis chamem a
polcia, trs solicitem uma ambulncia e uma denuncie a ocorrncia
de um crime?
Dados: n = 10, x = [6,3,1] , p1=0,6, p2=0,25 e p3=0,15. Ento
f ( x) =
10!
(0,6) 6 (0,25)3 (0,15)1 0,092.
6!3!1!
5.1.3. Distribuio de Poisson

A distribuio de Poisson com parmetro a (a > 0) dada por
(55)
f ( x) = e a
ax
x!
x = 0,1,2,3... .

padro da Distribuio de Poisson.
Tabela: Caracterizao da Poisson
Mdia
Varincia
Desvio Padro
=a
2 =a
= a
Com a = em (55), em que o nmero mdio de eventos

por unidade da grandeza e o tamanho do intervalo (t, t+),
a probabilidade de ocorrerem x eventos em
(56)
f ( x) = e
( ) x
,
x!
0, x = 0,1,2,3... .
A Eq. (56) caracteriza o processo de contagem de Poisson, o qual

tem larga aplicao na fsica e na engenharia, dentre outras reas do
conhecimento.
32

Fiscal do ICMS-RJ
Neste ponto, estamos prontos para apresentar a definio
formal da Lei ou Distribuio de Poisson, o que ser feito a seguir.
Definio:
Seja a contagem do nmero de ocorrncias de eventos no intervalo
(t, t+) da reta real. Se o intervalo puder ser dividido em
subintervalos suficientemente pequenos tal que
(1) a probabilidade de mais de uma contagem em um subintervalo
seja zero,
(2) a probabilidade de uma contagem em um subintervalo seja a
mesma para todos os subintervalos e proporcional ao comprimento
do subintervalo e
(3) a contagem em cada subintervalo seja independente de outros
subintervalos,
ento esse experimento aleatrio ser designado por processo de
Poisson12. Se o nmero mdio de contagens no intervalo for a > 0, a
varivel aleatria X, que representa o nmero de contagens no
intervalo, ter uma distribuio de Poisson, com parmetro a,
dada por (55).
Exemplo. Suponha que o nmero de falhas em um fio delgado de
cobre siga a distribuio de Poisson, com uma mdia de 2,3 falhas
por milmetro. Calcule a probabilidade de existirem exatamente 2
falhas em 1 milmetro de fio.
Dados: a = = 2,3 falhas/mm; = 1 .
2,32
P ( X = 2) = f ( 2) = e 2 , 3
= 0,2652.
2!
Exemplo. Considerando os dados do exemplo anterior, determine a
probabilidade de ocorrerem 10 falhas em 5 milmetros de fio.
= 2,3 falhas/mm; = 5mm = a = 11,5 falhas.

P ( X = 10) = e 11,5
11,510
= 0,1129.
10!
Comportamento Assinttico da Lei Binomial: Lei de Poisson
De forma geral, a grandeza t do intervalo (t, t+) pode representar tempo, volume, distncia, etc. Ou
seja, o processo de Poisson no necessariamente um processo de contagem no tempo.
12
33

Fiscal do ICMS-RJ
Suponha n >> 1 (isto , que n seja grande), p << 1 (probabilidade
de sucesso prxima de zero), mas de tal forma que np permanea
constante, digamos np = a, na distribuio binomial (51). Portanto,
n x
1 a
p (1 p) n x a x 1
x! n
x
n x
em que n(n 1)...(n k + 1) n k . No limite, para n , p 0 (admitindose k << n), obtemos

1 x a
a 1
x! n
n x
a x a
e .
x!
Este resultado mostra que a distribuio Binomial pode ser

aproximada pela Distribuio de Poisson quando n >> 1, p <<
1, np=a.
Exemplo. Dez por cento das peas produzidas por um determinado
processo de fabricao so defeituosas. Qual a probabilidade de,
em uma amostra de 10 peas escolhidas ao acaso, exatamente duas
serem defeituosas?
Probabilidade de uma pea ser defeituosa = p = 0,1
Clculo pela Binomial
10
10! 2 8
0,1 0,9 = 0,1937.
P ( X = 2) = f (2) = 0,120,98 =
8!2!
2
Clculo por Poisson

Dados: n = 10 >> 1; p = 0,1 << 1; np = a = 1
12 1
1
P( X = 2) = f (2) = e 1 =
0,1840. Em geral, a aproximao

2! 2e 2,718
boa quando p 0,1 e a = np 5.
5.1.4. Distribuio Geomtrica
Considere uma srie de tentativas de Bernoulli, com probabilidade
constante p de sucesso. Seja X a varivel aleatria que
representa o nmero de tentativas at que o primeiro sucesso
ocorra. Ento X tem uma distribuio geomtrica, com parmetro
p, dada por
34

Fiscal do ICMS-RJ
(57)
f ( x) = (1 p ) x1 p,
x = 1,2,... .
Exemplo. A probabilidade de um produto apresentar defeito 0,01.

Qual ser a probabilidade de que exatamente 125 produtos sejam
fabricados at que algum apresente defeito? (Considere que os
produtos sejam independentes)
P(X = 125) a probabilidade de que os primeiros 124 produtos
fabricados estejam perfeitos e de que o 125 produto apresente
defeito.
P(X = 125) = 0,99124 x 0,01 = 0,0029.

padro da Distribuio Geomtrica.
Tabela: Caracterizao da Distribuio Geomtrica
= 1/ p
Mdia
Varincia
= (1 p ) / p 2
Desvio Padro
= (1 p) / p
5.1.5. Distribuio Binomial Negativa

Considere uma srie de tentativas de Bernoulli, com probabilidade
constante p de sucesso. Seja X o nmero de tentativas at que r
sucessos ocorram. Ento X tem uma distribuio binomial
negativa, com parmetros p e r, dada por
(58)
x 1
(1 p ) x r p r ,
f ( x) =
r 1
x = r , r + 1, r + 2,... .

padro da Distribuio Binomial Negativa.
Tabela: Caracterizao da Distribuio Binomial Negativa
=r/ p
Mdia
Varincia
2 = r (1 p ) / p 2
Desvio Padro
= r (1 p) / p
35

Fiscal do ICMS-RJ
Exemplo. O sistema de navegao inercial de um submarino nuclear
da classe Rio de Janeiro redundante, sendo composto por dois
computadores idnticos. Somente um deles usado na navegao. O
outro um sobressalente que ativado quando o computador
principal falha. Durante uma hora de operao, a probabilidade de
uma falha no computador (no importa se o computador o principal
ou o sobressalente) de 5 x 10-7. Supondo que cada hora represente
uma tentativa independente, qual ser o tempo mdio para a falha
dos dois computadores de bordo?
Seja X o nmero de horas at que os dois computadores falhem e
sejam X1 e X2 (X = X1 + X2) os nmeros de horas de operao antes
de uma falha no primeiro e no segundo computador,
respectivamente. Observe que o computador sobressalente no
afetado pela quantidade de horas decorridas antes dele ser ativado.
Deste modo, X tem distribuio binomial negativa com p = 5 x 10-7 e
r = 2.
E ( X ) = = 2 /(5 107 ) = 4 106 (4 milhes de horas!).
5.1.6. Distribuio Hipergeomtrica

Um conjunto com N elementos contm
S elementos classificados como sucessos e
(N S) = F elementos classificados como fracassos.
Uma amostra de n elementos selecionada aleatoriamente (sem
reposio) a partir dos N elementos, em que S N e n N. Seja X
o nmero de sucessos na amostra. Ento X tem uma
distribuio hipergeomtrica, dada por
(59)
S F

x n x
f ( x) =
,
N

n
x = max{0, n F } a min{S , n} .
A expresso min{S , n} usada na definio da faixa de (59) porque o

nmero mximo de sucessos que pode ocorrer igual ao mnimo
entre o tamanho da amostra (n) e o nmero de sucessos disponveis
(S). Por outro lado, se n > F, no mnimo (n F) sucessos tm de
ocorrer na amostra e isto explica o uso da expresso max{0, n F }
como o extremo inferior da faixa de (59).
36

Fiscal do ICMS-RJ
padro da Distribuio Hipergeomtrica.
Tabela: Caracterizao da Distribuio Hipergeomtrica (*)
= np
Mdia
Varincia
N n
N 1
2 = np (1 p )
Desvio Padro
N n
N 1
= np(1 p)
(*) p = S/N.
Exemplo. Um lote de peas contm 200 peas de um fornecedor
nacional e 100 peas de um fornecedor chins. Se cinco peas so
selecionadas ao acaso, qual ser a probabilidade de que elas sejam
todas provenientes do fornecedor nacional?
Seja X o nmero de peas do fornecedor nacional na amostra (=
nmero de sucessos na amostra). Ento X tem distribuio
hipergeomtrica.
Dados: S = 200; F = 100; N = 300; n = 5 e x = 5.

200 100
5 0
= 0,1295.
P ( X = 5) = f (5) =
300
5.2. Distribuies Contnuas

5.2.1. Distribuio Uniforme
Uma varivel aleatria contnua X com uma funo densidade de
probabilidade
(60)
f ( x) =
1
,
ba
a xb
tem distribuio uniforme.
37

Fiscal do ICMS-RJ
f(x)
1/(b-a)
Figura 13: distribuio uniforme.
A mdia de uma varivel aleatria uniforme

b
(61) E ( X ) =
0,5 x 2
x
a +b
dx =
=
.
ba
b
a
2
A varincia de X
b
a+b
2

x
b
1
(b a ) 2
2
a + b
(62) var( X ) =
=
.
x
dx =
3(b a )
ba
12
2
a
Exemplo. Uma varivel aleatria contnua X representa a corrente

medida em um fio delgado de cobre em miliampres. Assuma que a
faixa de X seja [0, 40 mA]. Qual a probabilidade da medida da
corrente estar entre 10 e 20 mA?
f ( x) =
1
1
=
= 0,025
b a 40
20
P(10 X 20) = 0,025dx = 0,025 [x]10 =0,025 (20 10) = 0,25.

