104

Introdução ao e-learning

Manual de Exercícios

ÍNDICE
1. INTRODUÇÃO .............................................….................................... 1.1 Definições Gerais ........................................................................ 1.1.1. População 1.1.2. Variáveis ou atributos 1.1.3. Processo de amostragem 1.2 A Estatística Descritiva e a Estatística Indutiva .............…...... 2. ESTATÍSTICA DESCRITIVA .............................................…................... 2.1 Variáveis Qualitativas ................................................................. 2.2 Variáveis Quantitativas Discretas ............................................. 2.3 Variáveis Quantitativas Contínuas ............................................ 2.4 Medidas de Localização ............................................................. 2.4.1. Média 2.4.2. Mediana 2.4.3. Moda 2.5 Medidas de Ordem ...................................................................... 2.6 Medidas de Assimetria ............................................................... 2.7 Medidas de Dispersão ................................................................ 2.7.1. Dispersão Absoluta 2.7.2. Dispersão Relativa 2.8 Análise de Concentração ........................................................... 2.8.1. Curva de Lorenz 2.8.2. Índice de Gini 2.9 Estatística Descritiva Bidimensional ........................................
4 5 5 5 5 6 8 8 9 10 11 11 12 13 13 14 15 15 16 17 17 18 19

Estatística Aplicada

2

..5 Testes de hipóteses ..2 Probabilidade condicionada .................1....8 Aplicações Estatísticas: Tratamento Estatístico de Inquéritos .................. 3... 3......…. 3.....8.....2....................................................1 Noções básicas de probabilidades ..............….......................................1.......6........................ ESTATÍSTICA INDUTIVA .. Fiabilidade de um sistema 3............................. 3... 3........ 3......................... Conceito de fiabilidade 3....Manual de Exercícios 3.....................4 Estimação por Intervalos .........................................6 Aplicações Estatísticas: Fiabilidade ..6.........…...............7 Aplicações Estatísticas: Controlo Estatístico de Qualidade ..........3 Funções de Probabilidade ... Teste de independência do qui-quadrado 45 45 48 49 76 89 105 105 105 110 114 114 Estatística Aplicada 3 ...….... 3........ 3..... 3..........

É a classificação de dados. modelos econométricos. tratamento de inquéritos. sondagens. Os dados podem ser primários (publicados pela própria pessoa ou organização) ou secundários (quando são publicados por outra organização). testes de controle de qualidade. Autor desconhecido 1. A análise de um problema estatístico desenvolve-se ao longo de várias fases distintas: (i) Definição do Problema Saber exactamente aquilo que se pretende pesquisar. estabelecer o objectivo de análise e definição da população (ii) Amostragem e Recolha de Dados Fase operacional. Estatística Aplicada 4 . em traçar gráficos. com um objectivo determinado. previsões. (iii) Tratamento e Apresentação dos Dados Resumo dos dados através da sua contagem e agrupamento. Limitava-se ao estudo de medições e técnicas de contagem de fenómenos naturais e ao cálculo de probabilidades de acontecimentos que se podiam repetir indefinidamente. Fazer estatística sobre estes dados poderia consistir. Actualmente. Exemplo de uma estatística: os valores da inflação entre 1980 e 1990 constituem uma estatística. É o processo de selecção e registo sistemático de dados. os métodos estatísticos são utilizados em muitos sectores de actividade. pesquisas de mercado. a actividade estatística surgiu como um ramo da Matemática. calcular a inflação média trimestral ou prever a inflação para 1991.Manual de Exercícios "A estatística é a técnica de torturar os números até que eles confessem". tendo como algumas aplicações estudos de fiabilidade. INTRODUÇÃO Inicialmente. etc. recorrendo a tabelas ou gráficos. por exemplo.

As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores. As variáveis podem ser de natureza qualitativa ou quantitativa. Exemplo: Empresas existentes em Portugal 1. rácio de autonomia financeira (atributo quantitativo contínuo).1. Está ligada essencialmente ao cálculo de medidas e coeficientes. As variáveis discretas assumem apenas um número finito numerável de valores. podem efectuar-se: Estatística Aplicada 5 .1. Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade. número de trabalhadores (atributo quantitativo discreto). etc 1.1. População Fazer estatística pressupõe o estudo de um conjunto de objectos bem delimitado com alguma característica em comum sobre os quais observamos um certo número de atributos designados por variáveis. cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva).2. Definições Gerais 1.1.3. As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo). Processo de amostragem Para conhecer de forma completa a população.1. 1. Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada.

A estatística descritiva é o ramo da estatística que se encarrega do tratamento e análise de dados amostrais. que é o universo. sendo esses os motivos porque os Censos são realizados apenas em cada 10 anos. depois de recolhida a amostra de acordo com técnicas que garantem a sua representatividade e aleatoriedade. será possível proceder à análise dos dados através de várias medidas que descrevem o seu comportamento: localização. fica disponível um conjunto de dados sobre o universo “em bruto” ou não classificados. São disso exemplo indicadores numéricos bem conhecidos como a média ou a variância. recorrendo a tabelas de frequências e a representações gráficas. a amostra não é mais do que um passo intermédio e exequível de obter informações sobre o verdadeiro objecto de estudo. isto é. A estatística indutiva (ou inferência estatística) garante a ligação entre amostra e universo: se algo se concluiu acerca da amostra. Assim. A Estatística Descritiva e a Estatística Indutiva Para além do ramo de amostragem. Depois de tratados. até que ponto é possível afirmar algo semelhante para o universo? É nesta fase que se procuram validar as hipóteses formuladas numa fase prévia exploratória. etc. tido como representativo do universo). é preciso tratar os dados. A estatística indutiva é o ramo da estatística que se ocupa em inferir das conclusões retiradas sobre a amostra para a população. tornase necessário classificar os dados. - estudos por amostragem (observação de apenas um subconjunto. este processo é. concentração.2. Para que seja possível retirar qualquer tipo de conclusões.Manual de Exercícios - recenseamentos (indagação completa de todos os elementos da população). a estatística compreende dois grandes ramos: a estatística descritiva e a estatística indutiva. 1. As técnicas de recolha de amostras garantem a sua representatividade e aleatoriedade. tipicamente moroso e dispendioso. Claro que o processo de Estatística Aplicada 6 . De facto. simetria dos dados. no entanto. dispersão.

o respectivo grau de incerteza. por exemplo. ao mesmo tempo. não vai ser possível afirmar com toda a certeza que o comportamento da amostra ilustra perfeitamente o comportamento do universo. O conceito de probabilidade vai ter aqui. Daí que. apareçam referências ao “nível de confiança” associado aos resultados e ao “erro” cometido. As inferências indutivas são assim elaboradas medindo. tabelas. medidas descritivas Estatística Aplicada 7 . então. na ficha das técnicas das sondagens eleitorais. O esquema seguinte ilustra a “roda” da disciplina de estatística. um papel fundamental. relacionando os seus diferentes ramos: POPULAÇÃO OU UNIVERSO Amostragem AMOSTRA Previsões Estimação Erros INFERIR DA AMOSTRA PARA O UNIVERSO Estatística Descritiva TRATAMENTO E ANÁLISE DA AMOSTRA Inferência Estatística Gráficos.Manual de Exercícios indução implica um certo grau de incerteza associado à tentativa de generalização de conclusões da “parte” (amostra) para o “todo” (universo). Isto é. mas apenas que o faz com forte probabilidade.

n Estatística Aplicada 8 . A soma de todas as frequências é igual à dimensão da amostra (n).Manual de Exercícios 2.1. apresentação e análise de dados amostrais denomina-se de estatística descritiva. O ramo da estatística que se ocupa do tratamento. Numa tabela de frequências. também se apresentam as frequências relativas (fi). ESTATÍSTICA DESCRITIVA Os resultados da observação de um atributo sobre os elementos do conjunto a analisar constituem os dados estatísticos. que representa o número ni de elementos de cada uma das categorias ou classes e que é chamado de frequência absoluta. além das frequências absolutas. 2. obtida dividindo a frequência absoluta pelo número total de observações. j Mod. 1 Mod. ni: nº de vezes que cada modalidade da variável foi observada. n Total Frequências absolutas n1 nj nn n: dimensão da amostra Frequências relativas f1 fj fn 1 fi = ni . Modalidades Mod. Variáveis Qualitativas Os dados qualitativos são organizados na forma de uma tabela de frequências.

como se pode ver no exemplo: Nº defeituosos (X) 0 1 2 3 4 Total Nº embalagens (ni) 80 60 30 20 10 200 % embalagens (fi) 40% 30% 15% 10% 5% 1 Ni 80 80+60 170 190 200 Fi 40% 40%+30% 85% 95% 100% Estatística Aplicada 9 .e relativas . 2. pois permitem a comparação de amostras de diferentes dimensões). juntamente com a identificação da modalidade. O ângulo correspondente a cada modalidade é proporcional às frequências das classes. em que se apresentam tantas “fatias” quantas as modalidades em estudo.Fi) acumuladas. Variáveis Quantitativas Discretas São variáveis que assumem um número finito ou infinito numerável de valores. indica-se a frequência relativa respectiva. desenha-se uma barra de altura igual à frequência absoluta ou relativa (as frequências relativas são de preferir. A apresentação destas amostras é semelhante às variáveis qualitativas.2. fazendo-se uma tabela de frequências e uma representação gráfica recorrendo ao diagrama de barras. Valores da variável X1 Xj Xn Total Frequências absolutas n1 nj nn n: dimensão da amostra Frequências relativas f1 fj fn 1 Também é possível calcular as frequências (absolutas – Ni .Manual de Exercícios Estes dados podem também ser representados graficamente através de: Diagrama de barras Para cada modalidade. fazendo corresponder o total da amostra (n) a 360º Geralmente. Diagrama sectorial ou circular Esta representação é constituída por um círculo.

correspondentes a intervalos de números reais fechados à esquerda e abertos à direita.3. isto é. isto é. em que a base é uma classe e a altura a frequência (relativa ou absoluta) por unidade de amplitude (ni/ai ou fi/ai). o número de classes a constituir deve ser 5 Se n<25. Estatística Aplicada 10 .Amplitude comum a todas as classes Sendo a amplitude total dos dados dada pela diferença entre o valor máximo e o valor mínimo observados. Neste caso. A área total do histograma é a soma das frequências relativas. xn] Total Frequências absolutas n1 nj n n: dimensão da amostra Frequências relativas f1 fj fn 1 A distribuição de frequências representa-se através de um histograma. sendo a amplitude de cada classe ai=ei-ei-1. x3[ [x3.Número de classes a constituir Depende de n = dimensão da amostra Se n≥25. Um histograma é uma sucessão de rectângulos adjacentes. cuja constituição obedece a certas regras (ii) Contagem das observações pertencentes a cada classe Regra de construção de classes (pressupõe a formação de classes de igual amplitude) . x2[ [x2. uma variável (ou atributo) é contínua quando assume um número infinito não numerável de valores. a construção da tabela compreende duas etapas: (i) Definição de classes de valores disjuntas. o número de classes a constituir deve ser n . podem assumir qualquer valor dentro de um intervalo. Variáveis Quantitativas Contínuas Como foi dito anteriormente. então a amplitude de cada classe será: Valor máximo da variável observado – Valor mínimo da variável observado Nº de classes a constituir Classes de valores da variável [x1. x4[ [xn-1.Manual de Exercícios 2. 1.

4.4. Medidas de localização 2. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda. Também é possível calcular as frequências (absolutas – Ni .. para que todos os rectângulos (colunas) sejam comparáveis é necessário corrigir as frequências das classes (calculando as frequências que se teria se a amplitude de todas as classes fosse igual e igual a 1) 2.Fi) acumuladas.. .).1. classe modal. agrupados numa tabela de frequências) Variáveis discretas x = 1 n n i =1 ni x i = n i =1 f i xi Média ponderada dos valores de X Dados classificados (isto é. sobretudo pela sua facilidade de cálculo. agrupados numa tabela de frequências) Variáveis contínuas x = 1 n n i =1 n i =1 ni ci = f i ci Média ponderada dos pontos médios das classes Estatística Aplicada 11 . Média ( X ) É a medida de localização mais usada. É preferível representar o histograma com fi/hi do que com ni/hi uma vez que deste modo é possível comparar distribuições com diferente número de observações amostrais. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é. Como as classes podem ter amplitudes diferentes.e relativas . 2.Manual de Exercícios 1.

