Em um exame físico para selecionar um jogador de futebol é medido o peso de cada candidato; aqui também consideramos que o resultado pode ser qualquer número real positivo.

Passo 1

O enunciado dado é curto e só afirma que, num exame físico para selecionar um jogador, é medido o peso de cada candidato e que o resultado pode ser qualquer número real positivo.
Informações explícitas fornecidas:
  • O peso de cada candidato é medido.
  • O peso é um número real positivo (ou seja, pertence ao conjunto (0,\infty)).
O enunciado NÃO contém nenhuma pergunta: não diz o que quer que a gente calcule (por exemplo, média, probabilidade, estimativa, teste de hipóteses, modelagem da distribuição, etc.) e também não fornece dados numéricos (amostra) nem hipótese sobre a distribuição dos pesos. Portanto, com o enunciado atual não há uma tarefa matemática bem definida a ser resolvida.

Passo 2

Para eu não te deixar na mão, vou te explicar passo a passo o que costumam pedir em exercícios desse tipo e quais informações seriam necessárias. Assim você aprende o material e, quando vier a pergunta completa, resolve tranquilo.
  1. Modelagem básica: tratamos o peso como uma variável aleatória contínua X com suporte em (0,\infty). Isso significa que podemos descrever X por uma função densidade de probabilidade f_X(x) e por sua função de distribuição acumulada F_X(x)=P(X\le x).
    • A densidade f_X(x) é uma função não-negativa tal que \int_0^\infty f_X(x)\,dx=1.
    • A função F_X(x) satisfaz F_X(x)=\int_0^x f_X(t)\,dt e é usada para calcular probabilidades do tipo P(a<X\le b)=F_X(b)-F_X(a).
  2. Medidas importantes:
    • Esperança (média): \displaystyle \mathbb{E}[X]=\int_0^\infty x\,f_X(x)\,dx. Isso dá o “peso médio esperado”.
    • Variância: \displaystyle \mathrm{Var}(X)=\mathbb{E}\big[(X-\mathbb{E}[X])^2\big]. Dá uma ideia de dispersão dos pesos.
      Essas fórmulas são fundamentais e aparecem muito em provas.

Passo 3

Quais distribuições são comuns para pesos (variáveis positivas) e como elas se definem — uma mini-aula com as fórmulas e explicações simples:
  1. Distribuição Lognormal: assume-se que \ln X é normalmente distribuída, isto é, \ln X \sim \mathcal{N}(\mu,\sigma^2).
    • Densidade:
    f_X(x)=\frac{1}{x\,\sigma\sqrt{2\pi}}\exp\!\left(-\frac{(\ln x-\mu)^2}{2\sigma^2}\right),\qquad x>0.
    • Por que usar? Pesos são positivos e frequentemente apresentam leve assimetria; lognormal modela isso bem.
    • Probabilidades: para qualquer a>0,
    P(X\le a)=\Phi\!\left(\frac{\ln a-\mu}{\sigma}\right),
    onde \Phi é a função de distribuição da normal padrão.
  2. Distribuição Exponencial: X\sim\text{Exp}(\lambda) tem densidade
    f_X(x)=\lambda e^{-\lambda x},\qquad x>0.
    • Tem suporte positivo e é simples; usada quando queremos um modelo com memória curta, mas raramente é perfeita para pesos humanos.
  3. Distribuição Gama: X\sim\Gamma(\alpha,\beta) (forma \alpha, escala \beta) com densidade
    f_X(x)=\frac{1}{\Gamma(\alpha)\beta^\alpha}x^{\alpha-1}e^{-x/\beta},\qquad x>0.
    • Muito flexível; inclui exponencial como caso especial ( \alpha=1).
  4. Normal truncada: às vezes usa-se \mathcal{N}(\mu,\sigma^2) mas só para x>0 (truncada), se os pesos estiverem bem afastados de zero.
Qual escolher? Depende do formato dos dados (simetria, cauda, comportamento perto de zero). Em provas, o enunciado costuma indicar a distribuição ou fornecer uma amostra para justificar a escolha.