20
10
A Tabela a seguir sumariza a mdia, a varincia e o desvio

padro da Distribuio Uniforme X para a x b .
38

Fiscal do ICMS-RJ
Tabela: Caracterizao da Distribuio Uniforme
a+b
2
(b a ) 2
2 =
12
(b a )
=
12
Mdia
Varincia
Desvio Padro
5.2.2. Distribuio Exponencial

A varivel aleatria contnua X, que igual distncia entre
contagens sucessivas de um processo de Poisson, com mdia a > 0,
tem uma distribuio exponencial com parmetro a. A funo
densidade de probabilidade de X
(63)
f ( x) = ae ax ,
0 x<.

padro da Distribuio Exponencial.
Tabela: Caracterizao da Distribuio Exponencial
Mdia
1
a
1
2 = 2
a
1
=
a
Varincia
Desvio Padro
5.2.3. Distribuio Gama

A definio de uma varivel aleatria gama envolve a funo
gama, dada por
(64) (r ) = x r 1e x dx ,
r > 0.
Esta funo consiste na generalizao da noo de fatorial, pois, se r

inteiro, (r ) = (r 1)! .
39

Fiscal do ICMS-RJ
A varivel aleatria X, com funo densidade de probabilidade
(65)
f ( x) =
r x r 1e x
( r )
x >0.
tem uma distribuio gama com parmetros > 0 e r > 0 .

padro da Distribuio Gama.
Tabela: Caracterizao da Distribuio Gama
Mdia
Varincia
2 =
Desvio Padro
2
r
5.2.4. Distribuio Normal

Uma varivel aleatria tem distribuio normal13 com parmetros
e 2 se sua funo densidade dada por
(66)
1
f ( x) =
e
2
( x )2
2 2
< x < .
Neste curso, usaremos a notao X N(, 2) para indicar que

X tem distribuio normal com parmetros e 2.
A Fig. 9 ilustra algumas propriedades da distribuio normal (a
da Fig. 9 tem = 0 e 2=1, sendo neste caso denominada normal
padro ou padronizada):
1. f(x) simtrica em relao a ;
2. f(x) tende a zero quando x ;
3. o valor mximo de f(x) se d em x = .
Demonstra-se que os parmetros e 2 denotam a mdia e
a varincia da distribuio normal, respectivamente.
13
Tambm denominada Gaussiana pelos engenheiros.
40

Fiscal do ICMS-RJ
Considere X N(, 2) e seja a nova varivel Z = (X - )/.
Pode-se verificar facilmente (vide [MAG08] ou [NET02]) que Z tem
distribuio normal do tipo Z N(0, 1), sendo por isso denominada
normal padro ou normal reduzida (esta distribuio ser muito
usada neste curso).
Alguns resultados teis, relativos distribuio normal, so
sumarizados a seguir. Para qualquer varivel aleatria normal,
P( - < X < + ) = 0,6827
P( - 2 < X < + 2) = 0,9545
P( - 3 < X < + 3) = 0,9973
Da simetria de f(x), P(X > ) = P(X < ) = 0,5. Pelo fato de

mais de 99,7% da probabilidade de uma distribuio normal estar
dentro do intervalo ( - 3, + 3), 6 frequentemente referida
como a largura de uma distribuio normal.
A funo de distribuio acumulada de uma varivel aleatria
normal padro usualmente denotada por
(z) = P(Z z).
Disponibilizamos ao final desta aula a Tabela 1 distribuio

normal padro. D uma olhada!
Exemplo. Seja a varivel aleatria normal padro Z e a Tabela 1
distribuio normal padro.
41

Fiscal do ICMS-RJ
(1) P(Z>1,26) = 1 - (1,26) = 1 (0,5 + 0,3962) = 1 0,8962 =
0,1038.
(2) P(Z<-0,86) = 0,5 - P(0<Z<0,86) = 0,5 0,3051 = 0,1949.
(3) P(-1,25<Z<0,37) = P(0<Z<1,25) + P(0<Z<0,37) = 0,3944 +
0,1443 = 0,5387. Forma alternativa de clculo: P(-1,25<Z<0,37) =
(0,37) - (-1,25) = (0,5 + 0,1443) (0,5 0,3944) = 0,6443
0,1056 = 0,5387.
O fato de erros experimentais serem bem modelados pela
distribuio normal um dos motivos de sua grande popularidade.
Alm disso, a distribuio da soma de um grande nmero de
observaes independentes e identicamente distribudas
tende para a distribuio normal (Teorema Central do
Limite14).
Propriedade da Distribuio Normal: se X1, X2, ..., Xn forem
variveis aleatrias normais e independentes, com E(Xi) = i e
Var(Xi) = 2i para i =1, 2, ..., n, ento
Y = c1X1 + c2X2 + ... + cnXn
ser uma varivel aleatria normal com
E(Y) = c11 + c22 + ... + cnn
e
Var(Y) = c12 X1 + c22 X2 + ... + cn2 Xn.
Aproximao da Binomial pela Normal
Seja a Distribuio Binomial (51). Se n grande e se p e q no esto
muito prximos de zero, ento a distribuio binomial bem
aproximada por uma distribuio normal padro em que a varivel
transformada dada por
Z=
X np
.
npq
Na prtica, a aproximao muito boa se np e nq forem

maiores que 5. No limite, temos que
14
Este teorema ser apresentado de forma mais detalhada em aula posterior.
42

Fiscal do ICMS-RJ
X np
lim P a
b =
n
npq
2
1
e u / 2 du .
2 a
A relao acima nos diz que a varivel aleatria padronizada

X np
Z=
assintoticamente normal.
npq
5.2.5. Distribuio Qui-quadrado
A distribuio qui-quadrado com parmetro n (inteiro maior que
zero) de uma varivel aleatria X definida pelo modelo contnuo
(67)
f X n ( x) = K x
em que K =
n/ 2
n2
x/ 2
2
para x 0 ( f X n (x) = 0 para x < 0)
1
e (.) a funo gama.
(n/ 2)
No se assuste com a frmula (67). Voc no precisa decorar

essa expresso porque ela no cair na prova. Ns a colocamos na
aula para que voc saiba que a distribuio qui-quadrado possui uma
expresso analtica. Na prova, ser dada a Tabela de valores da quiquadrado, caso haja alguma questo que envolva o uso dessa
distribuio.
A Eq. (67) define a famlia das distribuies qui-quadrado com
n graus de liberdade , usualmente representada por n2 . A
varincia de uma amostra de n valores de uma varivel aleatria
X pode ser calculada atravs da expresso
n
(x x)
(68) s ( x) =
2
i =1
n 1
em que x a mdia amostral de X definida por

(69) x =
x1 + x2 + ... + xn
.
n
A mdia e a varincia amostrais so variveis aleatrias.

As expresses (68) e (69) so estatsticas ou estimadores15 dos
15
Combinao dos elementos da amostra, construda com a finalidade de representar ou estimar um

parmetro de interesse na populao, denominamos estimador ou estatstica. Aos valores numricos
43

Fiscal do ICMS-RJ
parmetros X e X2 . A estatstica x possui n graus de liberdade
porque o seu clculo envolve n valores xi livres. J a estatstica s 2 ( x)
definida por (69) tem um grau de liberdade a menos, pois usa x
(estimativa) ao invs da mdia X (parmetro da varivel aleatria).
Isso acontece porque o clculo de s 2 ( x) pressupe que anteriormente
j se tenha calculado x , para o que usamos j uma vez todos os
valores da amostra, os quais estariam sendo usados pela segunda
vez para o clculo de s 2 ( x) . No momento de usarmos novamente os
valores da amostra para o clculo de s 2 ( x) , esses valores tm apenas
n 1 graus de liberdade, pois, dados quaisquer n 1 deles, o valor
restante estar perfeitamente determinado, pelo fato de j
conhecermos sua mdia amostral x [NET02].
A Fig. 14 ilustra grficos da distribuio qui-quadrado com n =
1, 3, 6 e 10 graus de liberdade.
assumidos pelos estimadores denominamos estimativas pontuais ou simplesmente estimativas. Grosso

modo, estimadores seriam as frmulas e estimativas seriam os resultados das frmulas para valores
especficos.
44

Fiscal do ICMS-RJ
Figura 14: grficos da distribuio qui-quadrado.
Tambm disponibilizamos ao final desta aula a Tabela 2 da

distribuio Qui-quadrado. Confira!
5.2.6. Distribuio t-Student
A distribuio t-Student com n graus de liberdade dada por
(70)
x2
f X ( x) = K st 1 +
n
em que K st =
n +1
[(n + 1) / 2]
.
(n/ 2) n
45

Fiscal do ICMS-RJ
Na prova, tambm dever ser dada a Tabela de valores da
distribuio t-Student caso haja alguma questo que envolva o uso
dessa distribuio. A Fig. 15 mostra os grficos da distribuio tStudent para n=3, n=6, n=10 e n=20. Note que o formato dessa
distribuio se aproxima da normal conforme aumenta o nmero de
graus de liberdade.
Figura 15: grficos da distribuio t-Student.
5.2.7. Distribuio F de Snedecor

Define-se a varivel F com n1 graus de liberdade no numerador e n2
graus de liberdade no denominador, ou simplesmente, Fn1 , n2 , por
46

Fiscal do ICMS-RJ
(71) Fn1 ,n2 =
onde
2ni
2n1 /n1
2n2 /n2
designa uma varivel aleatria com distribuio qui-
quadrado com ni graus de liberdade.

5.2.8. Distribuio Log-Normal
Uma varivel aleatria X tem distribuio log-normal quando o seu
logaritmo Y = ln(X) (X = eY) tem distribuio normal. A funo
densidade de probabilidade log-normal dada por
(72)
f ( x) =
1
x 2
(ln x ) 2
2 2
x > 0,
em que e denotam, respectivamente, a mdia e o devio-padro

de Y.
A Tabela a seguir fornece a mdia e a varincia da distribuio
log-normal.
Tabela: Caracterizao da Distribuio Log-Normal
Mdia
Varincia
E( X ) = e
2
2
Var ( X ) = e 1 e 2 +
2
47

Fiscal do ICMS-RJ
Bibliografia
[BAR04] BARBETTA, Pedro Alberto; REIS, Marcelo Menezes; BORNIA,
Antonio Cezar. Estatstica para Cursos de Engenharia e Informtica.
So Paulo: Editora Atlas, 2004.
[BOX94] BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time Series
Analysis: Forecasting and Control. 3rd ed. Prentice Hall, 1994.
[BUE08] BUENO, Rodrigo de Losso da Silveira. Econometria de Sries
Temporais. So Paulo: Cengage Learning, 2008.
[CAS02] CASELLA, George; BERGER, Roger L. Statistical Inference.
2nd ed. Duxbury Thomson Learning, 2002.
[FEL68] FELLER, William. An Introduction to Probability Theory and
Its Applications, Volume I. 3rd Ed. John Wiley and Sons, 1968.
[GUB06] GUBNER, John A. Probability and Random Processes for
Electrical and Computer Engineers. Cambridge University Press,
2006.
[GUJ00] GUJARATI, Damodar N. Econometria Bsica, 3 Edio. So
Paulo: Pearson Makron Books, 2000.
[HIL06] HILL, R. Carter; GRIFFITHS, William E.; JUDGE, George G.
Econometria, 2 Edio. So Paulo: Saraiva, 2006.
[MAG08] MAGALHES, Marco N.; LIMA, Antonio C. P. Noes de
Probabilidade e Estatstica. So Paulo: Edusp, 2008.
[MON08] MONTGOMERY, Douglas C.; RUNGER, George C. Estatstica
Aplicada e Probabilidade para Engenheiros. 2 Edio. Rio de Janeiro:
LTC, 2008.
[MOR04] MORETTIN, Pedro A.; TOLOI, Cllia M. C. Anlise de Sries
Temporais. So Paulo: Editora Edgard Blcher, 2004.
[MOR08] MORETTIN, Pedro A. Econometria Financeira Um Curso
em Sries Temporais Financeiras. So Paulo: Editora Blcher, 2008.
[NET02] NETO, Pedro L. O. C. Estatstica. So Paulo: Editora Edgard
Blcher Ltda, 2002.
[PAP91] PAPOULIS, Athanasios. Probability, Random Variables, and
Stochastic Processes. 3rd ed. McGraw-Hill, 1991.
48

Fiscal do ICMS-RJ
[SAR03] SARTORIS, Alexandre. Estatstica e
Econometria. So Paulo: Saraiva, 2003.
Introduo
[SHU06] SHUMWAY, Robert H.; STOFFER, David S. Time Series