Me = x n+1 2 Se n fôr par.Manual de Exercícios onde ci é o ponto médio de cada classe ( lim . é preferível recorrer à informação complementar fornecida por outras medidas de localização.4. 2. mas a partir da posição dessas observações. inf . indica o valor central da distribuição. No entanto. xn + xn Me = 2 2 +1 2 Dados classificados A mediana é o valor tal que Fi = 0. entendido como o valor em torno do qual se distribuem os valores observados.5. Desta forma. a média é muitas vezes utilizada como valor representativo da amostra.. Mediana (Me) A mediana não se calcula a partir do valor de todas as observações. a média tem o grande inconveniente de ser sensível a valores muito extremados ou aberrantes da distribuição (outliers). então fala-se em intervalo mediano. ) 2 A média é uma medida de localização que. sup .5 Variáveis discretas Se existe um valor de xi para o qual Fi = 0.. Em casos desses. . Dados não-classificados Se tivermos n valores x1.2. Estatística Aplicada 12 . que se definem a seguir. geralmente. a média deixa de ser um valor que aparece na parte central da distribuição para ser “empurrada” para os extremos. xn Se n fôr ímpar. Nestes casos. + lim . x2. como a moda e a mediana.

chama-se ao quantil decil Se p=0.25.5. Q2 e Q3).0.. Variáveis contínuas Em geral. De uma forma geral: Me = L inf + 0. é o valor mais frequente da distribuição. 0.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0... 0. então a mediana é o primeiro valor para o qual Fi > 0..5 − FL inf xamp.5. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais.5.3.01. chama-se ao quantil QUARTIL (Q1. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p.02. Medidas de ordem Tal como se definiu para a mediana.0.2. 0. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe.75. isto é. 2. isto é. 0.99. Se p=0.1. A mediana é uma caso particular dos quartis (coincide com Q2) Variável discreta O quantil de ordem p é o primeiro valor de x para o qual i>p.. chama-se ao quantil percentil Se p=0..5..4. determina-se o valor para o qual Fi = 0. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. é a classe a que corresponde maior frequência por unidade de amplitude.9. classe mediana FL sup − FL inf 2.5 através de uma regra de três simples.. Estatística Aplicada 13 .

...Manual de Exercícios Variável contínua Calcula-se por uma regra de três simples. A partir deste diagrama.. Os valores da amostra compreendidos entre os 1º e 3º quartis são representados por um rectângulo (caixa) com a mediana indicada por uma barra.. se: − − − X = Me = Mo.25 − FL inf xamp... mediana e moda..75 − FL inf xamp...a distribuição é assimétrica positiva ou “puxada” para Estatística Aplicada 14 .... consideram-se duas linhas que unem os meios dos lados do rectângulo com os extremos da amostra.. a distribuição diz-se assimétrica positiva (ou enviesada à esquerda) X < Me < Mo.. Se g’ > 0 .... a distribuição diz-se simétrica X > Me > Mo.... Seguidamente. De uma forma geral: Q1 = L inf + Q3 = L inf + 25% maiores 0.. classe Q3 FL sup − FL inf A representação gráfica destas medidas designa-se de diagrama de extremos e quartis e serve para realçar algumas características da amostra.. como a mediana. classe Q1 FL sup − FL inf 0. a distribuição diz-se assimétrica negativa (ou enviesada à direita) Coeficiente de assimetria de Bowley (g’): (Q3 − Q 2) − (Q 2 − Q1) Q3 − Q1 Se g’ = 0 . Medidas de assimetria A assimetria é tanto maior quanto mais afastados estiverem os valores da média..6.a distribuição é simétrica positiva ou equilibrada Os quartis estão à mesma distância da mediana.. Concretamente. pode reconhecer-se a simetria ou enviesamento dos dados e a sua maior ou menor concentração: 2..

moda).... Apresentam-se de seguida algumas das mais utilizadas. Estatística Aplicada 15 .. (ii) Em relação à média Variância amostral: mede os desvios quadráticos de cada valor observado em relação à média..7.1 Medidas de dispersão absoluta (i) Em relação à mediana Amplitude inter-quartis = Q = Q3 – Q1 Significa que 50% das observações se situam num intervalo de amplitude Q.. maior (menor) a dispersão em torno da mediana. logo Q3-Q2 > Q2-Q1 Se g’ < 0 .. assimetria é máxima) A mediana desliza para o lado do Q1.. logo Q2-Q1 > Q3-Q2 Q1 Q2 Q3 Assimétrica positiva Q2 Q3 Q1 Assimétrica negativa 2. havendo pouca dispersão se os desvios forem globalmente pequenos..... classificadas consoante a medida de localização usada para referenciar a dispersão das observações: 2..Manual de Exercícios a esquerda (se fôr = 1. e havendo muita dispersão se os desvios forem globalmente grandes. mediana. Quanto maior (menor) a amplitude do intervalo. assimetria é máxima) A mediana desliza para o lado do Q3.a distribuição é assimétrica negativa ou “puxada” para a direita (se fôr = -1. Medidas de dispersão Duas distribuições podem distinguir-se na medida em que os valores da variável se dispersam relativamente ao ponto de localização (média.7.

mas que só é possível calcular indirectamente. da variância. avaliar a dispersão através de um indicador de dispersão absoluta não é conveniente. o que não significa que a distribuição seja muito dispersa.Manual de Exercícios Dados não-classificados 2 1 n s2 = xi − x n i =1 ( ) Dados classificados Variáveis discretas 1 s = n 2 n i =1 ni xi − x = ( ) 2 n i =1 fi xi − x ( ) 2 Dados classificados Variáveis contínuas 1 s = n 2 n i =1 ni ci − x ( ) 2 = n i =1 fi ci − x ( ) 2 onde ci é o ponto médio de cada classe i. por exemplo. Desvio-padrão: Medida de dispersão com significado real. 2. uma vez que estas medidas vêm expressas na mesma unidade da variável – como é o caso.2 Medidas de dispersão relativa Muitas vezes. através da raiz quadrada da variância.7. Assim. Para comparar diferentes distribuições de frequência são precisas medidas de dispersão relativa: Dispersão absoluta Medida de localizaçã o em relação à qual está definida Dispersão relativa = Estatística Aplicada 16 . Está expressa nas mesmas unidades da variável. é de esperar que os valores da variância sejam mais elevados quando os valores da variável são maiores. assim como comparara a dispersão de duas distribuições.

existem dois instrumentos: a Curva de Lorenz e o Índice de Gini. e permitem comparar dispersões entre duas amostras. pois não são sensíveis à escala (eventualmente diferente) em que as variáveis estejam expressas. Se o atributo estiver igualmente repartido pelos indivíduos. peso. Para analisar a concentração. apesar de não poder ser analisado através das medidas de dispersão atrás descritas. e vice-versa de o atributo estiver concentrado num só indivíduo.Manual de Exercícios Coeficiente de variação CV = s x100% x Outras medidas Q3 − Q1 Q2 Estas medidas não estão expressas em nenhuma unidade. Em geral. isto é. a análise de concentração não se aplica a idade.1 Curva de Lorenz Estatística Aplicada 17 . altura. temos uma situação extrema de máxima concentração. O fenómeno de concentração está relacionado com a variabilidade ou dispersão dos valores observados. etc).8. como a repartição do rendimento ou a distribuição de salários. O objectivo é determinar como o atributo (rendimento. que apenas medem a dispersão dos valores em relação a um ponto. salários. Análise da concentração A noção de concentração apareceu associada ao estudo de desigualdades económicas.8. interessa medir o grau de concentração em situações intermédias. temos uma situação extrema de igual distribuição. 2. 2. número de empresas) se distribui (se de forma mais ou menos uniforme) pelos diferentes indivíduos da amostra (que devem ser susceptíveis de serem adicionados.

que é designada de recta de igual repartição. 2. a curva de Lorenz coincide com a diagonal do quadrado. maior é a concentração. Estatística Aplicada 18 .1). isto é. A curva que os une é a curva de Lorenz. a frequência das observações deve ter uma evolução igual à proporção do atributo correspondente. maior a concentração. Quanto mais a curva se afastar da recta. xn[ Total ni n1 nj nn n Quantidade Freq. Nesse caso. x3[ [x3.8. de zona de concentração. x2[ [x2. A zona entre a diagonal e acurva de Lorenz designa-se. pi=qi. havendo igual repartição.acumul.2 Índice de Gini O índice de Gini é calculado pela seguinte expressão n −1 ( pi − qi ) n −1 i =1 G= i =1 pi Quando G = 0. x4[ [xn-1. O valor de G varia entre 0 e 1. Caso o valor de G seja 1. a concentração é nula. Se houver igual distribuição. yi p1 q1 yj yn pj pn=1 qj qn=1 Os pontos (pi.relativa Proporção atributo acumuladas atrib. a concentração será máxima. e quanto maior o seu valor.Manual de Exercícios O objectivo é comparar a evolução das frequências acumuladas (Fi = pi) com a evolução da soma dos valores da variável (qi) Quadro de dados Classes de valores da variável [x1.qi) pertencem ao quadrado (0. por isso.1) por (0.

que permite descrever como se reflectem em y (variável dependente ou explicada) as modificações processadas em x (variável independente ou explicativa). Estatística Descritiva Bidimensional Numa situação em que se observam pares de valores (xi. Essa recta torna possível. no mesmo sentido. nem que tendencialmente A existir. que consiste em determinar a recta que minimiza a soma dos quadrados dos desvios entre os verdadeiros valores de y e os obtidos a partir da recta que se pretende ajustar. se é traduzível por alguma lei matemática. mas a relação não é determinística). em média ou tendencialmente. a representação gráfica do conjunto de dados bivariados sugere o ajustamento de uma recta a este conjunto de pontos. inferir (em média) a altura de um indivíduo. Um dos métodos mais conhecidos de ajustar uma recta a um conjunto de dados é o Método dos Mínimos Quadrados. pode ter interesse estudar as relações porventura existentes entre os dois fenómenos. yj). Obtém-se assim a Estatística Aplicada 19 . a correlação diz-se positiva. a medida em que o valor de uma variável é determinado exactamente pela outra).Manual de Exercícios 2. se é possível medi-la Por vezes. (por exemplo. Se as variações ocorrem. conhecendo o respectivo peso. indicando a existência de uma tendencial correlação linear entre as duas variáveis. Duas variáveis ligadas por uma relação estatística dizem-se correlacionadas.9. nomeadamente relações estatísticas. o peso e a altura normalmente estão relacionados. Se ocorrem em sentidos opostos. A essa recta chama-se recta de regressão de y sobre x. Não se trata de estudar relações funcionais (isto é. a correlação dizse negativa. mas sim de estudar a forma como a variação de uma variável poderá afectar a variação da outra. como é o caso do exemplo atrás descrito. por exemplo. em média. Trata-se então de estudar se: - Se existe alguma correlação entre os fenómenos ou variáveis observadas A existir.

b designa o declive da recta. que indica a variação média de y que acompanha uma variação unitária de x. Quando. o valor que y assume quando x=0. s xy = n i =1 ( xi − x)( y i − y ) Este indicador da correlação tem a vantagem de não depender das unidades ou da ordem de grandeza em que as variáveis estão expressas. isto é. obtém-se: b= xi y i − n x y xi − n x 2 2 e a = y − bx Matematicamente. se verifica a existência de uma associação linear entre as variáveis. b corresponde ao coeficiente de regressão de y sobre x. Se r > 0. Estatística Aplicada 20 . isto é. quer através da recta de regressão. O valor de a designa a ordenada na origem. Assim sendo. mas menos que proporcional. pode-se medir a maior ou menor força com que as variáveis se associam através do coeficiente de correlação linear r: r= s xy s xx s yy . Assim. as variáveis variam no mesmo sentido: um aumento (diminuição de x) provoca um aumento (diminuição) de y. quer através do diagrama de dispersão.Manual de Exercícios recta de regressão ou recta dos mínimos quadrados.(a + bxi). se a recta de regressão obedecer à seguinte fórmula geral: y = a + bx o método permite minimizar a soma dos desvios quadráticos yi . Em termos estatísticos. então pode dizer-se que existe uma correlação positiva entre as variáveis. O coeficiente de correlação linear está sempre compreendido entre –1 e 1.