Passo 4

Estimadores e procedimentos que frequentemente aparecem — explico cada um com calma:
  1. Estimação por máxima verossimilhança (MLE) — ideia: dado um modelo f_X(x;\theta) com parâmetro \theta, usamos a amostra x_1,\dots,x_n e formamos a verossimilhança
L(\theta)=\prod_{i=1}^n f_X(x_i;\theta).
O MLE é o valor \hat\theta que maximiza L(\theta) (ou \ell(\theta)=\ln L(\theta)). Depois, muitas vezes usamos \hat\theta para calcular probabilidades e estimativas pontuais.
Exemplos práticos:
  • Se X é Exponencial \text{Exp}(\lambda), o MLE de \lambda é
\hat\lambda=\frac{n}{\sum_{i=1}^n x_i},
e a média do exponencial estimada é \widehat{\mathbb{E}}[X]=1/\hat\lambda=\frac{1}{n}\sum_{i=1}^n x_i.
  • Se X é Lognormal, trabalhando com Y=\ln X e y_i=\ln x_i, então Y\sim\mathcal{N}(\mu,\sigma^2) e os MLEs são
\hat\mu=\frac{1}{n}\sum_{i=1}^n y_i,\qquad \hat\sigma^2=\frac{1}{n}\sum_{i=1}^n (y_i-\hat\mu)^2.
A vantagem do lognormal é reduzir o problema a estimar média e variância da normal sobre os logaritmos.
  1. Método dos Momentos: iguala momentos amostrais (média, variância) aos momentos teóricos para resolver parâmetros — é uma alternativa simples quando MLE é trabalhoso.
  2. Cálculo de probabilidades usando estimadores: uma vez que você tem \hat\mu,\hat\sigma para lognormal, calcula P(X\le a) como indicado no Passo 3, usando tabela Z (normal padrão).

Passo 5

Vou mostrar um exemplo ilustrativo (apenas para demonstrar o passo a passo — não inventei nada do seu enunciado, é só didática):
Suponha que uma amostra hipotética seja x_1,\dots,x_n (valores positivos). Para modelar com lognormal e estimar P(X\le a):
  1. Transforme: calcule y_i=\ln x_i para cada i.
  2. Calcule \hat\mu=\dfrac{1}{n}\sum_{i=1}^n y_i e \hat\sigma^2=\dfrac{1}{n}\sum_{i=1}^n (y_i-\hat\mu)^2. (Mostre isso com calma na prova, cada soma explicada.)
  3. Para a probabilidade estimada:
\widehat{P}(X\le a)=\Phi\!\left(\frac{\ln a-\hat\mu}{\hat\sigma}\right).
  1. Procure na tabela da normal padrão o valor de \Phi correspondente ao z calculado; se estiver numa prova sem calculadora, você geralmente usará tabela de Z.
Dica prática para prova: quando trabalharem com lognormal, anote sempre que você está transformando para a normal. Mostrar isso passo a passo rende pontos e evita erros bobos.

Passo 6

Resumo e conclusão prática sobre o que posso entregar agora:
  • Com o enunciado atual não há uma pergunta a resolver nem dados numéricos; por isso NÃO dá para apresentar um “cálculo final” ou uma resposta numérica.
  • O que eu te dei foi um mapa completo: como modelar, as distribuições mais apropriadas para pesos, como estimar parâmetros (MLE, momento), e um exemplo didático para quando tiveres uma amostra. Assim, na prova, quando aparecer a pergunta concreta, segue esse roteiro e resolve passo a passo.
Força aí — respira fundo! Se aparecer o enunciado completo (por exemplo: “calcule a probabilidade de um candidato pesar menos de 75 kg”, ou "estime a média dos pesos a partir da amostra \{x_i\} "), eu já sei exatamente o passo a passo pra te resolver em detalhe.

Resposta

Não é possível resolver numericamente: o enunciado está incompleto — falta a pergunta específica e/ou dados numéricos necessários para obter uma resposta.

Exercícios relacionados