Analysis and Its Applications with R Examples. Springer, 2006.
[SPI00] SPIEGEL, Murray R.; SCHILLER, John; SRINIVASAN, R. A.
Probability and Statistics, Schaums Outlines Series. 2nd Ed. McGraw
Hill, 2000.
[SPI93] SPIEGEL, Murray R. Estatstica. 3a Ed. Pearson Makron
Books, 1993.
[STA02] STARK, Henry; WOODS, John W. Probability, Random
Processes with Applications to Signal Processing. 3rd ed. Prentice Hall,
2002.
[TSA05] TSAY, Ruey S. Analysis of Financial Time Series. 2nd ed.
Wiley-Interscience, 2005.
[WOO08] WOOLDRIDGE, Jeffrey M. Introduo Econometria: Uma
Abordagem Moderna. So Paulo: Cengage Learning, 2008.
[ZIV03] ZIVOT, Eric; WANG, Jiahui. Modeling Financial Time Series
with S-PLUS. Springer, 2003.
49

Fiscal do ICMS-RJ
5.
Exerccios de Fixao
1. (ICMS-RJ-2009-FGV) Os eventos A e B so tais que P(A) = 0,4

e P(B) = 0,9. Assinale a nica alternativa que apresenta um possvel
valor para P(AB).
A) 0,13
B) 0,22
C) 0,31
D) 0,49
E) 0,54
2. (ICMS-RJ-2009-FGV) Um torneio ser disputado por 4 tenistas
(entre os quais A e B) de mesma habilidade, isto , em qualquer jogo
entre dois dos quatro jogadores, ambos tm a mesma chance de
ganhar.
Na primeira rodada, eles se enfrentaro em dois jogos, com
adversrios definidos por sorteio. Os vencedores disputaro a final. A
probabilidade de que o torneio termine com A derrotando B na final
A) 1/2
B) 1/4
C) 1/6
D) 1/8
E) 1/12
3. (ICMS-RJ-2009-FGV) As variveis aleatrias X1, X2 e X3 so
independentes e todas tm distribuio normal com mdia e
varincia 2. Se (z) representa P(Z < z), onde Z tem distribuio
normal padro, o valor de P(X1 < X2 + X3)

A)
B)

C)
3
50

Fiscal do ICMS-RJ
D)

E)

4. (ICMS-RJ-2009-FGV) O nmero de clientes que buscam, em

cada dia, os servios de um renomado cirurgio tem uma distribuio
de Poisson com mdia de 2 pacientes por dia.
Para cada cirurgia efetuada, o cirurgio recebe R$ 10.000,00. No
entanto, ele consegue fazer o mximo de duas cirurgias em um dia;
clientes excedentes so perdidos para outros para outros cirurgies.
Assinale a alternativa que indique o valor esperado da receita diria
do cirurgio.
(considere e-2 = 0,14)
A) R$ 5.600,00
B) R$ 8.400,00
C) R$ 10.000,00
D) R$ 14.400,00
E) R$ 20.000,00
5. (ICMS-RJ-2008-FGV) Em um pas, a probabilidade de um
contribuinte cometer um erro na declarao anual de ajuste de
rendimentos aumenta na medida em que o valor do imposto final
tambm aumenta. Estudos indicam que a probabilidade de um
contribuinte cometer erro na declarao anual de ajuste (Y = 1)
expressa por meio de:
P (Y = 1 / X ) =
e 0,048+0, 02 X
,
1 + e 0, 048+0, 02 X
onde X um nmero real que representa o valor do ajuste do

imposto (diferena entre o imposto pago ao longo do ano e o que
deveria pagar de acordo com os rendimentos, retenes e
abatimentos), em $ 1.000,00.
Se X > 0, o contribuinte tem imposto devido a pagar; se X < 0, tem
imposto a ser restitudo; e, se X = 0, o imposto retido ao longo do
ano foi igual ao imposto total devido.
A esse respeito, correto afirmar que:
A) a cada acrscimo de $1.000,00 no imposto, a probabilidade de o
contribuinte cometer erro na declarao de ajuste aumenta em 2%.
51

Fiscal do ICMS-RJ
B) a probabilidade de a declarao de ajuste apresentar erro (Y=1)
maior do que a probabilidade de no haver erro (Y=0), para todos os
contribuintes com X > 0.
C) essa funo de probabilidade tem seu ponto de inflexo em X =0.
D) o logaritmo neperiano da razo entre a probabilidade de haver
erro na declarao e a de no haver uma funo linear em X,
expressa por -0,048 + 0,02X.
E) contribuintes com imposto devido tm probabilidade 0,5 de
cometer erro na declarao.
6. (ICMS-RJ-2008-FGV) Dentre as distribuies de probabilidades a
seguir, aquela em que E(X) = E(X-E(X))2 :
A) de densidade f X ( x) =
x2
1
exp , < x < .
2
2
B) de densidade f X ( x) = 1 , 0 < x < 1 .

n
C) P ( X = x) = p x (1 p ) n x ,
x
e x
D) P ( X = x) =
,
x!
x = 0,1,2,..., n
x = 0,1,2,...
N M

x n x
E) P ( X = x) =
, x = 0,1,2,..., n
N + M
7. (ICMS-RJ-2008-FGV) Os jogadores A e B se encontram para

jogar uma partida de tnis em no mximo cinco sets, na qual ser
vencedor aquele que primeiro ganhar trs sets.
Por exemplo, partidas terminadas podero ter como resultado: AAA,
AABA, BABAB, etc. Ento, o nmero de possveis resultados para uma
partida terminada :
A) 4.
B) 10.
C) 6.
D) 20.
E) 8.
8. (ICMS-RJ-2007-FGV) Um candidato se submete a uma prova
contendo trs questes de mltipla escolha precisando acertar pelo
menos duas para ser aprovado. Cada questo apresenta cinco
52

Fiscal do ICMS-RJ
alternativas, mas apenas uma correta. Se o candidato no se
preparou e decide responder a cada questo ao acaso, a
probabilidade de ser aprovado no concurso igual a:
A) 0,200.
B) 0,040.
C) 0,096.
D) 0,008.
E) 0,104.
9. (ICMS-RJ-2007-FGV) A tabela abaixo apresenta a distribuio de
1.000 pessoas classificadas por Sexo (Masculino e Feminino) e Estado
Civil (Solteiro, Casado e Vivo).
Sexo
Estado Civil
Solteiro
Casado
Vivo
Total
Total
300
200
100
600
200
100
100
400
500
300
200
1.000
Uma pessoa selecionada ao acaso. A probabilidade de que ela seja

do sexo Feminino ou Viva igual a:
A) 0,6.
B) 0,2.
C) 0,5.
D) 0,7.
E) 0,4.
10. (ICMS-RJ-2007-FGV) Sejam A e B dois eventos definidos em
um espao amostral S de modo que P(A) = 0,70, P(B) = 0,20 e
P(AB) = 0,14. Ento, pode-se dizer que A e B so eventos:
A) mutuamente exclusivos.
B) complementares.
C) elementares.
D) condicionais.
E) independentes.
11. (ICMS-RJ-2007-FGV) A probabilidade de um candidato acertar
esta questo de mltipla escolha, (Y = 1), funo da proficincia
em matemtica, , do candidato e pode ser calculada por meio de:
53

Fiscal do ICMS-RJ
e 0,5+0, 2
P (Y = 1 / ) =
,
1 + e 0,5+0, 2
sendo um nmero real que representa a medida de proficincia em

matemtica do candidato. Pode-se, ento, afirmar que:
A) a cada acrscimo de uma unidade na medida de proficincia
matemtica, a probabilidade de o candidato acertar a questo
aumenta em 20%.
B) a probabilidade de acertar a questo (Y=1) maior do que a
probabilidade de errar a questo (Y=0), para todos os candidatos
com > 0.
C) essa funo de probabilidade tem mximo em =0.
D) candidatos com = 2,5 de proficincia tm probabilidade 0,5 de
acertar a questo.
E) a razo entre a probabilidade de acertar e a de errar uma funo
linear em , e expressa por -0,5 + 0,2.
12. (TFC-CGU-2008-ESAF) Uma empresa de consultoria no ramo
de
engenharia
de
transportes
contratou
10
profissionais
especializados, a saber: 4 engenheiras e 6 engenheiros. Sorteandose, ao acaso, trs desses profissionais para constiturem um grupo de
trabalho, a probabilidade de os trs profissionais sorteados serem do
mesmo sexo igual a:
A) 0,10
B) 0,12
C) 0,15
D) 0,20
E) 0,24
13. (TFC-CGU-2008-ESAF) Ana precisa fazer uma prova de
matemtica composta de 15 questes. Contudo, para ser aprovada,
Ana s precisa resolver 10 questes das 15 propostas. Assim, de
quantas maneiras diferentes Ana pode escolher as questes?
A) 3003
B) 2980
C) 2800
D) 3006
E) 3005
54

Fiscal do ICMS-RJ
14. (TFC-CGU-2008-ESAF) gata decoradora e precisa atender o
pedido de um excntrico cliente. Ele - o cliente - exige que uma das
paredes do quarto de sua filha seja dividida em uma seqncia de 5
listras horizontais pintadas de cores diferentes, ou seja, uma de cada
cor. Sabendo-se que gata possui apenas 8 cores disponveis, ento
o nmero de diferentes maneiras que a parede pode ser pintada
igual a:
A) 56
B) 5760
C) 6720
D) 3600
E) 4320
15. (AFTN-1998-ESAF) Uma empresa possui 20 funcionrios,

dos quais 10 so homens e 10 so mulheres. Desse modo, o
nmero de comisses de 5 pessoas que se pode formar com 3
homens e 2 mulheres :
A) 5400
B) 165
C) 1650
D) 5830
E) 5600
16. (Assistente Tcnico-Administrativo-MF-2009-ESAF) Ao se
jogar um determinado dado viciado, a probabilidade de sair um
nmero 6 de 20%, enquanto que as probabilidades de sair qualquer
outro nmero so iguais entre si. Ao se jogar este dado duas vezes,
qual o valor mais prximo da probabilidade de um nmero par sair
duas vezes?
A) 20%
B) 27%
C) 25%
D) 23%
E) 50%
jogar um dado honesto trs vezes, qual o valor mais prximo da
probabilidade de o nmero 1 sair exatamente uma vez?
55

Fiscal do ICMS-RJ
A) 35%
B) 17%
C) 7%
D) 42%
E) 58%
18. (Analista em Planejamento, Oramento e Finanas
Pblicas Sefaz/SP-2009-ESAF) Seja Z uma varivel aleatria
Normal Padro. Dados os valores de z e de P(Z < z) a seguir,
obtenha o valor mais prximo de P(-2,58 < Z < 1,96).
z
P(Z < z )
1,96
0,975
2,17
0,985
2,33
0,99
2,41
0,992
2,58
0,995
A) 0,99
B) 0,97
C) 0,98
D) 0,985
E) 0,95
19. (AFTM-RN-2008-ESAF) Numa distribuio Binomial, temos
que:
I. A E[x] = n p q, ou seja, o produto dos parmetros n nmero de
elementos da avaliao, p probabilidade de ocorrncia do evento e
q probabilidade contrria (q = 1 - p).
II. O desvio-padro dado pela raiz quadrada do produto entre os
parmetros n e p.
III. A varincia dada pelo somatrio dos quadrados dos valores (Xi)
menos o quadrado da mdia.
Apontando os trs itens acima como V Verdadeiro e F Falso, a
opo correta :
A) F, V, F
B) V, V, F
C) F, F, F
D) V, F, F
E) V, V, V
20. (Analista de Finanas e Controle-STN-2008-ESAF) Dois
eventos A e B so ditos eventos independentes se e somente se:
56