respectivamente Estatística Aplicada 21 . Neste caso. isto é. Isto é. então pode dizer-se que as variáveis não estão correlacionadas linearmente. poderá acontecer que variáveis sem relação de causalidade entre si. chama-se correlação espúria. entre as variáveis. Nos extremos.Manual de Exercícios Se r < 0. Se r = 0. as variáveis vêm expressas numa escala ordinal. deve-se procurar justificação teórica para a existência ou inexistência de correlação. a correlação é máxima. mas menos que proporcional. as variáveis variam em sentidos opostos: um aumento (diminuição de x) provoca uma diminuição (aumento) de y. A esta correlação ilusória. se r = 1 ou se r = -1. Correlação ordinal Por vezes. respectivamente. d i = Ri − Ri x y Ordens (“ranks”) das observações de X e de Y. isto é. Caso contrário. calcula-se o coeficiente de correlação ordinal: n rs = 1 − 6 i =1 di 2 2 n(n − 1) . então pode dizer-se que existe uma correlação negativa entre as variáveis. Antes de se efectuar um estudo de correlação. então pode dizer-se que existe uma correlação positiva ou negativa perfeita. uma variação numa variável provoca na outra uma variação exactamente proporcional no mesmo sentido ou em sentido contrário. isto é. variem num certo sentido por razões exteriores. em vez do coeficiente de correlação linear. interessa mais conhecer a ordenação dos valores do que os valores observados propriamente ditos.

3[ [3. d) Determine os quartis da distribuição.04 0.18 0. 5[ [5.m.16 0.): Resultado Líquido [0.1 0. 15[ [15. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente.12 0. Resolução a) fi/hi 0.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 . 25[ [25.14 0. e) Analise a (as)simetria da distribuição em causa. 50[ Total Frequência. Faça a sua representação gráfica.Manual de Exercícios ESTATÍSTICA DESCRITIVA Exercícios resolvidos Exercício 1 Considere a distribuição de 1000 empresas de um sector de actividade segundo os resultados líquidos (em milhares de u. 1[ [1. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz. b) Determine a média e a moda da distribuição.06 0.2 0.08 0. Determine a mediana da distribuição. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente.

correspondente à classe [3.5 x10%) + (2 x 25%) + . A classe modal é aquela a que corresponde maior frequência por unidade de amplitude. 5[. + (37.1 0.7 Estatística Aplicada 23 .002 Fi 10% 35% 70% 85% 95% 100% ci 0..8 0.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0.6 0.125 0. o resultado líquido de uma empresa é de 7325 unidades monetárias.Manual de Exercícios [0.01 0.m. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u.m.. o maior valor de fi / hi é 0.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0. 1[ [1. e 5000 u. isto é.5 x5%) = 7. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0. 25[ [25.015 0.175 0. 3[ [3.5): [3.5 2 4 10 20 37. Neste caso. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0. 5[ 3 : Fi=0.175.325 Em média.4 0. 5[ [5. 15[ [15.35 5 : Fi = 0.

Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.333 − 3.7 15 : Fi = 0.Q1 – 1 Q1 = 1 + ((2x0.7 -------------.1 3 : Fi = 0.35 Cálculo do Q1: 0.85 .35 -------------.25 – 0.0.0.85 Cálculo do Q3: 0.0.05)/0.3 0.25) = 2. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.m.75): [5.3 .857) − (3.857 − 2.15) = 8.35 -----------. Estatística Aplicada 24 .15 .7 .Q3 – 5 Q3 = 5 + ((10x0.15)/0.4596 > 0 Q3 − Q1 8. 3[ 1 : Fi=0.15)/0.5 .5 0.2) = = 0.1 0.857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.333 − 2.Me – 3 Me = 3 + ((2x0.m.5 – 0.75 – 0.25): [1.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.35 .m.1 -----------. 15[ 5 : Fi=0.7 -----------.2 A distribuição é assimétrica positiva ou enviesada à esquerda.35) = 3.Manual de Exercícios Cálculo da mediana: 0.1 -------------.

35 + 0.95 1 qi 0.075 0. Analise a concentração através do Índice de Gini e da Curva de Lorenz.Manual de Exercícios f) X [0.85 0. 25[ [25.4 0. 70% das empresas apresentavam resultados até 5000 u.4 amostra.744 1 50 + 500 + 1400 7325 Res.7 + 0.Liq. 15[ [15. Estatística Aplicada 25 .95 − 0. expressas numa determinada unidade monetária.007) + .1 0. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.6 0.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.471 0.m.Totais G= (0. 5[ [5. + (0.1 − 0.007 0. o que sugere um tecido empresarial com muitas PMEs.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200. 3[ [3.744) = 0.5 corresponde ao centro da escala possível.1 + 0. 0 0 0. referente aos lucros obtidos por empresas de um dado sector industrial. 1[ [1.266 0.8 0.. mas isso representava apenas 26. Por exemplo.47 0.5 Atributo 100x0. entre 0 e 1).6 0.35 0.6% do total de resultados das empresas da 0.2 0..85 + 0.2 0.95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0. mas em que cada uma tem baixo resultado líquido..7 0.5 2 4 10 20 37.

100[ [100.546(6) = 0. b) Analise a correlação existente entre peso e altura.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.2 0 0 0.16(6) 0. a) Represente o diagrama de dispersão. encontrandose os valores razoavelmente repartidos.2 0.1 0.6 0.4 0.4 0. conclui-se que esta amostra apresenta concentração moderada. como pelo valor do Índice de Gini.8 0.Manual de Exercícios Resolução Lucros [0.243 2.02 0.25 Tanto pela análise da Curva de Lorenz.95 1 qi 0. c) Ajuste.6 0.63(3) 0. Estatística Aplicada 26 .883(3) 1 Curva de Lorenz 1 0. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos. uma função linear que exprima as peso em função da altura. 300[ [300. pelo Método dos Mínimos Quadrados.8 0. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0. 200[ [200. 50[ [50.4 0.

36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 . r = 0. isto é.9016x + 109.Manual de Exercícios Indivíduo A B C D E F G H I J Resolução Peso (kg) 72 65 80 57 60 77 83 79 67 68 Altura (cm) 175 170 185 154 165 175 182 178 175 173 Diagrama de Dispersão 190 a) 180 Altura (cm) 170 160 150 50 60 70 Peso (kg) 80 90 b) No exemplo.90681871. quase perfeita. existe uma correlação positiva forte entre as duas variáveis. c) 190 Recta de Regressão 180 Altura (cm) y = 0.

9016 x 70 = 172.9408 = = 0.9016 x Peso Isto é.495 6.472. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u. Estatística Aplicada 28 . se um indivíduo pesar 70 kg. é necessário calcular os coeficientes de variação (medidas de dispersão relativa): Dados não-classificados x = sx 2 1 n n i =1 n i =1 xi = 21.m.0651 CV x = sx 69. a altura esperada será de 109.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6. Por cada kg de peso adicional.) de uma empresa no período de 7 anos: Ano 1 2 3 4 5 6 7 Vendas 10 13 18 19 25 30 35 Desp. b) Analise a correlação existente entre volume e custo de produção.714 2 1 = n (xi − x ) = 69. pelo Método dos Mínimos Quadrados. uma função linear que exprima as vendas em função das despesas em publicidade.36 + 0.0651 = 0.714 A dispersão das despesas em publicidade é superior à dispersão das vendas.429 < CV y = sy y = 11.Manual de Exercícios A equação desta recta traduz-se em Altura = 109. Resolução a) Para comparar a dispersão das duas distribuições.9016 cm.39 x 21. espera-se que a altura do indivíduo aumente 0.9408 1 = n (yi − y ) = 11. c) Ajuste.36 + 0.

429)(13 − 6.4649x + 4. quando as despesas em publicidade aumentam (diminuem).714) + . No quadro abaixo.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 . Em média. encontram-se as ordenações desses 10 estudantes segundo as classificações obtidas em cada uma das provas: Aluno A B C D E F G H I J Estatística Aplicada Prova inicial Rix 1 3 2 5 7 8 9 10 6 4 Prova final Riy 1 2 3 4 6 8 7 9 10 5 di Rix . 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.8782 Vendas 20 10 0 3 8 Desp. Public.0651 Existe uma correlação positiva linear forte entre as duas variáveis.714)] 7 = = 0.9408 x 11.98 69. as vendas aumentam (diminuem) de forma quase exactamente proporcional..429)(3 − 6. Recta de Regressão c) 30 y = 2. + (35 − 21..Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21.

5[ [5. os alunos que tiveram boa nota na prova inicial tiveram. 2[ [2. 25[ [25. mas sim das ordenações das classificações (do 1º ao 10º classificado). 1[ [1. 5[ [5. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). b) Determine o rendimento médio e mediano.5 3. c) Determine os três primeiros quartis. em média. para avaliar a correlação existente entre as 2 provas calcula-se o coeficiente de correlação ordinal: n rs = 1 − 6 i =1 di 2 2 n(n − 1) = 1− 6 x(0 + 1 + 1 + 1 + 1 + 0 + 4 + 1 + 16 + 1) = 0.m. 2[ [2. 15[ [15.5 10 20 37. Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u.5 30 Estatística Aplicada . igualmente boa nota na prova final.5 1. 25[ [25. 1[ [1. isto é. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente.) de 2500 famílias da população de um país: Rendimento anual [0. 50[ Nº de famílias 250 375 625 750 375 125 % de famílias 10 15 25 30 15 5 Fi (%) 10 25 50 80 95 1 ci 0. 15[ [15.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos.

.5 -------------.4 0. Estatística Aplicada 31 .5.Q3 – 5 Q3 = 5 + ((10x0.5 x10%) + (1.75 – 0.Manual de Exercícios 1 0.25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u. Logo.m.5 15 : Fi = 0.5 -----------.025 Em média. o rendimento anual de uma família é de 9025 unidades monetárias. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.5 0. + (37.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u. 15[ 5 : Fi=0.25)/0.5): [2.75): [5.5 x5%) = 9.0. Classe mediana (classe a que corresponde uma frequência acumulada 0. 2[ 3 : Fi = 0.25): [1.6 0.15 .8 Cálculo do Q3: 0. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias). Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.m.8 .3) = 13..2 0 0 10 n i =1 20 n i =1 30 40 50 60 70 80 90 100 b) x = 1 n ni c i = f i ci = (0. 5[ 5 : Fi = 0.8 0.5 x15%) + .

1 0. 140[ [140. 160[ [160.2 31.5 10 20 37.5 Rend.5 3.6 3.0305 0. 250[ [250.5 7500 7500 4687.8 0.286875 = 9. 350] Total Frequência. 5[ [5.1 5.4 2.00554 0. 80[ [80.5 pi (=Fi) 0.286875 2 s x = s x = 82.2 8. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.18436 = 0. 2[ [2. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82.071 e) Rendimento anual [0.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.2 19.5 22562.46 0. 1[ [1. 25[ [25. 100[ [100.4555 2.1274 0.25 0.5 2187. 200[ [200.5 1.5 7.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda. Relativa (%) 7.0 100 Estatística Aplicada 32 .5 0.95 1 qi 0. 300[ [300. 15[ [15.8 15. 120[ [120.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13.6 Concentração moderada do rendimento Exercício 7 Considere a seguinte tabela que representa a distribuição dos empregados de uma instituição bancária segundo a remuneração bruta mensal (em milhares de unidades monetárias): Remuneração [60.333 − 5) − (5 − 2) = = 0. total 125 562.47 > 0 Q3 − Q1 13.

