Questionário prático de Distribuições Discretas e Contínuas I com aula interativa passo a passo
Use a série de perguntas mais abaixo na página para praticar as ideias centrais de distribuições de probabilidade discretas e contínuas. Este tema foca nos fundamentos mais comuns de estatística e probabilidade: variáveis aleatórias e linguagem de distribuições, distribuições discretas e contínuas, funções de massa de probabilidade (PMF), funções de densidade de probabilidade (PDF) e a função de distribuição acumulada (CDF), a distribuição binomial \(\mathrm{Bin}(n,p)\) com a fórmula binomial \(\binom{n}{k}p^k(1-p)^{n-k}\), técnicas rápidas de probabilidade como a regra do complemento, fórmulas de média e variância como \(\mathbb{E}[X]=np\) e \(\mathrm{Var}(X)=np(1-p)\), a distribuição uniforme contínua \(\mathrm{Uniform}[a,b]\) com probabilidades de intervalo e a distribuição normal \(\mathcal{N}(\mu,\sigma^2)\), incluindo simetria, significado da área sob a curva e escores-z \(z=\dfrac{x-\mu}{\sigma}\). Se quiser revisar, clique em Iniciar aula para abrir um guia passo a passo com exemplos resolvidos e verificações rápidas.
Responda à série de perguntas e revise seus erros no final.
Como esta prática de distribuições funciona
1. Faça a série de prática: responda às perguntas de distribuições discretas e contínuas mais abaixo na página.
2. Abra a aula (opcional): revise PMF/PDF/CDF, probabilidades binomiais, probabilidades de intervalos uniformes e simetria da distribuição normal com exemplos claros.
3. Tente novamente: volte à série de perguntas e aplique imediatamente as regras de distribuições.
O que você vai aprender na aula de Distribuições Discretas e Contínuas I
Variáveis aleatórias e funções de distribuição
Variáveis aleatórias discretas e contínuas (contar resultados ou medir em um intervalo)
PMF e PDF, por que \(\sum p(x)=1\) e \(\int f(x)\,dx=1\), e por que \(P(X=c)=0\) para \(X\) contínua
CDF \(F(x)=P(X\le x)\) e como ela reúne probabilidades
Distribuições discretas: Bernoulli e binomial
Condições binomiais: \(n\) fixo, ensaios independentes, dois resultados, \(p\) constante
Objetivo: Construir uma compreensão clara de distribuições de probabilidade discretas e contínuas para classificar variáveis aleatórias, usar corretamente a linguagem de PMF, PDF e CDF, calcular probabilidades para distribuições binomiais e distribuições uniformes contínuas e interpretar a distribuição normal usando simetria e escores-z.
Critérios de sucesso
Distinguir variáveis aleatórias discretas e contínuas.
Usar uma PMF \(p(x)=P(X=x)\) para distribuições discretas e saber que \(\sum p(x)=1\).
Usar uma PDF \(f(x)\) para distribuições contínuas e saber que \(\int_{-\infty}^{\infty} f(x)\,dx=1\).
Explicar por que, para \(X\) contínua, \(P(X=c)=0\) para qualquer valor único \(c\).
Usar a CDF \(F(x)=P(X\le x)\) para reunir probabilidades.
Identificar contextos binomiais e aplicar \(X\sim\mathrm{Bin}(n,p)\).
Usar a fórmula binomial \(P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}\).
Contínua: assume valores em um intervalo (como tempos, comprimentos, pesos).
PMF: \(p(x)=P(X=x)\) para \(X\) discreta.
PDF: \(f(x)\ge 0\) para \(X\) contínua; probabilidades vêm de áreas.
CDF: \(F(x)=P(X\le x)\).
Valor esperado: \(\mathbb{E}[X]\), a média de longo prazo.
Variância: \(\mathrm{Var}(X)\), dispersão em torno da média; \(\sigma=\sqrt{\mathrm{Var}(X)}\).
Distribuição binomial: conta sucessos em \(n\) ensaios independentes com probabilidade de sucesso \(p\).
Distribuição normal: distribuição em forma de sino \(\mathcal{N}(\mu,\sigma^2)\); use escores-z para padronizar.
Verificação rápida
Pré-verificação 1: Qual variável aleatória é contínua?
Dica: Variáveis contínuas podem assumir qualquer valor em um intervalo (incluindo decimais).
Pré-verificação 2: Para uma variável aleatória normal padrão \(Z\), quanto é \(P(Z<0)\)?
Dica: A curva normal padrão é simétrica em torno de \(0\).
Noções básicas de distribuições
Variáveis aleatórias, PMF, PDF e CDF
Objetivo de aprendizagem: Saber quando somar (discreto) e quando integrar (contínuo), e interpretar probabilidades como áreas sob uma curva.
Ideia principal
Uma variável aleatória discreta tem uma função de massa de probabilidade (PMF) \(p(x)=P(X=x)\), e as probabilidades somam: \[\sum_x p(x)=1.\] Uma variável aleatória contínua tem uma função de densidade de probabilidade (PDF) \(f(x)\ge 0\), e a área total é \(1\): \[\int_{-\infty}^{\infty} f(x)\,dx = 1.\] Para \(X\) contínua, a probabilidade vem da área: \[P(a\le X\le b)=\int_a^b f(x)\,dx,\] e qualquer ponto único tem probabilidade \(0\): \(P(X=c)=0\).