Fiscal do ICMS-RJ
A) a probabilidade de ocorrncia conjunta de A e B for nula.
B) a ocorrncia de B alterar a probabilidade de ocorrncia de A.
C) a ocorrncia de A alterar a probabilidade de ocorrncia de B.
D) a ocorrncia de B no alterar a probabilidade de ocorrncia de A.
E) a probabilidade de ocorrncia conjunta de A e B for igual a 1.
21. (Analista de Finanas e Controle-STN-2008-ESAF) Marco
estuda em uma universidade na qual, entre as moas de cabelos
loiros, 18 possuem olhos azuis e 8 possuem olhos castanhos; entre
as moas de cabelos pretos, 9 possuem olhos azuis e 9 possuem
olhos castanhos; entre as moas de cabelos ruivos, 4 possuem olhos
azuis e 2 possuem olhos castanhos. Marisa seleciona aleatoriamente
uma dessas moas para apresentar para seu amigo Marco. Ao
encontrar com Marco, Marisa informa que a moa selecionada possui
olhos castanhos. Com essa informao, Marco conclui que a
probabilidade de a moa possuir cabelos loiros ou ruivos igual a:
A) 0
B) 10/19
C) 19/50
D) 10/50
E) 19/31
22. (Analista Tcnico SUSEP-2006-ESAF) Em uma casa de
jogos (Bingo S/A, por exemplo) a premiao ser de R$ 10,00, para
quem obtiver uma face de nmero primo ao jogar um dado honesto e
de R$ 20,00, para quem obtiver outra alternativa (face de nmero
no primo). Para N jogadas (sendo N um nmero suficientemente
grande de jogadas), o valor mdio da aposta, ou seja, o valor
esperado, ser de:
A) R$ 10,00
B) R$ 10,33
C) R$ 13,33
D) R$ 15,00
E) R$ 17,33
23. (Analista Tcnico SUSEP-2006-ESAF) Sendo X uma v. a. d.
varivel aleatria discreta e sendo Y = aX + b, pode concluir-se que
var (aX + b) igual a:
A) = var X.
57

Fiscal do ICMS-RJ
2
2
B) = E(X ) (EX) .
C) = E(X E(X))2.
D) = a2 var X.
E) = a2 var X b.
O enunciado abaixo refere-se s questes de nmeros 24 a 27.
Aps vrios anos de magistrio no ensino superior, um professor de
Estatstica constatou que, em sua aula na graduao, a funo de
probabilidade de X, varivel aleatria que representa o nmero de
alunos ausentes s sextas-feiras, a seguinte
X
f(x)
0
0,010
1
0,020
2
0,310
3
0,320
4
0,240
5
0,080
6
0,019
7
0,001
24. Ento a probabilidade de que, em dada sexta-feira, 2 ou 3 ou 4

alunos estaro ausentes
(A) 0,63
(B) 0,13
(C) 0,87
(D) 0,56
(E) 1
25. O valor esperado da varivel aleatria X
(A) 3,08
(B) 3,26
(C) 2,12
(D) 0,32
(E) 0,96
26. O valor esperado de Y = 5X + 4
(A) 4
(B) 3,1
(C) 15,4
(D) 19,4
(E) 81
58

Fiscal do ICMS-RJ
27. A varincia de X
(A) 9,49
(B) 1,22
(C) 10,71
(D) 19,4
(E) 81
O enunciado a seguir refere-se s questes de nmeros 28 e
29.
Seja X uma varivel aleatria com densidade de probabilidade
f X ( x) = 2 2 x para 0 x 1 e f X ( x) = 0 para os demais valores.
28. A probabilidade de se obter X maior do que 0
(A) 0
(B) 0,75
(C) 0,25
(D) 0,5
(E) 1
29. A probabilidade de se obter X maior do que 0,5
(A) 0
(B) 0,75
(C) 0,25
(D) 0,5
(E) 1
O enunciado a seguir refere-se s questes de nmeros 30 a
33 (Exerccio 2.6 de [HIL06], adaptado).
Um total de 15.064.859 alunos esto matriculados no ensino
superior, divididos entre cursos com durao de 4 anos, de 2 anos e
de menos de 2 anos. A matrcula, separada por sexo, mostrada na
tabela a seguir.
Homens
Mulheres
4 anos
4.076.416
4.755.790
2 anos
2.437.905
3.310.086
Menos de 2 anos
172.874
311.788
Fonte: Digest of Educational Statistics 1997, Tabela 170.
59

Fiscal do ICMS-RJ
Nessa populao, as probabilidades aproximadas de matrcula em um
dos tipos de instituio de ensino superior, por sexo, so
Homens
Mulheres
4 anos
0,27
0,32
2 anos
0,16
0,22
Menos de 2 anos
0,01
0,02
Considere o experimento de extrair aleatoriamente um estudante

matriculado de sua populao. Defina a varivel aleatria X = 0, se
um homem selecionado, e X = 1, se uma mulher selecionada.
Defina a varivel aleatria Y = 1, se o estudante escolhido de um
curso de 4 anos, Y = 2, se o estudante escolhido de um curso de 2
anos e Y = 3, se de um curso de menos de 2 anos.
30. Qual a probabilidade do estudante escolhido aleatoriamente ser
homem (X = 0)?
(A) 0,44
(B) 0,56
(C) 0,59
(D) 0,38
(E) 0,03
31. Qual a probabilidade de um estudante,
aleatoriamente, ser de um curso de 2 anos (Y = 2)?
escolhido
(A) 0,44
(B) 0,56
(C) 0,59
(D) 0,38
(E) 0,03
32. Assinale a alternativa com a funo discreta de probabilidade
marginal f (x) .
0, x = 0
(A) f ( x) =
1, x = 1
0,56, x = 0
(B) f ( x) =
0,44, x = 1
0,44, x = 0
(C) f ( x) =
0,56, x = 1
60

Fiscal do ICMS-RJ
0,59, x = 0
(D) f ( x) =
0,38, x = 1
0,38, x = 0
(E) f ( x) =
0,59, x = 1
33. A funo de probabilidade condicional para Y, dado que X =1
0,57, y = 1
(A) fY / X ( y / x = 1) = 0,40, y = 2
0,02, y = 3
0,02, y = 1
(B) fY / X ( y / x = 1) = 0,29, y = 2
0,48, y = 3
0,48, y = 1
(C) fY / X ( y / x = 1) = 0,29, y = 2
0,02, y = 3
0,04, y = 1
(D) fY / X ( y / x = 1) = 0,40, y = 2
0,57, y = 3
0,57, y = 1
(E) fY / X ( y / x = 1) = 0,40, y = 2
0,04, y = 3
61

Fiscal do ICMS-RJ
6.
GABARITO
1C
2-E
3-A
4-B
5D
6D
7-D
8-E
9-C
10 E
11- D
12 D
13 B
14 - A
15 A
16 C
17 A
18 B
19 C
20 D
21 B
22 D
23 D
24 C
25 A
26 D
27 B
62

Fiscal do ICMS-RJ
28 E
29 C
30 A
31 D
32 C
33 - E
63

Fiscal do ICMS-RJ
7.
Resoluo dos Exerccios de Fixao
1. (ICMS-RJ-2009-FGV) Os eventos A e B so tais que P(A) = 0,4

e P(B) = 0,9. Assinale a nica alternativa que apresenta um possvel
valor para P(AB).
A) 0,13
B) 0,22
C) 0,31
D) 0,49
E) 0,54
Resoluo
P ( A B ) = P ( A) + P ( B ) P ( A B ) (Regra da Adio de Probabilidades)
P ( A B ) = 0,4 + 0,9 P ( A B ) = 1,3 P ( A B )
Como no foi dado o valor de P ( A B ) , testaremos os valores de

P ( A B ) dados em cada uma das alternativas, levando em conta a
restrio {P ( A), P ( B )}max P ( A B ) 1 0,9 P ( A B ) 1 , pois P ( A B )
deve ser, no mnimo, igual a P (B ) , caso A B .
A) P(AB) = 0,13 P ( A B ) = 1,3 0,13 = 1,17 > 1 NO uma medida de
probabilidade.
B) P(AB) = 0,22 P ( A B ) = 1,3 0,22 = 1,08 > 1 NO uma medida de
probabilidade.
C) P(AB) = 0,31 P ( A B ) = 1,3 0,31 = 0,99 < 1 satisfaz a restrio
0,9 P ( A B ) 1 .
D) P(AB) = 0,49 P ( A B ) = 1,3 0,49 = 0,81 < 0,9 NO satisfaz a
restrio 0,9 P ( A B ) 1 .
E) P(AB) = 0,54 P ( A B ) = 1,3 0,54 = 0,76 < 0,9 NO satisfaz a
restrio 0,9 P ( A B ) 1 .
GABARITO: C
64

Fiscal do ICMS-RJ
2. (ICMS-RJ-2009-FGV) Um torneio ser disputado por 4 tenistas
(entre os quais A e B) de mesma habilidade, isto , em qualquer jogo
entre dois dos quatro jogadores, ambos tm a mesma chance de
ganhar.
Na primeira rodada, eles se enfrentaro em dois jogos, com
adversrios definidos por sorteio. Os vencedores disputaro a final. A
probabilidade de que o torneio termine com A derrotando B na final
A) 1/2
B) 1/4
C) 1/6
D) 1/8
E) 1/12
Resoluo
P(A vencer B na final) = P[(A no enfrentar B na 1 rodada)
vencer a 1 rodada) (B vencer a 1 rodada) (A vencer B
final)] = P(A no enfrentar B na 1 rodada) x P(A vencer a
rodada) x P(B vencer a 1 rodada) x P(A vencer B na final), pois
quatro experimentos aleatrios so independentes.
(A
na
1
os
Na primeira rodada, as seguintes duplas podem ser formadas:
1 possibilidade: (A,B) e (C,D) 1/3 de probabilidade
2 possibilidade: (A,C) e (B,D) 1/3 de probabilidade
3 possibilidade: (A,D) e (B,C) 1/3 de probabilidade
Logo, P(A no enfrentar B na 1 rodada) = P{[(A,C) e (B,D)]

[(A,D) e (B,C)]} = P{(A,C) e (B,D)} + P{[(A,D) e (B,C)} = 1/3 + 1/3
= 2/3.
Tambm temos que P(A vencer a 1 rodada) = P(B vencer a 1
rodada) = P(A vencer B na final) = 1/2, pois em qualquer jogo entre
dois dos quatro jogadores, ambos tm a mesma chance de ganhar.
Logo,
P(A vencer B na final) = 2/3 x 1/2 x 1/2 x 1/2 = 2/24 = 1/12.
GABARITO: E
65

Fiscal do ICMS-RJ
3. (ICMS-RJ-2009-FGV) As variveis aleatrias X1, X2 e X3 so
independentes e todas tm distribuio normal com mdia e
varincia 2. Se (z) representa P(Z < z), onde Z tem distribuio
normal padro, o valor de P(X1 < X2 + X3)

A)
B)

C)
3
D)

E)

Resoluo
P(X1 < X2 + X3) = P(X1 - X2 - X3 < 0) = P(Y < 0), em que Y = X1 - X2
- X3 (Y uma combinao linear de X1, X2 e X3). A combinao
linear de variveis aleatrias independentes e normais
tambm normal. A esperana de Y dada por:
E(Y) = E(X1 - X2 - X3) = E(X1) E(X2) E(X3) = - - = -.
A varincia de Y dada por
Var(Y) = Var(X1 - X2 - X3) = Var(X1) + Var(X2) + Var(X3) = 32 (pois
X1, X2 e X3 so independentes) Y = 3 .
Neste caso, a normal padro dada por
Z=
Y E (Y )
Y ( ) Y +
=
Y = 3Z
3
3