312) = 101.3 50% dos empregados auferem remunerações inferiores a 117.3 milhares u.2 31.Q1 .6 3.7 80.8 15.4 2.25 . 350] Total Frequência.2 19. 140[ [140.28 milhares u.100 Q2 = 100 + ((20x0.120 . 160[ [160.Q2 .9 89 94.100 0. 100[ [100. 120[ [120. c) Analise a assimetria da distribuição em causa.0 100 Fi (%) 7.2 73. 300[ [300. Estatística Aplicada 33 .542 .542 . Relativa (%) 7. 120[ 100 : Fi=0.28 25% dos empregados auferem remunerações inferiores a 101.120 .5 . 120[ 1 : Fi=0.0.m.02)/0.542 Cálculo do Q1: 0. Resolução a) Remuneração [60.542 Cálculo do Q2: 0.23 120 : Fi = 0. b) Analise a dispersão da distribuição em causa.2 8.100 0.23 3 : Fi = 0.5): [100.5 7.27)/0. 200[ [200.m.0.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.23 -----------.0.100 Q1 = 100 + ((20x0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.25): [100.Manual de Exercícios a) Calcule os quartis da distribuição.23 -----------.8 23 54. 250[ [250.312) = 117.0.23 -------------. 80[ [80.23 -------------.1 5.

306] Total Frequência. 298[ [298.61 − 101. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima. 303[ [303. 300[ [300. 305[ [305. Exercício 8 Os dados seguintes referem-se ao peso. saíram de uma linha de enchimento automático: Peso (em gramas) [297.m.61(1) 75% dos empregados auferem remunerações inferiores a 143. do conteúdo de uma série de 100 garrafas que. 302[ [302.3 − 101. b) Amplitude do intervalo inter-quartis = Q3 .101.28 = 42.Q3 .Q1 = 143.160 .809 .61 − 117. no decurso de um teste.75): [140.3) − (117.75 – 0.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.61(1) milhares u.140 Q3 = 140 + ((20x0. 304[ [304.33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143.140 0.61(1) .013)/0.809 Cálculo do Q3: 0.243 > 0 Q3 − Q1 143.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda. 299[ [299.737 140 : Fi = 0. 160[ 120 : Fi=0.28) = = 0. 301[ [301. expresso em gramas.737 -----------.072) = 143. Estatística Aplicada 34 . b) Calcule as frequências acumuladas e represente-as graficamente.737 -------------.0.

305[ [305. 299[ [299. 303[ [303.Manual de Exercícios c) Determine o peso médio. 298[ [298.3 0. mediano e modal.5 x 21%) + .2 0 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 Frequência Relativa (%) 8 21 28 15 11 10 5 1 1 100 Fi (%) 8 29 57 72 83 93 98 99 100 c) x = 1 n n i =1 ni c i = n i =1 f i ci = (297. 302[ [302. 304[ [304.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297.4 0.11 kg.8 0.6 0.11 O peso médio das garrafas é de 300.5 x8%) + (298.. 306] Total F* 1 0.25 0.. + (305.5 x1%) = 300. Estatística Aplicada 35 . e) Analise a dispersão do peso das garrafas.1 0.15 0. 301[ [301. Resolução a) 0. Qual o seu significado? d) Determine os quartis da distribuição.2 0. 300[ [300.

0.08 -----------.0357 kg.299 Q2 = 299 + ((1x0.57 Cálculo do Q2: 0.Q3 .5): [299.300 .28 correspondente à classe [299.11) = 301. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.21) = 299.75 kg. Estatística Aplicada 36 .27(27) 75% das garrafas têm peso inferior a 301.299 0.299 0.83 .08 -----------.83 Cálculo do Q3: 0.21)/0.28) = 299.29 -------------.29 -----------.75 – 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.0. isto é.25 .57 . 300[ 299 : Fi = 0.75 50% das garrafas têm peso inferior a 299.301 0.301 Q3 = 301 + ((1x0.75): [301.29 .29 300 : Fi = 0.29 Cálculo do Q1: 0. Neste caso.0.08 299 : Fi = 0.17)/0. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.25): [298.72 302 : Fi = 0.72 -----------.0357 25% das garrafas têm peso inferior a 299.72 -------------.Q2 .299 Q1 = 299 + ((1x0. 302[ 301 : Fi=0.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0. 299[ 298 : Fi=0.Q1 .298 .302 .0.27(27) kg.5 .03)/0. 300[.0. o maior valor de fi é 0. A classe modal é aquela a que corresponde maior frequência relativa.

05 0.5.8[ [1.55. 1.4 4 2 0.65.625 1. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.1 0.97 1 6 5 4 3 2 1 0 Histograma 1.7.17 0.4 1.6.8.6[ [1. 1.37 0.6. 1.6[ [1. 1.1 0.2 0.55[ [1.03 1 ci 1.5 0.5 1. e) Analise a dispersão da distribuição. 1. b) Determine a altura média e a altura modal.8 1.02 0.13 0.0357 = 2. Resolução a) Altura (em metros) [1.8[ [1.7[ [1. 1.65[ [1.65.85 hi 0.7.3 Fi 0.775 1.4.5[ [1. 1.05 0.05 0.02 0.12 0.575 1.Q1 = 301.55[ [1.75.45 1.1 0.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima. 1.6 3.05 0. 1.05 0. d) Determine os quartis da distribuição e diga qual o seu significado.1 fi/hi 0. 1.75.8.9 Estatística Aplicada 37 .6 1. f) Analise a (as)simetria da distribuição. 1.75[ [1.67 0.525 1.4.7[ [1.25 0.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.55.65[ [1.75[ [1.725 1. 1. 1.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 . 1.5[ [1. 1. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1.5. 1.675 1.2 2 5 2.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.7 1.27(27) .87 0.05 0.299.

12 1.45x 2%) + (1.87 Estatística Aplicada 38 .4 0.6 1.Q1 – 1.5): [1.6 – 1.25 – 0.5 50% dos alunos têm altura inferior a 1.6[ 1.55 : Fi=0.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.1. o maior valor de fi / hi é 5..67 1. 1.65 : Fi = 0.05x0.75[ 1.25): [1.65 m. 1.55. 1.25) = 1.6.. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.576 m.65 A altura média dos alunos é de 1.65 m.55 0.6[.7.55.13)/0.12 -----------.12 -----------.2 0 1.7 : Fi=0.6 0.75 : Fi = 0.37 Cálculo do Q1: 0. a altura mais provável de um aluno rondará 1. isto é.5 1.55 Q1 = 1.525x10%) + .Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1. c) F* 1 0.6m.55 + ((0.8 1.75): [1.7 1. + (1.576 25% dos alunos têm altura inferior a 1. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude. correspondente à classe [1.55m / 1.65[ 1.4 1.85x3%) = 1.3 1. 1.8 0.37 – 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.6 : Fi = 0. Neste caso.

Q1 = 1. 10[ [10.72 − 1.67-------------.67-----------. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.87.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0.Manual de Exercícios Cálculo do Q3: 0. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.72 – 1.75 – 1.08)/0.027(7) < 0 = Q3 − Q1 1.576) = −0.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).2) = 1.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1. e) Amplitude do intervalo inter-quartis = Q3 . c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .0. 5[ [5.Q3 – 1.65 − 1. 30[ [30. Exercício 9 Em determinada central telefónica.72 − 1.7 Q3 = 1. b) Determine a duração média das chamadas e respectivo desvio-padrão.05*0.00536875 = 0.72 m.65) − (1.1.00536875 2 s x = s x = 0.7 + ((0.72 75% dos alunos têm altura inferior a 1.7 0.576 = 0.75 – 0. 20[ [20.

06 0. + (40 x 4%) = 9.06 0. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001. com desvio-padrão de 8.00536875 = 9. quanto à dispersão..002 Fi 0.5 x30%) + . sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.4 0.35 A duração média de uma chamada é de 9.02 0 0 F* 1 0. 20[ [20.02 0. 5[ [5.2 0.4 0. 50] Total fi/hi 0.7 minutos..5 15 25 40 10 20 30 40 50 60 30 40 50 60 70 80 90 100 b) x = 1 n i =1 n ni c i = f i ci = (2.5 7. 30[ [30.006 0. Resolução a) Duração (em minutos) [0.04 0.06 0.025 c) Classe mediana (classe a que corresponde frequência acumulada 0.1 0.6 0.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.04 1 Histograma hi 5 5 10 10 20 fi/hi 0.4 0.3 0.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0. 10[ [10.4525 2 s x = s x = 0.08 0.96 1 ci 2.9 0.5): [5.8 0.35 minutos.7 0. 10[ Estatística Aplicada 40 .5 x 40%) + (7.08 0. Compare.

3)] = 12 = 0.67 minutos. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358.3) + .1)/0. + (2000 − 1358. O volume de produção e o custo de produção de cada lote apresentam-se na tabela: Lote 1 2 3 4 5 6 7 8 9 10 11 12 Volume (unidades) 1500 800 2600 1000 600 2800 1200 900 400 1300 1200 2000 Custo (contos) 3100 1900 4200 2300 1200 4900 2800 2100 1400 2400 2400 3800 a) Analise a correlação existente entre volume e custo de produção.87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.0..35 CV2001 = sy y = 8.5 ..3)(3800 − 2708.67 50% das chamadas têm duração a 6. d) CV Dez = s x 9.Manual de Exercícios 5 : Fi = 0. b) Ajuste.7 = 0.0.3) = 6.5 Me = 5 + ((5x0.7 Cálculo da Me: 0.3)(3100 − 2708.5 0.025 = = 0. pelo Método dos Mínimos Quadrados.965 > x 9.4 10 : Fi = 0.98 520854x 1145944 Correlação positiva quase perfeita.Me .10 . uma função linear que exprima o custo em função do volume de produção.4 -----------.4 -----------. Estatística Aplicada 41 .7 .

b) Ajuste..9 1.096933 Correlação positiva moderada.92) + .9 − 0.332 x 0.92)] =9 = 0.7 0. Estatística Aplicada 42 .8 0.9 1.7)(0.61 3669.7)(0. uma função linear que exprima a variável EPS em função de PBV.6 Exercício 11 Um conjunto de empresas do sector da Construção e Obras Públicas cotadas na Bolsa de Valores foram analisadas relativamente aos seguintes indicadores: EPS (Earnings per Share): Resultado Líquido por Acção PBV (Price/Book Value): Preço / Situação Líquida por Acção Empresa 1 2 3 4 5 6 7 8 9 EPS ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.8 1. pelo Método dos Mínimos Quadrados.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.0 0. + (81 − 121.4 a) Analise a correlação existente entre aqueles dois indicadores.4553x + 731.4 − 0.3 0. Resolução a) r = s xy s xx s yy 1 [(191 − 121.5 0..

2 0. b) Ajuste. Estatística Aplicada 43 . pelo Método dos Mínimos Quadrados.4 1.8 PBV 1 1. uma função linear que exprima a variável Gi em função de Ri.383 Exercício 12 Recolheu-se uma amostra em 17 cidades do país relativamente aos seguintes indicadores: Ri: Rendimento médio mensal na cidade i (em 106 unidades monetárias) Gi: Gasto médio mensal em bens de luxo na cidade i (em 106 u.m.04x + 7.2 1.) Ri 125 127 130 131 133 135 140 143 169 Dados adicionais Gi 54 56 57 57 58 58 59 59 66 Ri 144 147 150 152 154 160 162 165 Gi 61 62 62 63 63 64 65 66 EPS Ri = 2467 Gi = 62620 2 Gi = 1030 Ri Gi = 150270 Ri = 361073 2 a) Estude a correlação entre rendimento e despesas em bens de luxo.4 0.Manual de Exercícios b) 250 200 150 100 50 0 0 0.6 0.6 y = 124.