A função de distribuição acumulada (CDF) funciona nos dois casos: \[F(x)=P(X\le x).\]
Exemplo resolvido
Exemplo: Em uma distribuição uniforme contínua de \(0\) a \(12\), qual é a probabilidade de um valor escolhido aleatoriamente estar entre \(4\) e \(8\)?
Se \(X\sim\mathrm{Uniform}[0,12]\), então as probabilidades são proporcionais ao comprimento do intervalo: \[P(4\le X\le 8)=\frac{8-4}{12-0}=\frac{4}{12}=\frac{1}{3}.\]
Pratique
Pratique 1: Em uma distribuição normal, qual é a probabilidade de a variável ser exatamente igual à média?
Dica: Uma distribuição normal é contínua, então qualquer ponto único tem probabilidade \(0\).
Pratique 2: O que a área total sob a curva de uma distribuição normal representa?
Dica: Para qualquer PDF, a área total é \(1\).
Resumo
Discreta: use uma PMF e some probabilidades.
Contínua: use uma PDF e integre para obter áreas (probabilidades).
Distribuição binomial
Ensaios de Bernoulli e distribuição binomial
Objetivo de aprendizagem: Reconhecer contextos binomiais e calcular probabilidades com a fórmula binomial e a regra do complemento.
Ideia principal
Uma variável aleatória \(X\) segue uma distribuição binomial, escrita \(X\sim \mathrm{Bin}(n,p)\), quando:
Há um número fixo de ensaios \(n\).
Cada ensaio é independente.
Cada ensaio tem dois resultados (sucesso/fracasso).
A probabilidade de sucesso é constante, \(p\).
A probabilidade de exatamente \(k\) sucessos é: \[P(X=k)=\binom{n}{k}p^k(1-p)^{n-k},\quad k=0,1,\dots,n.\]
Exemplo resolvido
Exemplo: Seja \(X\sim\mathrm{Bin}(n=2,p=0.5)\). Quanto é \(P(X \ge 1)\)?
Use a regra do complemento: \[P(X\ge 1)=1-P(X=0).\] Calcule \(P(X=0)\): \[P(X=0)=\binom{2}{0}(0.5)^0(0.5)^2=(0.5)^2=\frac{1}{4}.\] Então: \[P(X\ge 1)=1-\frac{1}{4}=\frac{3}{4}.\]
Pratique
Pratique 1: Uma moeda justa é lançada \(5\) vezes. Qual expressão dá a probabilidade de obter exatamente \(3\) caras?
Dica: Use \(\binom{n}{k}p^k(1-p)^{n-k}\) com \(n=5\), \(k=3\), \(p=\tfrac12\).
Pratique 2: Quais informações precisam ser conhecidas para usar a fórmula binomial?
Dica: Probabilidades binomiais dependem do número de ensaios \(n\), da probabilidade de sucesso \(p\) e da contagem-alvo \(k\).
Resumo
Modelo binomial: \(X\sim\mathrm{Bin}(n,p)\) para contar sucessos em ensaios de Bernoulli independentes.
A regra do complemento é rápida para "pelo menos um": \(P(X\ge 1)=1-P(X=0)\).
Média e variância binomial
Média, variância e atalhos rápidos de probabilidade binomial
Objetivo de aprendizagem: Usar \(\mathbb{E}[X]\), \(\mathrm{Var}(X)\) e probabilidades de atalho simples como \(P(X=0)\) e "pelo menos zero".
Ideia principal
Para \(X\sim\mathrm{Bin}(n,p)\), a média e a variância são: \[\mathbb{E}[X]=np,\qquad \mathrm{Var}(X)=np(1-p).\] Dois atalhos comuns:
Zero sucessos: \(P(X=0)=(1-p)^n\).
Pelo menos zero sucessos: \(P(X\ge 0)=1\), porque a menor contagem possível é \(0\).
Exemplo resolvido
Exemplo: Para \(X\sim\mathrm{Bin}(n=5,p=0.5)\), quanto é \(P(X=0)\)?
Zero sucessos significa que todo ensaio é um fracasso: \[P(X=0)=(1-0.5)^5=(0.5)^5=\frac{1}{32}.\]
Pratique
Pratique 1: Seja \(X\sim\mathrm{Bin}(10,0.3)\). Quanto é \(\mathrm{Var}(X)\)?
Dica: \(\mathrm{Var}(X)=np(1-p)=10(0.3)(0.7)\).
Pratique 2: Qual é a probabilidade de obter pelo menos zero sucessos em uma distribuição binomial?
Dica: Uma contagem binomial \(X\) nunca pode ser negativa, então \(X\ge 0\) sempre acontece.
Resumo
Média binomial: \(\mathbb{E}[X]=np\).
Variância binomial: \(\mathrm{Var}(X)=np(1-p)\).