P (Y < 0) = P ( 3Z < 0) = P Z <
=
.
3
3
GABARITO: A
66

Fiscal do ICMS-RJ
4. (ICMS-RJ-2009-FGV) O nmero de clientes que buscam, em
cada dia, os servios de um renomado cirurgio tem uma distribuio
de Poisson com mdia de 2 pacientes por dia.
Para cada cirurgia efetuada, o cirurgio recebe R$ 10.000,00. No
entanto, ele consegue fazer o mximo de duas cirurgias em um dia;
clientes excedentes so perdidos para outros para outros cirurgies.
Assinale a alternativa que indique o valor esperado da receita diria
do cirurgio.
(considere e-2 = 0,14)
A) R$ 5.600,00
B) R$ 8.400,00
C) R$ 10.000,00
D) R$ 14.400,00
E) R$ 20.000,00
Resoluo
Seja X a varivel aleatria que denota o nmero de clientes
que buscam, em cada dia, os servios de um renomado
cirurgio. De acordo com enunciado, X tem distribuio de Poisson
com mdia 2, ou seja,
f ( x) = e a
ax
2x
2x
= e 2
0,14 .
x!
x!
x!
Seja R a varivel aleatria que representa a receita diria do

cirurgio. Presume-se, pelos dados da questo, que a probabilidade
do cirurgio ganhar R = 10.000 X , R = 0, 10.000, 20.000, ..., em um
dia, dada por
2x
P( R = 10.000 X em um dia) = f ( x) = 0,14
x!
A questo pede que o valor esperado da receita diria do

cirurgio seja calculado, condicionado ao fato de que ele
consegue fazer o mximo de duas cirurgias em um dia (X2),
ou seja,
2
E[R/X2] =
f ( x) = 0 f (0) + 10.000 f (1) + 20.000 f (2) =
x =0
= 0 + 10.000
0,14 21
0,14 2 2
+ 20.000
= 8.400
1!
2!
67

Fiscal do ICMS-RJ
O gabarito da FGV forneceu letra (D); no obstante, a resposta
correta a alternativa (B).
Nota: o conceito de esperana condicional de uma varivel
aleatria discreta pode ser generalizado como se segue.
Seja X uma varivel aleatria discreta. A esperana condicional
de X dado que o evento B ocorreu dada por
E ( X / B ) = xi PX / B ( xi / B ) ,
i
em que PX / B ( xi / B ) denota a probabilidade de xi dado que o evento B

ocorreu. Em esperanas condicionais, ns calculamos a mdia de um
subconjunto de uma populao que compartilha alguma propriedade
devida ao resultado de um evento. Nesta questo, o subconjunto X
= {0, 1, 2}.
GABARITO: B
5. (ICMS-RJ-2008-FGV) Em um pas, a probabilidade de um
contribuinte cometer um erro na declarao anual de ajuste de
rendimentos aumenta na medida em que o valor do imposto final
tambm aumenta. Estudos indicam que a probabilidade de um
contribuinte cometer erro na declarao anual de ajuste (Y = 1)
expressa por meio de:
P (Y = 1 / X ) =
e 0,048+0, 02 X
,
1 + e 0, 048+0, 02 X
onde X um nmero real que representa o valor do ajuste do

imposto (diferena entre o imposto pago ao longo do ano e o que
deveria pagar de acordo com os rendimentos, retenes e
abatimentos), em $ 1.000,00.
Se X > 0, o contribuinte tem imposto devido a pagar; se X < 0, tem
imposto a ser restitudo; e, se X = 0, o imposto retido ao longo do
ano foi igual ao imposto total devido.
A esse respeito, correto afirmar que:
A) a cada acrscimo de $1.000,00 no imposto, a probabilidade de o
B) a probabilidade de a declarao de ajuste apresentar erro (Y=1)
maior do que a probabilidade de no haver erro (Y=0), para todos os
contribuintes com X > 0.
C) essa funo de probabilidade tem seu ponto de inflexo em X =0.
68

Fiscal do ICMS-RJ
D) o logaritmo neperiano da razo entre a probabilidade de haver
E) contribuintes com imposto devido tm probabilidade 0,5 de
Resoluo
Anlise da alternativas
(A) a cada acrscimo de $1.000,00 no imposto, a probabilidade de o
No necessrio fazer as contas para dizer que esta alternativa
INCORRETA. O enunciado diz que a probabilidade de um contribuinte
cometer erro na declarao anual de ajuste (Y = 1) dada por
P (Y = 1 / X ) =
e 0, 048+ 0, 02 X
1 + e 0,048+0,02 X
em que X denota o ajuste do imposto em $1.000. Portanto, P(Y=1|X)

NO representa que, a cada acrscimo de $1.000,00 no imposto, a
probabilidade de o contribuinte cometer erro na declarao de ajuste
aumenta em 2%. Alm disso, a funo P(Y=1/X) no linear (vide
Fig. 16). Logo a alternativa INCORRETA.
Figura 16.
69

Fiscal do ICMS-RJ
Dado o ajuste de $1.000,00 no imposto (X = 1), temos que a
probabilidade de um contribuinte cometer erro na declarao anual
de ajuste igual a
P(Y = 1 / X = 1) =
0,9724
e 0, 048+0,02.1
=
= 0,4930 .
0 , 048+ 0 , 02.1
1+ e
1 + 0,9724
Nota: seja t = 0,048 + 0,02 X . Ento a funo

f (t ) =
et
1
=
t
1 + e 1 + e t
conhecida como a curva logstica.

(B) a probabilidade de a declarao de ajuste apresentar erro (Y=1)
maior do que a probabilidade de no haver erro (Y=0), para todos
os contribuintes com X > 0.
O macete para resolver esta questo consiste em trabalhar com
logaritmos, uma vez que h exponenciais na frmula de P(Y=1/X).
Alm disso, repare que os itens (C) e (D) tambm comparam a
funo que descreve P(Y=1/X) com a funo P(Y=0/X) = 1-P(Y=1/X).
Seja
e 0,048+0,02 X
1 + e 0, 048+0, 02 X
P (Y = 1 / X )
0 , 048+ 0 , 02 X
= ln
W = ln
) = 0,048 + 0,02 X
= ln(e
0 , 048+ 0 , 02 X
e
P (Y = 0 / X )
1
1 + e 0, 048+0,02 X
em que W denota o logaritmo neperiano da razo entre a
probabilidade de haver erro na declarao e a de no haver. Observe
que W uma funo linear em X, expressa por -0,048 + 0,02X, isto
, W = -0,048 + 0,02X (vide Fig. 17). A funo W = 0 para X = 2,40
(para tal, resolva a equao -0,048 + 0,02X = 0). Isto quer dizer que
P (Y = 1 / X = 2,40)
P (Y = 1 / X = 2,40)
= e0 = 1
=0
ln
=
=
(
=
0
/
=
2
,
40
)
P
(
Y
0
/
X
2
,
40
)
P
Y
X
P (Y = 1 / X = 2,40) = P (Y = 0 / X = 2,40) i) probabilidade de a declarao

de ajuste apresentar erro (Y=1) igual a probabilidade de no haver
erro (Y=0), para todos os contribuintes com X=2,40; ii) probabilidade
de a declarao de ajuste apresentar erro (Y=1) menor do que a
probabilidade de no haver erro (Y=0), para todos os contribuintes
com X<2,40 e iii) probabilidade de a declarao de ajuste apresentar
erro (Y=1) maior do que a probabilidade de no haver erro (Y=0),
70

Fiscal do ICMS-RJ
para todos os contribuintes com X>2,40. Portanto, esta alternativa
INCORRETA.
Figura 17.
(C) essa funo de probabilidade tem seu ponto de inflexo em

X=0.
A Fig. 17 mostra que o ponto de inflexo X = 2,40 alternativa
INCORRETA.
(D) o logaritmo neperiano da razo entre a probabilidade de haver
Alternativa
anteriormente.
CORRETA,
conforme
que
foi
explicado
(E) contribuintes com imposto devido tm probabilidade 0,5 de

Se X>0, o contribuinte tem imposto devido a pagar. Note que
P(Y=1|X>0) > P(Y=1|X=0) (vide Fig. 16)
e 0, 048+ 0, 02.0
0,9531
P(Y=1|X>0) >
=
0,4880
0 , 048 + 0 , 02.0
1 + 0,9531
1+ e
P(Y=1|X>0) > 0,4880 contribuintes com imposto devido tm
probabilidade maior do que 0,4880 de cometer erro na declarao.
Portanto, esta alternativa INCORRETA.
71

Fiscal do ICMS-RJ
GABARITO: D
6. (ICMS-RJ-2008-FGV) Dentre as distribuies de probabilidades a
seguir, aquela em que E(X) = E(X-E(X))2 :
A) de densidade f X ( x) =
x2
1
exp , < x < .
2
2
B) de densidade f X ( x) = 1 , 0 < x < 1 .

n
C) P ( X = x) = p x (1 p ) n x ,
x
D) P ( X = x) =
e x
,
x!
x = 0,1,2,..., n
x = 0,1,2,...
N M

x n x
E) P ( X = x) =
, x = 0,1,2,..., n
N + M
Resoluo
A relao E(X) = E(X-E(X))2 pode ser reescrita como = 2 (mdia
igual a varincia da distribuio).
x2
1
exp , < x < , a normal
2
2
2
padro, que possui = 0 e =1. Logo 2 INCORRETA.
(A) a distribuio
f X ( x) =
(B) a distribuio f X ( x) = 1 , 0 < x < 1 , a uniforme, em que
= (b-a)/2 = (1-0)/2 = 1/2

e
2 = (b-a)2/12 = (1-0)2/12 = 1/12.