986 Correlação positiva forte.Manual de Exercícios Resolução a) rXY = Ri G i − n R G ( Ri − n R )( 2 2 G − nG ) 2 i 2 = 150270 − 17 * 2 2467 1030 * 17 17 2467 1030 2 (361073 − 17 * )(62620 − 17 * ) 17 2 17 2 = 0.2604x + 22. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.801 Rendimento Estatística Aplicada 44 .

104 Introdução ao e-learning .

serão apresentadas algumas noções simples de probabilidades e funções de probabilidade. não vai ser possível afirmar com toda a certeza que o comportamento da amostra ilustra perfeitamente o comportamento do universo. Claro que o processo de indução implica um certo grau de incerteza associado à tentativa de generalização de conclusões da “parte” (amostra) para o “todo” (universo). O conceito de probabilidade vai ter aqui. Noções básicas de probabilidade A teoria das probabilidades é um ramo da matemática extremamente útil para o estudo e a investigação das regularidades dos chamados fenómenos aleatórios. Fundamentalmente. diz-se que a experiência é aleatória. um papel fundamental. que serão úteis a aplicações de estatística indutiva relacionadas com controlo estatístico de qualidade e fiabilidade de componentes e sistemas. ESTATÍSTICA INDUTIVA A estatística indutiva é o ramo da estatística que se ocupa em inferir das conclusões retiradas sobre a amostra para a população. as experiências aleatórias caracterizam-se por: Estatística Aplicada 45 . 3.1. então. Isto é. quando uma experiência está sujeita à influência de factores casuais e conduz a resultados incertos. De seguida.Manual de Exercícios 3. O exemplo seguinte pretende clarificar o que vulgarmente é designado por experiência aleatória. Deve entender-se como experiência qualquer processo ou conjunto de circunstâncias capaz de produzir resultados observáveis. mas apenas que o faz com forte probabilidade.

2. O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória. 1 Definidos como conjuntos. obtém-se um resultado individual. outros como “saída de um número ímpar” definido pelo subconjunto { . mas os resultados obtidos após uma longa repetição da experiência patenteiam uma grande regularidade estatística no seu conjunto Alguns autores consideram inserido no conceito de experiência aleatória um outro. 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos. o de espaço de resultados. que não sei mais que subconjuntos do espaço de resultados.5}. num lançamento de um dado ordinário tem-se que o espaço de resultados é { .Manual de Exercícios (i) (ii) (iii) poder repetir-se um grande número de vezes nas mesmas condições ou em condições muito semelhantes cada vez que a experiência se realiza. existe um paralelismo perfeito entre álgebra de conjuntos e álgebra de acontecimentos: (i) (ii) (iii) (iv) O acontecimento que contem todos os elementos do espaço de resultados chama-se acontecimento certo O acontecimento que não contem qualquer elemento do espaço de resultados chama-se acontecimento impossível Dois acontecimentos são mutuamente exclusivos se não têm em comum qualquer acontecimento do espaço de resultados A união de dois acontecimentos A e B representa-se por A ∪ B e é formado pelos elementos que pertencem a pelo menos um dos dois.6}. no lançamento de um dado podem definir-se.3. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares. Por exemplo. isto é. A ou B (v) A intersecção de dois acontecimentos A e B representa-se por A ∩ B e é formado pelos elementos comuns a A e B Estatística Aplicada 46 .5.3. para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces.4. Por exemplo. aos acontecimentos é aplicável toda a construção disponível para aqueles.

P(A ∩ B) Dois acontecimentos dizem-se complementares se: P(A) = 1 – P( A ) Dois acontecimentos são ditos independentes se a ocorrência de um não afectar a probabilidade de ocorrência de outro. isto é: P(A ∩ B) = P(A) x P(B) Estatística Aplicada 47 . aleatória Uma das principais críticas a esta definição é a de que ela só é aplicável quando o espaço de resultados é finito e os seus elementos possuem igual probabilidade. Pode definir-se probabilidade de um acontecimento A como sendo: P(A) = Número de casos favoráveis ao acontecimento A Número total de casos possíveis na exp. daí que ela surja muito ligada aos “jogos de azar”. a probabilidade de ocorrência de dois ou mais acontecimentos independentes é o produto das probabilidades dos respectivos acontecimentos. sendo 0 a probabilidade associada a um acontecimento impossível e 1 a probabilidade associada a um acontecimento certo.Manual de Exercícios Probabilidade de um acontecimento é expressa na escala de 0 a 1. as 6 faces de um dado. vem que P (A ∪ B) = P(A) + P(B) . que possuem essas propriedades. etc. Para − se analisar a probabilidade de ocorrência de determinados acontecimentos. A primeira definição foi proposta por Laplace em 1812. então: P(A ∩ B) = 0 − A probabilidade de união de dois acontecimentos mutuamente exclusivos é dada por P (A ∪ B) = P(A) + P(B) − − − Para dois acontecimentos quaisquer. se dois acontecimentos forem mutuamente exclusivos. as 52 cartas de um baralho. deve ter-se em atenção o seguinte: Dois acontecimentos são ditos mutuamente exclusivos se não puderem acontecer ao mesmo tempo. É o que acontece com as duas faces de uma moeda.

02 0.53 Magro 0.00 a) Qual a probabilidade de uma pessoa escolhida ao acaso ser hipertensa? b) Qual a probabilidade de uma pessoa obesa ser hipertensa? Resolução a) Basta ver que a proporção de hipertensos é de 20% b) Há que tomar em atenção que o que se pretende é a proporção de hipertensos na população de obesos. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.45 0. 0. numa outra perspectiva. Estatística Aplicada 48 .25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”. Pode escrever-se que a probabilidade pretendida é dada por: P( H / O) = P( H ∩ O) P (O) onde P(H/O) é a probabilidade de ocorrer o acontecimento “ser hipertenso”.08 0.1 = 0.2 0.2 0. a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta. sabendo que ocorreu o acontecimento “ser obeso”. 3. Este exemplo corresponde ao cálculo de uma probabilidade condicionada.Manual de Exercícios Após a apresentação desta definição.2.22 Total 0. a da chamada teoria frequencista. Por outras palavras.1 0. isto é 0.25 Normal 0. Repare-se que este quociente resulta da divisão entre a probabilidade de uma pessoa ser hipertensa e obesa e a probabilidade de uma pessoa ser obesa. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”.8 1.15 0. convém ainda referir que.4 . São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0.

isto é.P ( B / Ai ) n i =1 P ( Ai ).… An que o podem ter antecedido (ou causado a sua ocorrência). Funções de probabilidade A probabilidade associada aos acontecimentos possíveis numa experiência aleatória obedecem. A2. De acordo com este teorema: P ( Ai / B ) = P ( Ai ). Teorema de Bayes Seja B um acontecimento que se realiza se e só se um dos acontecimentos mutuamente exclusivos A1. n i =1 P ( Ai ).P ( B / Ai ) Este Teorema utiliza-se em situações em que a relação causal está invertida. a probabilidade de ocorrência de A1. isto é. A2. tal que f(x) = P(X=xi) Estatística Aplicada 49 .que são 6 (saída de face 1 a 6) – a variável X:“Nº da face resultante do lançamento de um dado”). é a probabilidade de ocorrência do acontecimento consequente B face a todos os possíveis acontecimentos A1.… An calculadas sob a hipótese de que B (acontecimento consequente) se realizou.P ( B / Ai ) designa-se de probabilidade total de ocorrência do acontecimento B. 3. A2. dois acontecimentos são ditos independentes se a ocorrência de um não afectar a probabilidade de ocorrência de outro.Manual de Exercícios Como se viu anteriormente. Aos acontecimentos A1. A2. A2. O teorema de Bayes permite calcular a probabilidade à posteriori de A1. Se associarmos a uma experiência aleatória uma variável X (por exemplo.… An. a um padrão. se: P(A / B) = P(A) e se P(B / A) = P(B). por vezes.3. então pode ser constituída uma lei ou função de probabilidade (f(x)) dessa variável X.…An dá-se o nome de acontecimentos antecedentes.…An se verifica. associar aos resultados da experiência lançamento de um dado . isto é.

Vem Estatística Aplicada 50 . consideremos uma amostra de n artigos retirados da produção total. Para calcular o número exacto de combinações de x artigos defeituosos com n-x artigos não-defeituosos..Manual de Exercícios Por exemplo. A distribuição das duas classes possíveis é discreta e do tipo binomial. em relação aos quais se pretende identificar a variável X: “Nº de artigos defeituosos nos n que constituem a amostra”.x vezes). A probabilidade do acontecimento complementar “artigo é nãodefeituoso” é dada por 1–p=q A probabilidade associada a x artigos defeituosos é dada por px (p x p x p x p. restam n-x artigos não-defeituosos. utiliza-se a figura “combinações de n.. os produtos resultantes de uma fábrica podem ser classificados como sendo defeituosos ou sendo não defeituosos. x a x. Se há x defeituosos. Por exemplo. contam-se a lei Binomial. No exemplo anterior. para X: nº da face resultante do lançamento de um dado. vem que: xi f(xi) 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 que se designa por lei uniforme. com probabilidade dada por qn-x. oriunda das técnicas de cálculo combinatório. (i) Lei Binomial Há alguns acontecimentos que são constituídos por um conjunto de experiências independentes. A probabilidade de ocorrência do acontecimento “artigo é defeituoso” é dada por p: incidência de defeituosos na produção (convenientemente calculada através de métodos de estimação). e o facto de um ter saído (ou não) defeituoso não influencia os outros serem (ou não). a lei de Poisson e a lei Exponencial. Entre estas. cada uma das quais com apenas dois estados possíveis de ocorrência e com uma probabilidade fixa de ocorrência para cada um deles. Algumas leis de probabilidade servem para explicar (ou aplicam-se a) um maior número de fenómenos estatísticos do que outras.

Os números de acontecimentos de “sucesso” ocorridos em diferentes intervalos são independentes.Manual de Exercícios então que a probabilidade de existência de x defeituosos (e logo n-x não defeituosos) é igual a: f ( x) = C xn p x q n − x = n! p x q n− x (n − p )! p! sendo que X segue Bi (n.t[” segue lei de Poisson de parâmetro λt (isto é. para t unidades de tempo o número médio de ocorrências é λt). por exemplo. A expressão (λt )x e −λt x! Estatística Aplicada 51 . sendo n e p os parâmetros caracterizadores da lei. se para 1 unidade de tempo o nº médio de ocorrências é λ. que corresponde ao número médio de ocorrências por unidade de tempo ou espaço. Como o número médio de ocorrências do acontecimento é proporcional à amplitude do intervalo de tempo ou espaço a que se refere. quando a taxa de ocorrência é fixa (por exemplo.p). a variável X: “Nº de ocorrências do acontecimento no intervalo [0. a funcionar ou avariada. aplicar a distribuição binomial quando se pretende calcular a fiabilidade de uma central eléctrica. nº de chamadas que chegam a uma central telefónica por minuto. O parâmetro caracterizador da distribuição de Poisson é λ. com várias unidades iguais e admitindo que cada unidade apenas pode residir em dois estados. (ii) Lei de Poisson A lei de Poisson (ou lei dos acontecimentos raros ou cadenciados) dá a probabilidade de um acontecimento ocorrer um dado número de vezes num intervalo de tempo ou espaço fixado. Um acontecimento deve ter 4 características para que se possa associar a uma lei binomial: - número fixo de experiências (n) cada experiência ter apenas duas classes de resultados possíveis todas as experiências terem igual probabilidade de ocorrência (p) as experiências serem independentes Em sistemas eléctricos de energia é possível. nº de varias que ocorrem numa máquina por dia).