Fatos rápidos: \(P(X=0)=(1-p)^n\) e \(P(X\ge 0)=1\).
Distribuição uniforme
Distribuição uniforme contínua em \([a,b]\)
Objetivo de aprendizagem: Calcular probabilidades uniformes rapidamente usando comprimentos de intervalos e conhecer as fórmulas essenciais de média/variância.
Ideia principal
Se \(X\sim \mathrm{Uniform}[a,b]\), então todo valor em \([a,b]\) é igualmente provável no sentido de que a densidade é constante: \[f(x)=\frac{1}{b-a}\quad \text{para } a\le x\le b.\] Probabilidades são proporcionais ao comprimento do intervalo: \[P(c\le X\le d)=\frac{d-c}{b-a}\quad (a\le c\le d\le b).\]
Distribuição normal: simetria, média e desvio padrão
Objetivo de aprendizagem: Interpretar corretamente a curva normal: probabilidades são áreas, e a simetria dá respostas rápidas sobre a média.
Ideia principal
Uma variável aleatória normal é escrita \(X\sim\mathcal{N}(\mu,\sigma^2)\). A curva é simétrica em torno de \(\mu\), e para uma distribuição normal:
Média = mediana = moda \(=\mu\).
Área total sob a curva é \(1\).
Por simetria: \(P(X<\mu)=P(X>\mu)=\tfrac12\).
Como é contínua: \(P(X=\mu)=0\).
Exemplo resolvido
Exemplo: Em uma distribuição normal, qual é a probabilidade de um valor ser menor que a média?
A curva normal é simétrica em torno da média \(\mu\), então exatamente metade da área fica à esquerda: \[P(X<\mu)=\frac{1}{2}.\]
Pratique
Pratique 1: Em uma distribuição normal, qual é a probabilidade de um valor estar acima da média?
Dica: A simetria em torno de \(\mu\) divide a área em duas metades iguais.
Pratique 2: Se o desvio padrão de uma distribuição normal aumenta, o que acontece com o formato da curva?
Dica: Um \(\sigma\) maior espalha mais os valores, então o pico precisa baixar para manter a área total \(1\).
Resumo
Distribuições normais são simétricas em torno de \(\mu\), então metade da probabilidade fica de cada lado.
Aumentar \(\sigma\) deixa a curva mais larga e mais achatada (mas a área total permanece \(1\)).
Escores-z
Distribuição normal padrão e escores-z
Objetivo de aprendizagem: Converter valores normais em escores-z para usar probabilidades da normal padrão.
Ideia principal
Se \(X\sim\mathcal{N}(\mu,\sigma^2)\), padronizamos com o escore-z: \[Z=\frac{X-\mu}{\sigma}.\] A variável padronizada satisfaz \(Z\sim\mathcal{N}(0,1)\). Isso permite usar a CDF normal padrão \(\Phi(z)=P(Z\le z)\), simetria \(\Phi(-z)=1-\Phi(z)\) e tabelas-z ou calculadoras.
Simetria normal: \(P(X<\mu)=P(X>\mu)=\tfrac12\) e \(P(X=\mu)=0\).
Escores-z: \(z=\dfrac{x-\mu}{\sigma}\) para usar probabilidades normais padrão.
Próximo passo: Feche esta aula e tente seu questionário novamente. Se errar uma pergunta, reabra o livro e revise a página que corresponde à habilidade de distribuição que você precisa.
Série de prática
Perguntas de prática de Distribuições Discretas e Contínuas I com pontuação instantânea
Responda às 10 perguntas abaixo e receba sua pontuação final com uma revisão de erros para saber exatamente o que melhorar.
0/10respondidas
Pergunta 1Não respondida
Uma moeda justa é lançada \(5\) vezes. Qual expressão dá a probabilidade de obter exatamente \(3\) caras?
Resposta correta: C. \(\binom{5}{3}\,0.5^{3}\,0.5^{2}\)
Explicação: Pela fórmula binomial, \(P(X=k)=\binom{n}{k}p^{k}(1-p)^{n-k}\). Aqui \(n=5, k=3, p=0.5\), então \(P(X=3)=\binom{5}{3}(0.5)^3(0.5)^2 = 10 \times 0.125 \times 0.25 = 0.3125\).
Pergunta 2Não respondida
Qual afirmação sobre a distribuição normal é verdadeira?
Resposta correta: C. A média, a mediana e a moda são iguais
Explicação: A curva normal é simétrica em relação à sua média; portanto, média, mediana e moda coincidem.
Pergunta 3Não respondida
Qual das seguintes situações \(\textbf{não}\) é descrita por uma distribuição binomial?\r\n
Resposta correta: C. Medir as alturas de \(30\) estudantes
Explicação: Alturas são medidas contínuas; modelos binomiais usam apenas contagens discretas de sucesso/fracasso.
Pergunta 4Não respondida
Qual fórmula representa a probabilidade de exatamente \(k\) sucessos em \(n\) tentativas independentes (probabilidade de sucesso \(p\))?
Resposta correta: B. \(\binom{n}{k}p^{k}(1-p)^{n-k}\)