Logo 2 INCORRETA.
n
(C) a distribuio f ( x) = p x (1 p ) n x , x = 0,1,2,..., n , a binomial, que
x
2
possui = np e = npq. Logo 2 INCORRETA.
72

Fiscal do ICMS-RJ
(D) a distribuio f ( x) =
e x
, x = 0,1,2,... , a Poisson, que possui =
x!
2 = INCORRETA.
N M

x n x
(E) a distribuio P ( X = x) =
,
N + M
x = 0,1,2,..., n ,
hipergeomtrica associada a um conjunto com (N+M) elementos,

em que h N sucessos e M fracassos. Lembre que n representa o
nmero de elementos selecionados de forma aleatria e sem
reposio a partir dos (N+M) elementos. Neste caso, temos que
= np,
em que p denota a probabilidade de sucesso e
N +M n
.
N + M 1
2 = np (1 p)
Logo 2 INCORRETA.
Nota: a banca adotou, nas alternativas (D) e (E), notaes diferentes

daquelas usadas na parte terica desta aula. Tome cuidado para no
fazer confuso!
GABARITO: D
7. (ICMS-RJ-2008-FGV) Os jogadores A e B se encontram para
jogar uma partida de tnis em no mximo cinco sets, na qual ser
vencedor aquele que primeiro ganhar trs sets.
Por exemplo, partidas terminadas podero ter como resultado: AAA,
AABA, BABAB, etc. Ento, o nmero de possveis resultados para uma
partida terminada :
A) 4.
B) 10.
C) 6.
D) 20.
E) 8.
Resoluo
73

Fiscal do ICMS-RJ
A partida termina em 3 sets se os resultados so: AAA ou BBB 2
resultados.
A partida termina em 4 sets se os resultados so: AABA, BBAB,
ABAA, BABB, BAAA ou ABBB 6 resultados.
A partida termina em 5 sets se os resultados so: AABBA, BBAAB,
ABBAA, BAABB, BBAAA, AABBB, ABABA, BABAB, BAABA, ABBAB,
BABAA ou ABABB 12 resultados.
Portanto, h (2 + 6 + 12) = 20 resultados possveis.
GABARITO: D
8. (ICMS-RJ-2007-FGV) Um candidato se submete a uma prova
contendo trs questes de mltipla escolha precisando acertar pelo
menos duas para ser aprovado. Cada questo apresenta cinco
alternativas, mas apenas uma correta. Se o candidato no se
preparou e decide responder a cada questo ao acaso, a
probabilidade de ser aprovado no concurso igual a:
A) 0,200.
B) 0,040.
C) 0,096.
D) 0,008.
E) 0,104.
Resoluo
Trata-se de aplicao da distribuio Binomial. O chute a ser
dado em cada questo da prova uma tentativa de Bernoulli (n = 3
tentativas), em que p = 1/5 e (1-p)=4/5. Seja X a varivel aleatria
que denota o nmero de questes certas. Ento a probabilidade de
acertar pelo menos 2 questes (numa prova de 3 questes de
mltipla escolha) dada por
n
n
1
0
P(X=2) + P(X=3) = p 2 (1 p ) + p 3 (1 p ) =
2
3
2
1
3
0
3 1 4 3 1 4
12
1
+
= 0,104.
= + =
2 5 5 3 5 5 125 125
GABARITO: E
74

Fiscal do ICMS-RJ
9. (ICMS-RJ-2007-FGV) A tabela abaixo apresenta a distribuio de
1.000 pessoas classificadas por Sexo (Masculino e Feminino) e Estado
Civil (Solteiro, Casado e Vivo).
Sexo
Estado Civil
Solteiro
Casado
Vivo
Total
Total
300
200
100
600
200
100
100
400
500
300
200
1.000
Uma pessoa selecionada ao acaso. A probabilidade de que ela seja

do sexo Feminino ou Viva igual a:
A) 0,6.
B) 0,2.
C) 0,5.
D) 0,7.
E) 0,4.
Resoluo
P(sexo Feminino ou Viva) = P(sexo Feminino) + P(Viva) - P(sexo
Feminino e Viva).
P(sexo Feminino) = 400/1.000
P(Viva) = 200/1.000
P(sexo Feminino e Viva) = 100/1.000
Logo, P(sexo Feminino ou Viva) = 400/1.000 + 200/1.000
100/1.000 = 500/1.000 = 0,5.
GABARITO: C
10. (ICMS-RJ-2007-FGV) Sejam A e B dois eventos definidos em
um espao amostral S de modo que P(A) = 0,70, P(B) = 0,20 e
P(AB) = 0,14. Ento, pode-se dizer que A e B so eventos:
A) mutuamente exclusivos.
B) complementares.
C) elementares.
D) condicionais.
E) independentes.
75

Fiscal do ICMS-RJ
Resoluo
Note que P(A) x P(B) = 0,7 x 0,2 = 0,14 = P(AB) A e B so
eventos independentes.
GABARITO: E
11. (ICMS-RJ-2007-FGV) A probabilidade de um candidato acertar
esta questo de mltipla escolha, (Y = 1), funo da proficincia
em matemtica, , do candidato e pode ser calculada por meio de:
e 0,5+0, 2
,
P (Y = 1 / ) =
1 + e 0,5+0, 2
sendo um nmero real que representa a medida de proficincia em

matemtica do candidato. Pode-se, ento, afirmar que:
A) a cada acrscimo de uma unidade na medida de proficincia
aumenta em 20%.
B) a probabilidade de acertar a questo (Y=1) maior do que a
com > 0.
C) essa funo de probabilidade tem mximo em =0.
D) candidatos com = 2,5 de proficincia tm probabilidade 0,5 de
acertar a questo.
E) a razo entre a probabilidade de acertar e a de errar uma funo
linear em , e expressa por -0,5 + 0,2.
Resoluo
(A) a cada acrscimo de uma unidade na medida de proficincia
aumenta em 20%.
A probabilidade de um candidato acertar esta questo de mltipla
escolha, (Y = 1), funo da proficincia em matemtica, , do
candidato, e dada por:
P (Y = 1 / ) =
e 0,5+0, 2
.
1 + e 0,5+0, 2
76

Fiscal do ICMS-RJ
Ento, P(Y=1|) denota a probabilidade de que Y = 1 para um
dado . A probabilidade P(Y=1|) NO representa que, a cada
acrscimo de uma unidade na medida de proficincia matemtica, a
probabilidade de o candidato acertar a questo aumenta em 20%.
Ademais, a funo P(Y=1|) no linear. Logo a alternativa
INCORRETA.
(B) a probabilidade de acertar a questo (Y=1) maior do que a
com > 0.
Seja
e 0,5 + 0, 2
0
,
5
+
0
,
2
P(Y = 1 / )
0 , 5 + 0 , 2
1+ e
) = 0,5 + 0,2
W = ln
ln
=
= ln(e
0 , 5 + 0 , 2
e
P
(
Y
0
/
)
=
1
1 + e 0,5 + 0, 2
em que W denota o logaritmo neperiano da razo entre a
probabilidade do candidato acertar esta questo e a de no acertar.
Observe que W uma funo linear em X, expressa por -0,5 + 0,2,
isto , W = -0,5 + 0,2. A funo W = 0 para = 2,50 ( a raiz da
equao -0,5 + 0,2 = 0). Isto quer dizer que
P(Y = 1 / = 2,5)
P(Y = 1 / = 2,5)
ln
=0
= e0 = 1
P(Y = 0 / = 2,5)
P(Y = 0 / = 2,5)
P(Y = 1 / = 2,5) = P(Y = 0 / = 2,5) i) a probabilidade do candidato
acertar esta questo (Y=1) igual a probabilidade do candidato no
acertar esta questo (Y=0), se a proficincia em matemtica do
candidato =2,5; ii) a probabilidade do candidato acertar esta
questo (Y=1) menor do que a probabilidade do candidato no
candidato <2,5 e iii) a probabilidade do candidato acertar esta
questo (Y=1) maior do que a probabilidade do candidato no
candidato >2,5. Portanto, esta alternativa INCORRETA.
(C) essa funo de probabilidade tem mximo em =0.

O grfico da funo
P(Y = 1 / ) =
e 0,5+ 0, 2
1 + e 0,5+ 0, 2
77

Fiscal do ICMS-RJ
parecido com o grfico da funo da questo 5 (vide Fig. 16), ou
seja, P(Y = 1 / ) 1 para e P(Y = 1 / ) 0 para . No h
um mximo da funo quando = 0 afirmao INCORRETA.
(D) candidatos com = 2,5 de proficincia tm probabilidade 0,5 de
acertar a questo.
P(Y=1|=2,5) =
e 0,5 + 0, 2 2,5
e0
1
=
=
= 0,5 afirmao CORRETA
0 , 5 + 0 , 2 2 , 5
0
1+ e
1+ e 1+1
(E) a razo entre a probabilidade de acertar e a de errar uma

funo linear em , e expressa por -0,5 + 0,2.
o logaritmo neperiano da razo entre a probabilidade de acertar
e a de errar que uma funo linear em , expressa por -0,5 + 0,2
afirmao INCORRETA.
GABARITO: D
12. (TFC-CGU-2008-ESAF) Uma empresa de consultoria no ramo
de
engenharia
de
transportes
contratou
10
profissionais
especializados, a saber: 4 engenheiras e 6 engenheiros. Sorteandose, ao acaso, trs desses profissionais para constiturem um grupo de
trabalho, a probabilidade de os trs profissionais sorteados serem do
mesmo sexo igual a:
A) 0,10
B) 0,12
C) 0,15
D) 0,20
E) 0,24
Resoluo
I Probabilidade de sortear trs homens:
Total de Engenheiros = 6
p(trs homens) = (6/10) x (5/9) x (4/8) = (3/5) x (5/9) x (1/2) =
0,1667
II Probabilidade de sortear trs mulheres:
Total de Engenheiras = 4
p(trs mulheres) = (4/10) x (3/9) x (2/8) = (2/5) x (1/3) x (1/4) =
0,0333
78

Fiscal do ICMS-RJ
Probabilidade de Sortear Trs Pessoas do Mesmo Sexo (P)
P = P(trs homens) + P(trs mulheres) = 0,1667 + 0,0333 =
0,20
GABARITO: D
jogar um determinado dado viciado, a probabilidade de sair um
nmero 6 de 20%, enquanto que as probabilidades de sair qualquer
outro nmero so iguais entre si. Ao se jogar este dado duas vezes,
qual o valor mais prximo da probabilidade de um nmero par sair
duas vezes?
A) 20%
B) 27%
C) 25%
D) 23%
E) 50%
Resoluo
Dado viciado: P(X = 6) = 0,2
As probabilidades de sair qualquer outro nmero so iguais entre si.
P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4) = P(X = 5) = (1-0,2)/5 =
0,8/5 = 0,16.
Ao se jogar o dado duas vezes, qual o valor mais prximo da
probabilidade de um nmero par sair duas vezes?
I Dado jogado pela primeira vez:
P(X par na jogada 1) = P(X = 2) + P(X = 4) + P(X = 6) = 0,16 +
0,16 + 0,20 = 0,52
II Dado jogado pela segunda vez:
P(X par na jogada 2) = 0,52
Probabilidade de
independentes):
um
nmero
par
sair
duas
vezes
(eventos
79

Fiscal do ICMS-RJ
P(par nas duas vezes) = P(X par na jogada 1) x P(X par na jogada 2)
= 0,52 x 0,52 = 27,04%
GABARITO: B
jogar um dado honesto trs vezes, qual o valor mais prximo da
probabilidade de o nmero 1 sair exatamente uma vez?
A) 35%
B) 17%
C) 7%
D) 42%
E) 58%
Resoluo
I Utilizando a Distribuio Binomial:
n
P(n, x) = f ( x) = p x (1 p ) n x
x
P(n,x) = probabilidade de ocorrer exatamente x vezes o evento A,

aps n repeties.
S = {1, 2, 3, 4, 5, 6} => n(S) = 6
A = {1} => n(A) = 1
Evento A = sair um nmero igual a 1 => P(A) = n(A)/n(S) = 1/6
Complementar de A = A= no sair um nmero igual a 1
A= {2, 3, 4, 5, 6} => n(A) = 5
P(A) = n(A)/n(S) = 5/6
n= 3 vezes
x = 1 (1 sair exatamente uma vez)
1
3 1 5
3! 1 25 75

=
= 34,72% 35%
P(3,1) = f (1) = =
1 6 6 1!2! 6 36 216
GABARITO: A
15. (TFC-CGU-2008-ESAF) Ana precisa fazer uma prova de
matemtica composta de 15 questes. Contudo, para ser aprovada,
80