Note-se que é possível estabelecer uma relação entre a lei exponencial e a lei de Poisson. então: P (T>t) = P(tempo que decorre entre avarias exceder t) = P(até ao instante t. Então T segue lei exponencial Exp (λ). isto é. a fiabilidade do componente/sistema como função do tempo. não ocorre qualquer avaria) = P (ocorrerem zero avarias no intervalo [0.t[.t[) = P(X=0) = e − λt A distribuição exponencial é a mais usada em estudos de fiabilidade. sendo 1 λ o tempo que. em média. já que a probabilidade de um componente sobreviver até ao instante t é dada por e − λt A probabilidade de avariar até ao instante t é dada por 1 − e − λt Estatística Aplicada 52 . então a probabilidade de não ocorrerem avarias nesse intervalo. é dada por: (λt )0 e −λt = e −λt 0! (iii) Lei Exponencial Seja T a variável “Tempo ou espaço que decorre entre ocorrências consecutivas de um acontecimento”. se X fôr o “Nº de avarias que ocorrem no intervalo de tempo [0. Assim. decorre entre ocorrências sucessivas do acontecimento.t[”. e corresponde à expressão da lei de probabilidade de Poisson : Po(λt) Por exemplo.t[”. e T fôr o “Tempo que decorre entre avarias consecutivas”.Manual de Exercícios dá a probabilidade de acontecerem x ocorrências no intervalo de tempo [0. se X fôr o “Nº de avarias que ocorrem no intervalo de tempo [0.

Se se fizer o valor médio µ igual a zero e todos os desvios forem medidos em relação à média. mas a curva normal é a forma de distribuição mais frequente nos processos industriais para características mensuráveis. Isto é.1) com os valores tabelados.73% dos valores entre os extremos –3 e 3. os valores observados têm uma determinada tendência central e uma determinada dispersão em torno da tendência central. Estatística Aplicada 53 . e pode considerar-se como estabelecida pela experiência prática. a equação será: Z= X −µ σ que corresponde a uma distribuição normal estandardizada (0. a qual é caracterizada por uma curva de Gauss: Esta distribuição apresenta 99. A expressão − 1 e 2 σ 2∏ 1 ( Xi − µ ) 2 σ2 representa a função densidade de probabilidade da distribuição Normal.Manual de Exercícios (iv) Lei Normal A lei Normal tem como parâmetros caracterizadores a média µ e o desviopadrão σ. Existem muitos tipos de distribuição.

as variáveis Zi são mutuamente independentes Então.f: degrees of freedom) é habitualmente usado para designar o número n de parcelas (variáveis Zi) adicionadas. + Z n 2 X ∩ χn O termo “Graus de Liberdade” (d. denotada por n i =1 X= 2 2 Z i2 = Z12 + Z 2 + . Estatística Aplicada 54 .1).Manual de Exercícios (v) Lei Qui-Quadrado Considere-se um conjunto de n variáveis aleatórias Zi. obedecendo às seguintes condições: - cada variável Zi segue distribuição N(0. aproximando-se da distribuição Normal à medida que n cresce. segue distribuição Qui-Quadrado com n graus de liberdade. a variável aleatória X. construída a partir da soma das n variáveis Zi elevadas ao quadrado.. É possível demonstrar que o valor esperado e a variância da distribuição de uma variável Qui-Quadrado são respectivamente µ =n σ 2 = 2n A distribuição Qui-Quadrado é uma distribuição assimétrica à esquerda..

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

De ensaios anteriores. sabe-se que: - a probabilidade de A falhar é de 20% a probabilidade de B falhar sozinho é 15% a probabilidade de A e B falharem é 15% Determine a probabilidade de: Estatística Aplicada 56 . Determine a probabilidade dos seguintes acontecimentos: a) saída de Rei b) saída de copas c) saída de Rei ou copas d) saída de Rei mas não de copas e) não saída de Rei f) não saída de Rei nem de copas g) não saída de Rei ou não saída de copas Resolução A: saída de Rei B: saída de copas a) P(A)=1/13 b) P(B)=1/4 c) P(A ∪ B) = P(A) + P(B) . A e B.P(A ∩ B) = 1/13+1/4-1/52 = 4/13 (=(13+3)/52) d) P(A-B) = P(A) – P(A ∩ B) = 1/13 – 1/52 = 3/52 (= (4-1)/52) e) P( A )= 1-1/13 = 12/13 (=(52-4)/52) f) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 4/13 = 9/13 g) P( A ∪ B ) = P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 1/52 = 51/52 Exercício 2 Um sistema electrónico é formado por dois sub-sistemas.Manual de Exercícios PROBABILIDADES Exercícios resolvidos Exercício 1 De um baralho ordinário (52 cartas) extrai-se ao acaso 1 carta.

15 = 5% c) P(A ∪ B) = P(A) + P(B) .1% P(B) = 22.4% Escolhe-se uma pessoa ao acaso.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais. C: 12.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0. B: 22.2 + 0.15 + 0. Calcule a probabilidade dessa pessoa: a) ler pelo menos um dos jornais b) ler A e B mas não C c) ler A mas não ler B nem C Resolução A: a pessoa escolhida lê o jornal A B: a pessoa escolhida lê o jornal B C: a pessoa escolhida lê o jornal C P(A) = 9. com as seguintes percentagens de leitura: A: 9.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.7% P(C) = 12. B e C.P(A ∩ B) = 0.8% P(A ∩ B) = 5.8%.Manual de Exercícios a) B falhar b) falhar apenas A c) falhar A ou B d) não falhar nem A nem B e) A e B não falharem simultaneamente Resolução A: o subsistema A falha B: o subsistema B falha P(A)=20% P(B-A)=15% P(A ∩ B)=15% a) P(B) = P(B-A)+ P(A ∩ B) = 0. A e B: 5.1%.3 – 0.1%.7%. A e C: 3.4% Estatística Aplicada 57 .35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0. B e C: 2.9% P(A ∩ C) = 3.9%. B e C: 6%. A. A.2 – 0.

Manual de Exercícios

a)
P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0,098+0,229+0,121-0,051-0,037-0,06+0,024 = 32,4%

b) P( A ∩ B ∩ C ) = P( A ∩ B ) − P ( A ∩ B ∩ C ) = 0,051 – 0,024 = 2,7% c) P ( A ∩ B ∩ C ) = P(A) - P ( A ∩ B ) − P ( A ∩ C ) + P ( A ∩ B ∩ C ) = 0,098-0,051-0,037+0,024 = 3,4%
Exercício 4

Um gerente de uma galeria de arte muito creditada no mercado, está interessado em comprar um quadro de um pintor famoso para posterior venda. O gerente sabe que há muitas falsificações deste pintor no mercado e que algumas dessa falsificações são bastante perfeitas o que torna difícil avaliar se o quadro que ele pretende comprar é ou não um original. De facto, sabe-se que há 4 quadros falsos desse pintor para 1 verdadeiro. O gerente não quer comprometer o “bom nome” da galeria para a qual trabalha comprando um quadro falso. Para obter mais informação o gerente resolve levar o quadro a um museu de arte e pede para que o especialista do museu o examine. Este especialista garante-lhe que em 90% dos casos em que lhe é pedido para examinar um quadro genuíno daquele pintor, ele identifica-o correctamente como sendo genuíno. Mas em 15% dos casos em que examina uma falsificação do mesmo pintor, ele identifica-o (erradamente) como sendo genuíno. Depois de examinar o quadro que o gerente lhe levou, o especialista diz que acha que o quadro é uma falsificação. Qual é agora a probabilidade de o quadro ser realmente uma falsificação?
Resolução

V: o quadro é genuíno F: o quadro é falso I: o quadro é identificado correctamente P(V) = 20% P(F) = 80% P(I/V) = 90% P( I / F ) = 15%
Estatística Aplicada

P( I / V ) = 10% P(I/F) = 85%
58

Manual de Exercícios

P(ser realmente falsificação/especialista identificou como falsificação) = =
P( F ) * P( I / F ) 0,8 * 0,85 0,68 = = = 97,1% P ( F ) * P ( I / F ) + P (V ) * P ( I / V ) 0,8 * 0,85 + 0,2 * 0,1 0,7

Exercício 5

Na ida para o emprego, o Sr. Óscar, polícia de profissão, tem de passar obrigatoriamente por três cruzamentos com semáforos. No primeiro cruzamento, o do Largo Azul, a probabilidade do semáforo se encontrar com sinal vermelho é de 10%. Em cada um dos cruzamentos seguintes, o Sr. Óscar fica parado devido aos sinais vermelhos em metade das vezes que lá passa. O Sr. Óscar já descobriu que os semáforos funcionam separadamente, não estando ligados entre si por qualquer mecanismo. Embora goste de cumprir a lei, o guarda Óscar passa no sinal verde e acelera no amarelo, só parando mesmo no sinal vermelho. a) Qual a probabilidade do Sr. Óscar chegar ao emprego sem ter de parar em qualquer sinal vermelho? b) Qual a probabilidade do Sr. Óscar ter de parar num só semáforo? c) Qual a probabilidade do Sr. Óscar ter parado no sinal vermelho do cruzamento do Largo Azul, sabendo que parou num só semáforo na sua ida para o emprego?
Resolução

A: polícia encontra sinal vermelho no 1º cruzamento B: polícia encontra sinal vermelho no 2º cruzamento C: polícia encontra sinal vermelho no 3º cruzamento P(A)=10% P(B)=50% P(C)=50% P( A )= 90% P( B )= 50% P( C )= 50%

a) P( A ∩ B ∩ C ) = P( A )*P( B )*P( C ) = 0,9*0,5*0,5 = 22,5% b) P( A ∩ B ∩ C ) + P( A ∩ B ∩ C ) +P( A ∩ B ∩ C ) = = P( A )*P( B )*P( C ) + P( A )*P( B )*P( C ) + P( A )*P( B )*P( C ) = 47,5%

Estatística Aplicada

59

Manual de Exercícios

c) P(polícia parar no 1º cruzamento / polícia parou num só semáforo)
=
P ( A ∩ B ∩ C ) P ( A) * P ( B ) * P (C ) = = 5,26% 0,475 0,475

Exercício 6

Após alguns testes efectuados à personalidade de um indivíduo, concluiu-se que este é louco com probabilidade 60%, ladrão com probabilidade igual a 70% e não é louco nem ladrão com probabilidade 25%. Determine a probabilidade do indivíduo: a) Ser louco e ladrão b) Ser apenas louco ou apenas ladrão c) Ser ladrão, sabendo-se que não é louco
Resolução

A: indivíduo é louco B: indivíduo é ladrão P(A)=60% P(B)=70% P( A ∩ B ) = 25% = P( A ∪ B ) P(A ∪ B) = 1 – 0,25 = 75% 0,75 = 0,6 + 0,7 - P(A ∩ B)

a) P(A ∪ B) = P(A) + P(B) - P(A ∩ B) P(A ∩ B) = 0,6 + 0,7 – 0,75 = 55%

b) P(A-B) + P(B-A) = (0,6-0,55) + (0,7-0,55) = 20í c) P(B/ A ) =
P ( B ∩ A) P ( B − A) 0,15 = = = 37,5% 1 − 0,6 0,4 P ( A)

Exercício 7

Uma moeda é viciada, de tal modo que P(F) = 2/3 e P(C) = 1/3. Se aparecem faces, então um número é seleccionado de 1 a 9. Se parecem coroas, um número é seleccionado entre 1 e 5. Determine a probabilidade de ser seleccionado um número par.
Resolução

P(Par) = 2/3*4/9 + 1/3*2/5 = 42,96%

Estatística Aplicada

60

3P( M 2) P( M 1) + P ( M 2) + P( M 3) = 1 ⇔ P( D) = P( M 1) * P( D / M 1) + P( M 2) * P ( D / M 2) + P( M 3) * P( D / M 3) − 1. 3 máquinas.65% Prod. 1 = P(M1)*10000 = ? Prod. determine o número de parafusos que cada máquina produz diariamente.0165 = 0.03 + P( M 2) * 0. 3 = P(M3)*10000 = ? P( M 1) = 0.Manual de Exercícios Exercício 8 Numa fábrica.65%. A incidência de defeituosos na produção de cada máquina é: M1: 3% M2: 1% M3: 2% Extrai-se ao acaso da produção diária um parafuso.3P( M 2) + P( M 3) = 1 ⇔ 0.01 + P( M 3) * 0. Resolução M1: o parafuso foi produzido por M1 M2: o parafuso foi produzido por M2 M3: o parafuso foi produzido por M3 D: o parafuso é defeituoso n = 10000 unidades P(M1) = 0.3P( M 2) * 0.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1. M1.02 Estatística Aplicada 61 . A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2. Sabendo que a probabilidade dele ser defeituoso é de 1. 2 = P(M2)*10000 = ? Prod. M2 e M3 fabricam parafusos. sendo a produção diária total de 10000 unidades.

0165 = 0. Sabe-se que a probabilidade de: - chegar atrasado à escola é 60% chegar atrasado utilizando o transporte A é 80% chegar atrasado utilizando o transporte B é 50% chegar atrasado utilizando o transporte C é 60% utilizar os transportes B e C é a mesma a) Calcule a probabilidade de o João utilizar o transporte A b) Sabendo que o João chegou atrasado à escola.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .Manual de Exercícios − ⇔ P( M 3) = 1 − 1.8 P(T/B) = 0. Resolução T: O João chega atrasado A: o João utiliza o transporte A B: o João utiliza o transporte B C: o João utiliza o transporte C P(T) = 0. B ou C.5 = 15% P( M 3) = 1 − 1.6 P(T/A) = 0.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A.3 * 0. calcule a probabilidade de ter utilizado os transportes B ou C.3 * 0.3P( M 2) = 1 − 1.01 + (1 − 1.03 + P( M 2) * 0.02 P( M 1) = 0.5 P(T/C) = 0.3P( M 2) * 0.3P( M 2) 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.3P( M 2)) * 0.

6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .8 + P(B)*0.I.5 + P(B)*0. sabe-se que 70% dos indivíduos com Q.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0. respectivamente.6 = (1-2P(B))*0.5 + 0.4 * 0. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q. baixo ficar apto no teste é de 20% finalmente.4 * 0.6 = =73. sabendo-se que ficou inapto? Resolução A: indivíduo fica apto no teste E: indivíduo tem QI elevado M: indivíduo tem QI médio B: indivíduo tem QI baixo P(E) = 30% P(M) = 60% P(A/M) = 50% P(B) = 1 –0.I.3 – 0.) elevado e médio são.3% P (T ) 0.I.6 Exercício 10 Uma empresa que se dedica à prestação de serviços de selecção de pessoal em relação a um teste psicotécnico para uma profissão específica sabe o seguinte: - as percentagens de indivíduos com um quociente de inteligência (Q. elevado ficam aptos no teste a) Qual a probabilidade de um indivíduo escolhido ao acaso ficar apto no teste? b) Qual a probabilidade de um indivíduo ter Q. baixo.Manual de Exercícios Logo 0.I.I. de 30% e de 60% a percentagem de indivíduos com Q.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.

Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0.1 * 0.1*0.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0. não possuir nenhum daqueles três objectos Resolução A: agregado familiar possui telefone B: agregado familiar possui frigorífico C: agregado familiar possui automóvel P(A) = 35% P(B) = 50% P(C) = 25% Estatística Aplicada 64 .53 P ( A) Exercício 11 Os resultados de um inquérito aos agregados familiares de uma determinada cidade forneceram os seguintes dados: - 35% dos agregados possuem telefone 50% dos agregados possuem frigorífico 25% dos agregados possuem automóvel 15% dos agregados possuem telefone e frigorífico 20% dos agregados possuem telefone e automóvel 10% dos agregados possuem frigorífico e automóvel 5% dos agregados possuem telefone. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1.3*0. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.6*0.8 = = 17% 1 − 0.7+0. possuir pelo menos um daqueles três objectos 2. possuir também frigorífico 2. possuir telefone ou frigorífico 2. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.5+0.

35 + 0.25 c) 1.25 P( B ∩ C ) 0. 1 – P( A ∪ B ∪ C ) = 1 – 0.P(A ∩ C) = 0. P(B / C) = 2.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade. a) Qual a probabilidade de um segurado não sofrer qualquer acidente durante um ano? b) Qual a probabilidade de um segurado que sofreu pelo menos um acidente ter idade igual ou inferior a 40 anos? c) Qual a probabilidade de.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1.5 – 0. um acidente durante o referido período? Estatística Aplicada 65 . P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0. dado que cada um sofreu. pelo menos. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0.2 + 0.35+0.35 + 0.05 = = 100% P (C ) 0.2 = 40% b) krysktsh1. nenhum ter sofrido qualquer acidente durante um ano? 3. pelo menos. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0.1+0. um acidente por ano.25 – 0. dos quais 5% sofrem. Todos terem idade igual ou inferior a 40 anos. P(A ∪ B) = P(A) + P(B) .25-0.P(A ∩ B) = 0. 3% têm um ou mais acidentes no mesmo período.1 − 0.2-0.15 = 70% 2. todos terem idade igual ou inferior a 40 anos? 2.05 = 70% 2. De entre os segurados com idade igual ou inferior a 40 anos.1 = = 40% P (C ) 0.4 = 60% P(A ∪ C) = P(A) + P(C) . numa amostra de três segurados 1.15-0.5+0.

4*0.4*0.958 P ( A) P ( A) c) 1.57% = P(B) 1 − 0.958*0.4% 2.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0.95 + 0.6*0.05 = 95% P( A /I2) = 1 – 0.9% 3.958*0.958 = 87. P( I 2 ∩ I 2 ∩ I 2) = 0.4 = 6.3% Estatística Aplicada 66 .03 = = = 28.2857*0.2857*0.Manual de Exercícios Resolução I1: o segurado tem mais de 40 anos de idade I2: o segurado tem 40 anos ou menos de idade A: o segurado sofre pelo menos 1 acidente por ano A : o segurado não sofre nenhum acidente por ano P(I1) = 60% P(A/I1) = 5% P(A/I2) = 3% P(I2) = 1 – 0.6 = 40% P( A /I1) = 1 – 0. P( A ∩ A ∩ A) = 0.6 * 0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.2857 = 2.97 = 95.4*0. P( B ∩ B ∩ B ) = 0.

104 Introdução ao e-learning .

8) λ=5 8 p=0.932 = 0. calcule a probabilidade de. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.2*0.8 Logo P(X>8) = 1-0. por minuto (0.1.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.5 horas. escolhidas ao acaso uma ser defeituosa. é 5.83 = 0. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0. entre as 4 bobines necessárias a um determinado cliente.4) n=4 p=0.1. 7. Qual a probabilidade de não serem atendidas todas as chamadas no intervalo de tempo de 1 minuto? Resolução X: número de chamadas telefónicas atendidas numa central. A central só pode atender um número máximo de 8 chamadas por minuto.06 e −5 5 x P(X ≤ 8) = = 0.2 q=1-p=0.3.8 P(X=1)=C4p1q4-1 = 4*0.3.2.2 q=1-p=0. 5.2.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas. 6. por minuto. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 .932 x! x =0 Exercício 3 O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.4.

Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. vem: 121 − 120 =2 0. sabe-se. O número de turistas que procuram este serviço. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 . e X: numero de avarias que ocorrem no intervalo [0. entre as 8 e as 9 horas.28%.9772 = 2.333 = 0. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente. por hora. em cada hora. entre as 9 e as 11 horas.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120. esse serviço é procurado por 8 turistas interessados em alugar barcos. destinado aos turistas que a frequentam.9772. Verificou-se que. verifica-se que o valor da função Z é P(X ≤ 2) = 0.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. está associado a uma variável aleatória com distribuição de Poisson.5 = e −1.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4. se aluguem 5 barcos? Qual a probabilidade de que. por outro lado. num período de 6h λ=1/4. que esse serviço funciona ininterruptamente das 8 às 20 horas. em média.6[.5 Consultando a tabela. isto é. Z= Logo P(X>2) = 1-0. com desvio padrão 0. a) b) Qual a probabilidade de que.5.

0057 + .16% b) Y1: nº de turistas que procuram o serviço de aluguer na 1ª hora Y2: nº de de turistas que procuram o serviço de aluguer na 2ª hora Logo Y1+Y2: nº de turistas que procuram o serviço de aluguer em 2 horas Pelo Teorema da Aditividade da Poisson. + f(33) = 0.9% dos dias? c) Qual o número esperado de petroleiros a chegarem por dia? d) Qual o número mais provável de petroleiros a chegarem por dia? e) Qual o número esperado de petroleiros a serem atendidos diariamente? f) Qual o número esperado de petroleiros que recorrerão a outros portos diariamente? Resolução X: nº de petroleiros que chegam diariamente a uma certa refinaria X segue Po (2) Capacidade máxima de atendimento da refinaria: 3 petroleiros/dia Estatística Aplicada 69 . Nas actuais condições.. 3 petroleiros por dia. a) Qual a probabilidade de. ser preciso mandar petroleiros para outro porto? b) De quanto deveriam ser aumentadas as instalações de forma a assegurar cais a todos os petroleiros em 99.Manual de Exercícios Resolução X: nº de turistas que procuram o serviço de aluguer de barcos por hora X segue Po(λ=8) a) Na tabela da Po(λ=8) vem P(X=5) = 9. Atingido este número. considerando Y1 e Y2 independentes e que todas seguem Po(8).0001 = 1. o cais da refinaria pode atender.. num qualquer dia. vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +. no máximo. os restantes que eventualmente apareçam deverão seguir para outro porto. + 0...32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2.

entre 0 e 1 petroleiro por dia g) W: nº de dias em que é preciso mandar petroleiros para outro porto num mês de 30 dias (0. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.E(Y) = 2 .29% (tab.8571 =14.1.1..6767 = 0. 3.. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1.1. Z = X .3233 E(Y) = 0*0. em média. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0.85%. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh.2707 g(2) = P(X=2) = 0.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0.1353 + … + 3*0. 2. pg.1429) E(W) = 30*0.Y E(Z) = E(X -Y) = E(X) .1353 g(1) = P(X=1) = 0.3233 = 1.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0. é preciso enviar petroleiros para outro porto 4 a 5 dias/mês Exercício 7 Os Serviços Municipalizados de Gás e Electricidade debitam mensalemnte aos seus clientes um consumo teórico T de energia eléctrica calculado de tal modo que a probabilidade de o consumo efectivo o exceder seja de 30. 2.1.218 Recorrem a outros portos.30) W segue Bi (n = 30.782 = 0. p = P(X>3) = 0. 4.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo. 2. em média.1429 = 4. 3) g(0) = P(X=0) = 0. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .3 Em média. com probabilidade 27.782 São atendidos. 5. 6) Logo.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0..

3085 X segue N(400. 4800) 2.Manual de Exercícios 2.71%. N(1200.1)< = P(N(0. 1600). 1600) a) P(X>T) = 0. X1: consumo efectivo de energia eléctrica de um cliente no 1º mês (em kwh) X2: consumo efectivo de energia eléctrica de um cliente no 2º mês (em kwh) X3: consumo efectivo de energia eléctrica de um cliente no 3º mês (em kwh) Logo X1+X2+X3: consumo efectivo de energia eléctrica em 3 meses (em kwh) Pelo Teorema da Aditividade da Normal. 1600*3). A cadeia A opera a um ritmo médio de 2 montagens por hora. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v. Qual a probabilidade de que.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico. considerando X1.6915 ⇔ = 0. Poisson. existem 2 cadeias de montagem A e B.3085 ⇔ P( P(N(0. isto é.1) ≤ b) 1.58) = 28. X2 e X3 independentes e que todas seguem N(400. o consumo teórico exceda o efectivo em mais de 100 kwh? Resolução X: consumo efectivo de energia eléctrica de um cliente por mês (em kwh) T: consumo teórico (valor fixo) debitado ao cliente por mês (em kwh) T: P(X>T) = 0.a. vem que: Y=X1+X2+X3 segue N(400*3. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . com funcionamento independente.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. P(3*420-Y > 100) = P(Y < 1160) = P(N(0. ao fim de 3 meses.1)<-0. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98.3085 ⇔ 40 40 T − 400 T − 400 ) = 0.