Fiscal do ICMS-RJ
Ana s precisa resolver 10 questes das 15 propostas. Assim, de
quantas maneiras diferentes Ana pode escolher as questes?
A) 3003
B) 2980
C) 2800
D) 3006
E) 3005
Resoluo
Repare que a ordem das questes no importa neste caso. Logo, no
utilizaremos uma permutao e sim uma combinao das 15
questes da prova, tomadas 10 a 10.
C1015 =
15!
15 14 13 12 11 10!
=
= 3.003
10!(15 10)!
10!5 4 3 2 1
GABARITO: A
16. (TFC-CGU-2008-ESAF) gata decoradora e precisa atender o
pedido de um excntrico cliente. Ele - o cliente - exige que uma das
paredes do quarto de sua filha seja dividida em uma seqncia de 5
listras horizontais pintadas de cores diferentes, ou seja, uma de cada
cor. Sabendo-se que gata possui apenas 8 cores disponveis, ento
o nmero de diferentes maneiras que a parede pode ser pintada
igual a:
A) 56
B) 5760
C) 6720
D) 3600
E) 4320
Resoluo
gata possui 8 cores disponveis para utilizar em 5 listras:
(n) r =
8!
8 7 6 5 4 3!
n!
=
=
= 6.720
(n r )! (8 3)!
3!
GABARITO: C
81

Fiscal do ICMS-RJ
17. (AFTN-1998-ESAF) Uma empresa possui 20 funcionrios,

dos quais 10 so homens e 10 so mulheres. Desse modo, o
nmero de comisses de 5 pessoas que se pode formar com 3
homens e 2 mulheres :
A) 5400
B) 165
C) 1650
D) 5830
E) 5600
Resoluo
Comisses de 5 pessoas, sendo 3 homens e 2 mulheres:
1) Como 3 das pessoas do grupo sero homens, temos um total de
10 homens (a ordem no importa); logo, teremos uma combinao
de 10, tomados 3 a 3:
C310 =
10!
= 120
3!(10 3)!
2) Como 2 das pessoas do grupo sero mulheres, temos um total de

10 mulheres e a ordem no importa, teremos uma combinao de
10, tomados 2 a 2:
C210 =
10!
= 45
2!(10 2)!
Total de Comisses = C310 C210 = 120 x 45 = 5.400

GABARITO: A
18. (Analista em Planejamento, Oramento e Finanas
Pblicas Sefaz/SP-2009-ESAF) Seja Z uma varivel aleatria
Normal Padro. Dados os valores de z e de P(Z < z) a seguir,
obtenha o valor mais prximo de P(-2,58 < Z < 1,96).
z
P(Z < z )
1,96
0,975
2,17
0,985
2,33
0,99
2,41
0,992
2,58
0,995
A) 0,99
B) 0,97
C) 0,98
82

Fiscal do ICMS-RJ
D) 0,985
E) 0,95
Resoluo
Z => varivel aleatria normal padro
P(-2,58 < Z < 1,96) =
Sabemos que:
(1,96) - (-2,58)
(-2,58) = 1 - (2,58) = 1 0,995 = 0,005
P(-2,58 < Z < 1,96) =
(1,96) - (-2,58) = 0,975 0,005 = 0,97
GABARITO: B
19. (AFTM-RN-2008-ESAF) Numa distribuio Binomial, temos
que:
parmetros n e p.
Apontando os trs itens acima como V Verdadeiro e F Falso, a
opo correta :
A) F, V, F
B) V, V, F
C) F, F, F
D) V, F, F
E) V, V, V
Resoluo
Esperana da distribuio binomial: E(X) = np
Varincia da distribuio binomial: Var(X) = np(1-p)
Vamos analisar as alternativas:
83

Fiscal do ICMS-RJ
Esperana da distribuio binomial: E(X) = np. O item FALSO.
parmetros n e p.
Varincia da distribuio binomial: Var(X) = np(1-p)
Desvio-Padro = [np(1-p)]1/2 => dado pela raiz quadrada do
produto entre n, p e (1-p). O item FALSO.
A frmula geral da varincia : Var(X) = E(X2) [E(X)]2 => ou seja,
a mdia dos quadrados do valores menos o quadrado da mdia. O
item FALSO. Lembre que a varincia da distribuio binomial
np(1-p).
GABARITO: C
20. (Analista de Finanas e Controle-STN-2008-ESAF) Dois
eventos A e B so ditos eventos independentes se e somente se:
A) a probabilidade de ocorrncia conjunta de A e B for nula.
B) a ocorrncia de B alterar a probabilidade de ocorrncia de A.
C) a ocorrncia de A alterar a probabilidade de ocorrncia de B.
D) a ocorrncia de B no alterar a probabilidade de ocorrncia de A.
E) a probabilidade de ocorrncia conjunta de A e B for igual a 1.
Resoluo
Dois eventos A e B so ditos eventos independentes se e somente se
a ocorrncia de B no alterar a probabilidade de ocorrncia de A e
vice-versa.
GABARITO: D
21. (Analista de Finanas e Controle-STN-2008-ESAF) Marco
estuda em uma universidade na qual, entre as moas de cabelos
loiros, 18 possuem olhos azuis e 8 possuem olhos castanhos; entre
as moas de cabelos pretos, 9 possuem olhos azuis e 9 possuem
olhos castanhos; entre as moas de cabelos ruivos, 4 possuem olhos
84

Fiscal do ICMS-RJ
azuis e 2 possuem olhos castanhos. Marisa seleciona aleatoriamente
uma dessas moas para apresentar para seu amigo Marco. Ao
encontrar com Marco, Marisa informa que a moa selecionada possui
olhos castanhos. Com essa informao, Marco conclui que a
probabilidade de a moa possuir cabelos loiros ou ruivos igual a:
A) 0
B) 10/19
C) 19/50
D) 10/50
E) 19/31
Resoluo
Vamos fazer uma tabela, para facilitar o entendimento:
Moas
Olhos Azuis
Olhos Castanhos
Total
Cabelos
Loiros
18
8
26
Cabelos
Pretos
9
9
18
Cabelos
Ruivos
4
2
6
Total
31
19
50
Marisa seleciona aleatoriamente uma dessas moas para apresentar

para seu amigo Marco. Ao encontrar com Marco, Marisa informa que
a moa selecionada possui olhos castanhos. Com essa informao,
Marco conclui que a probabilidade de a moa possuir cabelos loiros ou
ruivos igual a:
Evento A = moa de cabelos loiros ou ruivos
Evento B = moa de olhos castanhos
(8 + 2)
P(A/B) = P(A B)/P(B) =
50 = 10 50 = 10
19
50 19 19
50
GABARITO: B
22. (Analista Tcnico SUSEP-2006-ESAF) Em uma casa de
jogos (Bingo S/A, por exemplo) a premiao ser de R$ 10,00, para
quem obtiver uma face de nmero primo ao jogar um dado honesto e
de R$ 20,00, para quem obtiver outra alternativa (face de nmero
no primo). Para N jogadas (sendo N um nmero suficientemente
grande de jogadas), o valor mdio da aposta, ou seja, o valor
esperado, ser de:
85

Fiscal do ICMS-RJ
A) R$ 10,00
B) R$ 10,33
C) R$ 13,33
D) R$ 15,00
E) R$ 17,33
Resoluo
S = {1, 2, 3, 4, 5, 6} => n(S) = 6
E = nmero primo = {2, 3, 5} => um nmero primo quando
somente divisvel por 1 e por ele mesmo => n(E) = 3
P(nmero primo) = 3/6 = 1/2 => Premiao (primo) = R$ 10,00
E= nmero no primo = {1, 4, 6} => n(E) = 3
P(nmero no primo) = 3/6 = 1/2 => Premiao (no primo) = R$
20,00
Valor esperado da varivel aleatria
suficientemente grande, de jogadas:
para
um
nmero
N,
E(X) = P(nmero primo) x premiao(primo) + P(nmero no primo)

x premiao(no primo)
E(X) = (1/2) x 10 + (1/2) x 20 = 30/2 = R$ 15,00
GABARITO: D
23. (Analista Tcnico SUSEP-2006-ESAF) Sendo X uma v. a. d.
varivel aleatria discreta e sendo Y = aX + b, pode concluir-se que
var (aX + b) igual a:
A) = var X.
B) = E(X2) (EX)2.
C) = E(X E(X))2.
D) = a2 var X.
E) = a2 var X b.
Resoluo
Var(cX) = c2 Var(X), sendo c = constante
Var(X + a) = Var (X), sendo a = constante.
Var(aX + b) = a2 Var(X)
86

Fiscal do ICMS-RJ
GABARITO: D
O enunciado abaixo refere-se s questes de nmeros 24 a 27.
Aps vrios anos de magistrio no ensino superior, um professor de
Estatstica constatou que, em sua aula na graduao, a funo de
probabilidade de X, varivel aleatria que representa o nmero de
alunos ausentes s sextas-feiras, a seguinte
0
0,010
X
f(x)
1
0,020
2
0,310
3
0,320
4
0,240
5
0,080
6
0,019
7
0,001
24. Ento a probabilidade de que, em dada sexta-feira, 2 ou 3 ou 4

alunos estaro ausentes
(A) 0,63
(B) 0,13
(C) 0,87
(D) 0,56
(E) 1
Resoluo
A probabilidade de que, em dada sexta-feira, 2 ou 3 ou 4 estaro
ausentes dada por
4
f ( x) = 0,310 + 0,320 + 0,240 = 0,87

x=2
GABARITO: C
25. O valor esperado da varivel aleatria X
(A) 3,08
(B) 3,26
(C) 2,12
(D) 0,32
(E) 0,96
Resoluo
7
E[ X ] = xf ( x)
x =0
87

Fiscal do ICMS-RJ
Logo, E[X]
= 0 0,01 + 1 0,02 + 2 0,31 + 3 0,32 + 4 0,24 + 5 0,08 + 6 0,019 + 7 0,001 = 3,081 3,08
GABARITO: A
26. O valor esperado de Y = 5X + 4
(A) 4
(B) 3,1
(C) 15,4
(D) 19,4
(E) 81
Resoluo
E[Y ] = E[5 X + 4] = 5 E[ X ] + 4 = 5 3,081 + 4 = 15,405 + 4 = 19,405 19,4 .
GABARITO: D
27. A varincia de X
(A) 9,49
(B) 1,22
(C) 10,71
(D) 20,305
(E) 85,525
Resoluo
7
var( X ) = E[ X 2 ] X 2 = x 2 f ( x) X 2 .
x =0
f ( x) =0 2 0,01 + 12 0,02 + 2 2 0,31 + 3 2 0,32 + 4 2 0,24 + 5 2 0,08 +
x =0
+ 6 2 0,019 + 7 2 0,001 = 10,713
Ento,
var( X ) = E[ X 2 ] X 2 = 10,713 3,0812 = 10,713 9,493 = 1,22 .
GABARITO: B
88

Fiscal do ICMS-RJ
O enunciado a seguir refere-se s questes de nmeros 28 e
29.
Seja X uma varivel aleatria com densidade de probabilidade
f X ( x) = 2 2 x para 0 x 1 e f X ( x) = 0 para os demais valores.
28. A probabilidade de se obter X maior do que 0
(A) 0
(B) 0,75
(C) 0,25
(D) 0,5
(E) 1
Resoluo
O grfico da funo densidade de probabilidade f X ( x) = 2 2 x est
representado abaixo. A probabilidade de se obter X maior do que 0 ,
por definio, igual rea sob f(x), a qual unitria, pois representa
a probabilidade do evento certo. Conferindo:
P[ X > 0] =
base altura 1 2
=
= 1.
2
2
f(x)
2
0,5
GABARITO: E
89

Fiscal do ICMS-RJ
29. A probabilidade de se obter X maior do que 0,5
(A) 0
(B) 0,75
(C) 0,25
(D) 0,5
(E) 1
Resoluo
A probabilidade de se obter X maior do que 0,5 igual rea sob f(x)
no intervalo 0,5 < x 1 . Ou seja
P[ X > 0,5] =
0,5 1
= 0,25 .
2
GABARITO: C
O enunciado a seguir refere-se s questes de nmeros 30 a
33 (Exerccio 2.6 de [HIL06], adaptado).
Um total de 15.064.859 alunos esto matriculados no ensino
superior, divididos entre cursos com durao de 4 anos, de 2 anos e
de menos de 2 anos. A matrcula, separada por sexo, mostrada na
tabela a seguir.
Homens
Mulheres
4 anos
4.076.416
4.755.790
2 anos
2.437.905
3.310.086
Menos de 2 anos
172.874
311.788
Fonte: Digest of Educational Statistics 1997, Tabela 170.
Nessa populao, as probabilidades aproximadas de matrcula em um

dos tipos de instituio de ensino superior, por sexo, so
Homens
Mulheres
4 anos
0,27
0,32
2 anos
0,16
0,22
Menos de 2 anos
0,01
0,02
Considere o experimento de extrair aleatoriamente um estudante

matriculado de sua populao. Defina a varivel aleatria X = 0, se
um homem selecionado, e X = 1, se uma mulher selecionada.
Defina a varivel aleatria Y = 1, se o estudante escolhido de um
curso de 4 anos, Y = 2, se o estudante escolhido de um curso de 2
anos e Y = 3, se de um curso de menos de 2 anos.
90

Fiscal do ICMS-RJ
30. Qual a probabilidade do estudante escolhido aleatoriamente ser
homem (X = 0)?
(A) 0,44
(B) 0,56
(C) 0,59
(D) 0,38
(E) 0,03
Resoluo
Seja
f XY ( xi , yk ) ,
i = 1,2
k = 1,2,3 ,
funo
discreta
de
probabilidade conjunta da populao de homens e mulheres da

questo. Sendo assim, temos as seguintes probabilidades
conjuntas:
f XY ( x = 0, y = 1) = 0,27 (i=1, k=1), f XY ( x = 0, y = 2) = 0,16 (i=1, k=2),

f XY ( x = 0, y = 3) = 0,01 (i=1, k=3),
f XY ( x = 1, y = 1) = 0,32 (i=2, k=1),
f XY ( x = 1, y = 2) = 0,22 (i=2, k=2) e f XY ( x = 1, y = 3) = 0,02 (i=2, k=3).
2
Note
que
XY
( xi , yk ) = 0,27 + 0,16 + 0,01 + 0,32 + 0,22 + 0,02 = 1
i =1 k =1
(probabilidade do evento certo).

O enunciado determina que a
Observe que P[ X = 0] = f X ( x = 0) ,
escolhido aleatoriamente ser
marginal f X (x) no ponto x =0.
probabilidade P[ X = 0] seja calculada.

isto , a probabilidade de o estudante
homem igual probabilidade
Vimos que f X ( xi ) = f XY ( xi , yk ) . Logo,
k
P[ X = 0] = f X ( x = 0) = f XY ( x = 0, y = 1) + f XY ( x = 0, y = 2) + f XY ( x = 0, y = 3)]
P[ X = 0] = 0,27 + 0,16 + 0,01 = 0,44
GABARITO: A
31. Qual a probabilidade de um estudante,
aleatoriamente, ser de um curso de 2 anos (Y = 2)?
escolhido
(A) 0,44
(B) 0,56
(C) 0,59
(D) 0,38
(E) 0,03
91

Fiscal do ICMS-RJ
Resoluo
Seja g Y ( y ) = f XY ( xi , yk ) a funo de probabilidade marginal de Y.
i
P[Y = 2] = g Y ( y = 2)
g Y ( y = 2) = f XY ( x = 0, y = 2) + f XY ( x = 1, y = 2)
P[Y = 2] = P[ X = 0, Y = 2] + P[ X = 1, Y = 2] = 0,16 + 0,22 = 0,38 .
GABARITO: D
32. Assinale a alternativa com a funo discreta de probabilidade
marginal f (x) .
0, x = 0
(A) f ( x) =
1, x = 1
0,56, x = 0
(B) f ( x) =
0,44, x = 1
0,44, x = 0
(C) f ( x) =
0,56, x = 1
0,59, x = 0
(D) f ( x) =
0,38, x = 1
0,38, x = 0
(E) f ( x) =
0,59, x = 1
Resoluo
Sabemos que f X ( xi ) = f XY ( xi , yk ) . Portanto,
k
f X ( x = 0) = f XY ( x = 0, y = 1) + f XY ( x = 0, y = 2) + f XY ( x = 0, y = 3) = 0,44
na questo 7).
(calculado
f X ( x = 1) = f XY ( x = 1, y = 1) + f XY ( x = 1, y = 2) + f XY ( x = 1, y = 3) =
= 0,32 + 0,22 + 0,02 = 0,56 .
Assim a funo de probabilidade marginal f ( x ) dada por
0,44, x = 0
f ( x) =
0,56, x = 1
GABARITO: C
92

Fiscal do ICMS-RJ
33. A funo de probabilidade condicional para Y, dado que X =1
0,57, y = 1
(A) fY / X ( y / x = 1) = 0,40, y = 2
0,02, y = 3
0,02, y = 1
(B) fY / X ( y / x = 1) = 0,29, y = 2
0,48, y = 3
0,48, y = 1
(C) fY / X ( y / x = 1) = 0,29, y = 2
0,02, y = 3
0,04, y = 1
(D) fY / X ( y / x = 1) = 0,40, y = 2
0,57, y = 3
0,57, y = 1
(E) fY / X ( y / x = 1) = 0,40, y = 2
0,04, y = 3
Resoluo
Pela definio de probabilidade condicional temos que
4.755.790
0,57
8.377.664
3.310.086
fY / X ( y = 2 / x = 1) =
0,40
8.377.664
311.788
fY / X ( y = 3 / x = 1) =
0,04
8.377.664
fY / X ( y = 1 / x = 1) =
Observe que
fY / X ( y = 1 / x = 1) + fY / X ( y = 2 / x = 1) + fY / X ( y = 3 / x = 1) 1 (evento certo)
Assim a funo de probabilidade marginal fY / X ( y / x = 1) dada por
0,568, y = 1
fY / X ( y / x = 1) = 0,395, y = 2
0,037, y = 3
fY / X ( y / x = 1) = 0 p/ os demais valores de y.
Tambm podemos resolver a questo usando a frmula

93

Fiscal do ICMS-RJ
fY / X ( y / x = 1) =
f XY ( x, y )
.
f ( x = 1)
Assim sendo,
f XY ( x = 1, y = 1) 0,32
=
0,57
0,56
f ( x = 1)
f ( x = 1, y = 2) 0,22
=
0,40
fY / X ( y = 2 / x = 1) = XY
0,56
f ( x = 1)
f ( x = 1, y = 3) 0,02
=
0,04
fY / X ( y = 2 / x = 1) = XY
0,56
f ( x = 1)
fY / X ( y = 1 / x = 1) =
GABARITO: E
94

Fiscal do ICMS-RJ
95

Fiscal do ICMS-RJ
96

Fiscal do ICMS-RJ
Distribuio de Qui-quadrado: valores crticos xc tais que P[ 2 xc ] = .
Exemplo: considere n = = 5 graus de liberdade e probabilidade da cauda
da distribuio = 0,975 o valor crtico xc = 0,831 .
97

Fiscal do ICMS-RJ
98

Estatística Icms RJ - Aula 1 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estatística Icms RJ - Aula 1 PDF

Caricato da

Copyright:

Formati disponibili

PONTO DOS CONCURSOS

Este documento aborda os seguintes tpicos: teoria de probabilidade,

Estatstica Teoria e Exerccios

Os Diferentes Tipos de Probabilidade .............................................. 4

Conjuntos e Eventos .............................................................................. 6

lgebra de Conjuntos ................................................................................ 6

Definio Axiomtica de Probabilidade ......................................... 10

Probabilidades Conjunta e Condicional ......................................... 11

Regras de Adio ................................................................................... 12

Teorema da Probabilidade Total ...................................................... 13

Definio de Varivel Aleatria ........................................................ 15

Funo Discreta de Probabilidade ................................................... 16

Funo de Distribuio de Probabilidade...................................... 17

Valor Esperado de Uma Funo de Varivel Aleatria ............ 25

Distribuies Discretas ........................................................................ 29

5.1.1. Distribuio Binomial .................................................................................. 29

Estatstica Teoria e Exerccios

Distribuies Contnuas ....................................................................... 37

5.2.1. Distribuio Uniforme .................................................................................. 37

Estatstica Teoria e Exerccios

A Probabilidade a teoria matemtica que nos ajuda a estudar

Estatstica Teoria e Exerccios

em que P a probabilidade de E, NE representa o nmero de

O nmero de elementos em E 3. Como N = 4, temos que

A definio clssica de probabilidade possui alguns defeitos,

em que nE denota o nmero de ocorrncias de E. Como na prtica

Estatstica Teoria e Exerccios

Estatstica Teoria e Exerccios

O complemento de E tambm costuma ser denotado por E.

Estatstica Teoria e Exerccios

Estatstica Teoria e Exerccios

Figura 3: interseo e diferenas.

Ei = E e Ei E j = para todo i j . A Fig. 5 ilustra o diagrama de

Estatstica Teoria e Exerccios

Figura 5: diagrama de Venn de quatro eventos mutuamente

Estatstica Teoria e Exerccios

Estatstica Teoria e Exerccios

Este conceito emprico sugere que seja introduzido o conceito

em que P[ B / A] denota a probabilidade de que B ocorra dado

Os eventos A e B, pertencentes ao espao amostral , com P[A] > 0

Como P[ AB] = P[ B / A]P[ A] = P[ A / B ]P[ B] , segue-se que

so vlidas quando A e B so eventos independentes.

Estatstica Teoria e Exerccios

Se A e B so eventos mutuamente excludentes, ento

Sejam A, B e C eventos de um espao amostral . Neste caso, temos

(11) P[ E1 E 2 ... E k ] = P[ E1 ] + P[ E2 ] + ... + P[ E k ] .

Para uma coleo de k eventos mutuamente excludentes,

1.7. Regra da Multiplicao

A definio (3) de probabilidade condicional pode ser reescrita para

1.8. Teorema da Probabilidade Total

Em muitas aplicaes, necessrio calcular a probabilidade no

Sejam os eventos A e B de um espao amostral como na Fig.

P(B) = P(B/A) P(A) + P(B/Ac) P(Ac),

Estatstica Teoria e Exerccios

Figura 6: diviso do evento B em dois eventos mutuamente

A expresso (13) pode ser generalizada para o caso de k

A Eq. (14) nos d a probabilidade total (no condicional)

Estatstica Teoria e Exerccios

A frmula (15) o Teorema de Bayes.

Observe que o denominador de (16) a probabilidade total de B

2.1. Definio de Varivel Aleatria

Nmero de coroas obtido no lanamento de duas moedas;

Nmero de itens defeituosos em uma amostra retirada,