0183 Na tabela da Poisson.9817. λ = 4. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0..1954 + 0.72% c) P(X=2Y) = P(X=0 ∩ Y=0) + P(X=2 ∩ Y=1) + P(X=4 ∩ Y=2) + P(X=6 ∩ Y=3) + P(X=8 ∩ Y=4) = 0.0001 + … + 0. Y2 e Y3 independentes e que todas seguem Po(4). Logo. + f(10) = 0 + 0.0753 + 0. como se sabe que P(Y ≥ 1) = 0.0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4.0183 + 0. a cadeia A efectuar o dobro de montagens de B d) o número médio de montagens efectuadas num dia de trabalho de 8 horas com ambas as cadeiras Resolução X: nº de montagens da cadeia A por hora Y: nº de montagens da cadeia B por hora X segue Po(2) a) Y segue Poisson. em 3 horas de trabalho.9817 = 0. vem que o valor 0.2707*0. percorrendo as linhas de valor = 0. Na tabela da Po(4). considerando Y1..8% d) W: nº de montagens das 2 cadeias num dia de trabalho de 8 horas W= 8 i =1 ( X i + Yi ) onde Xi + Yi corresponde ao nº de montagens das 2 cadeias por hora Estatística Aplicada 72 .1465 + 0. numa hora.1048 = 34.1353*0. vem que P(Y<1) = 1 – 0. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de.8893=11.Manual de Exercícios b) a probabilidade de.1954 = 3.0902*0.07% b) Y1: nº de montagens da cadeia B na 1ª hora Y2: nº de montagens da cadeia B na 2ª hora Y3: nº de montagens da cadeia B na 3ª hora Logo Y1+Y2+Y3: nº de montagens da cadeia B em 3 horas Pelo Teorema da Aditividade da Poisson.012*0.0009*0. mas desconhece-se a média (=parâmetro λ) No entanto.

66 Estatística Aplicada 73 . p=0.010*0. 1: maço é aproveitável se não contiver cigarros defeituosos Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20. conter 0 cigarros com filtro defeituoso b) o número de maços que. Crit. Numa rápida análise às condições de produção. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos. P(X=0) = 0. vem que Xi + Yi segue também Po(2+4=6). sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente.01*0. p=P(X=0)+P(X=1)= 0.9831) Logo E(Y) = 20*0. maço é aproveitável se contiver no máximo 1 cigarro defeituoso Resolução X: nº de cigarros com filtro defeituoso em 20 cigarros de um maço X segue Bi(n=20.52% 2. segue Po(6*8=48) Logo.1652 = 0.9919 = 16. p=P(X=0) = 0. a companhia espera poder aproveitar se utilizar o critério: 1. P(X=1) = 20*0.8179+0.36 2.01) a) 1. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. E Z .9831 = 19.8179) Logo E(Y) = 20*0.8179 = 16.9920 = 81.79% b) 1. 2: maço é aproveitável se contiver no máximo 1 cigarro defeituoso Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20. Crit. num volume que contém 20. determine: a) a probabilidade de um maço acabado de formar 1. maço é aproveitável se não contiver cigarros defeituosos 2. conter 1 cigarro com filtro defeituoso 2.Manual de Exercícios Pelo Teorema da Aditividade de Poisson. também pelo mesmo Teorema. Nestas condições. Exercício 9 Uma companhia de tabacos recebeu em dada altura um elevado número de queixas quanto à qualidade dos cigarros de certa marca que comercializa.

vem que σ b) P(peça não defeituosa) = P(µ .642 − 0.05 − 0.5% a) Como P(X<0.25 σ < 0.5 = 0.13% 0.25 mm e 47.25<X<0. Sabemos que 50% das peças produzidas têm comprimento inferior a 0.25 P(0. logo µ = 0. b) Determine a probabilidade de uma peça não ser defeituosa.475 + 0.642 mm.05 < X < 0.45) – P(X<0.1) < 0.25 0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.96 e logo σ = 0.05) = 0.25 − µ σ 0.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.25<X<0.a.σ < X < µ + σ) = P(0.2 Sendo θ (0)=0.25 − 0.392 ) = 0.5% vem que P( 0. a) Calcule a média e o desvio-padrão do comprimento das peças.25 mm e 0.σ P(X<0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.392 σ )= =θ( σ ) − θ (0) = 0. Normal com média µ e variância σ2.392 < X − 0.25 − µ ) = 50% Na tabela.475 0.392 = 1.5.25 σ ) = P (0 < N (0. E como σ tem que ser =0.5% têm comprimento entre 0.45 − 0.25) = 50% P(0.45) = P(X<0. vem que θ ( σ Na tabela 3B da Normal.2 74 θ( Estatística Aplicada .975 0.642) = 47.642) = 47.25) = 50% vem que P( X −µ σ < 0.25 σ 0.2 0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84. σ2) Peça defeituosa se X>µ + σ ou se X< µ .

Estatística Aplicada 75 . por cada período de 5 minutos.. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%. Um empregado entra ao serviço às 8 horas.. 0. pelo menos. Calcule a probabilidade de se concluir pela ineficácia do medicamento. 20) n=20 p=0.4) P(X ≥ 8)=1.6 X segue Bi (20. 8 doentes em 20. Põe-se à prova um novo medicamento. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0.19. Qual a probabilidade de ter de aguardar mais de 10 minutos até à chegada de um veículo? Resolução X: nº de veículos que chegam ao posto abastecedor por período de 5 minutos X segue Po(4) Se X1: nº de veículos que chegam ao posto no 1º período de 5 minutos X2: nº de veículos que chegam ao posto no 2º período de 5 minutos então X1+X2: nº de veículos que chegam ao posto abastecedor em 10 minutos Pelo Teorema da Aditividade de Poisson.03%. chegam. que eleva a probabilidade de cura para 40%. em média.2. considerando X1 e X2 independentes e que ambas seguem Po(4). ainda que este eleve de facto a probabilidade de cura para 40%. ministrando-o a um grupo de 20 doentes.F(7) = 41. 4 veículos a determinado posto abastecedor de combustíveis. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0.1.58% Exercício 12 Sabe-se por via experimental que.4 q=1-p=0.

pela morosidade e dispêndio de recursos que tal implicaria. Isto é. E esse resultado tem um determinado nível de confiança associado: por exemplo. De facto. o valor seja diferente. é possível calcular o peso médio de acordo com as técnicas de estatística descritiva apreendidas atrás. para cada amostra de dimensão n recolhida. seja possível inferir entre que valores varia o peso médio com um grau de confiança ou probabilidade elevado. Na impossibilidade de medição do peso de todos os pacotes. como retirar conclusões? Como garantir algum nível de rigor? O método a estudar neste capítulo – a estimação por intervalos – permite. ao recolher um determinado número de pacotes da produção total aleatoriamente. Estatística Aplicada 76 . aferir entre que valores seria de esperar que variasse o parâmetro de interesse se nos empenhássemos a recolher um número infinito de amostras. se dissermos que o nível de confiança ou certeza implicado é de 95%. a partir da recolha de uma única amostra. Então. é até provável que não coincida e. Por exemplo. é possível estimar os valores dos seus parâmetros caracterizadores através de métodos probabilísticos.92 kg e 1. a partir da observação de uma única amostra. se nos fosse possível observar um número infinito de amostras.Manual de Exercícios 3. Estimação por intervalos Conhecendo-se uma amostra em concreto.4. 95% ou 99% de confiança). a estimativa do parâmetro assumiria valores distintos. suponhamos que numa fábrica produtora de açúcar se pretende averiguar se o peso dos pacotes produzidos está.12 kg. Claro que nada nos garante que esse valor coincide com o valor do parâmetro da população em estudo.02 kg. caso o valor amostral fosse de 1. Assim. a estatística permite que. permitir afirmar que seria altamente provável que o peso dos pacotes produzidos estivesse a variar entre 0. dentro das normas de qualidade exigíveis. tal significa que. o intervalo de valores apresentado corresponderia aos resultados obtidos em 95% delas (os valores mais usualmente utilizados são 90%. Isto é. Caberia depois à empresa julgar se esses seriam ou não valores aceitáveis e proceder aos eventuais reajustes necessários. por exemplo. por exemplo. em média. este método poderia. mais. se recolhermos outro conjunto idêntico de pacotes.

vão considerar-se duas tipologias de intervalo: o intervalo de confiança para a média de uma população normal e o intervalo de confiança para a proporção de uma população binomial. é fácil concluir que a sua especificação implica conhecer: o estimador do parâmetro em causa a sua distribuição de probabilidade uma estimativa particular daquele parâmetro Como parâmetros de interesse e para efeitos de exemplificação. em torno do valor do estimador. Esse intervalo de variação depende: - da dimensão da amostra (n): quanto maior a dimensão da amostra. Estatística Aplicada 77 . Porque a distribuição é Normal. σ n ) Uma vez que apenas se encontra tabelada a distribuição N(0. vão considerar-se apenas exemplos relativos a amostras de grande dimensão (na prática.1). o valor amostral calculado corresponderia ao valor da população. n ≥ 100) (i) Intervalo de confiança para a média µ de uma população normal Seja X (média amostral) o estimador da média da população. é definido um intervalo de variação onde é possível afirmar que o parâmetro a estimar está contido com um grau de confiança δ . se fosse possível observar todo o universo de dados (n= ∞ ).1) n Esta variável permitirá deduzir a fórmula geral do intervalo de confiança para a média µ de uma população normal: X −c σ n .Manual de Exercícios A partir do conceito de intervalo de confiança para um parâmetro.X +c σ n Isto é. menor a amplitude do intervalo. torna-se necessário calcular a variável reduzida correspondente: Z= X −µ σ ∩ N (0. Este resultado explica-se facilmente: no limite. Para efeitos de simplificação. a distribuição deste estimador será: X ∩ N (µ .

padrão é uma medida que caracteriza a dispersão da distribuição. Naturalmente. s’= ( xi − x ) 2 n −1 . sendo natural que a margem de variação de prever em torno do valor amostral recolhido seja também. utiliza-se este intervalo considerando-se como estimativa de σ o desvio . maior.∞ a + ∞ a confiança seria total ou 100%). tal que: X −c s' n .padrão da população ( σ ): quanto maior o desvio . da seguinte forma: P ( −c ≤ Z ≤ c ) = δ já que assim é possível definir a fórmula geral do intervalo. - do valor crítico (c): quanto maior o valor c. ou seja. maior a amplitude do intervalo. p(1 − p ) ) n Estatística Aplicada 78 . O valor crítico reflecte o nível de confiança adoptado. se o intervalo se alongasse de .padrão da população fôr desconhecido. maior a amplitude do intervalo.Manual de Exercícios - do desvio . µ : P (−c ≤ X −µ σ ≤ c) = δ ⇔ P( X − c σ n ≤ µ ≤ X −c σ n )=δ n Se o desvio . Quanto maior o seu valor. É possível encontrar o valor c na tabela da normal (pois esta é a lei do estimador). maior a variabilidade apresentada pelos dados. a distribuição deste estimador será: ˆ p ∩ N ( p.X +c s' n (ii) Intervalo de confiança para a proporção p de uma população binomial ˆ Seja p (proporção amostral ou frequência observada na amostra) o estimador da proporção p de uma população binomial. Sendo a amostra de grande dimensão.padrão. a sua amplitude deve aumentar também (no limite. resolvendo a inequação em ordem ao parâmetro.padrão corrigido da amostra. para que aumente a confiança de que o valor do parâmetro a estimar está contido no intervalo. naturalmente. Como se sabe. o desvio .

No entanto. pretende-se que o resultado possua o máximo de confiança possível. a estimativa não tem utilidade. 1: “Tenho a sensação que as pautas serão afixadas durante a manhã” Afirm. Exemplo: Consideremos 3 afirmações de alunos que aguardam a saída das pautas de um exame de Estatística: Afirm. 2: “Tenho quase a certeza que as pautas serão afixadas entre as 10h e as 11h Afirm. como tal. dado que um elevado nível de confiança conduz a um intervalo maior e. Estatística Aplicada 79 . se tem que permitir que a possibilidade de erro aumente.1) Esta variável permitirá deduzir a fórmula geral do intervalo de confiança para a proporção p de uma população binomial: ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) ˆ .Manual de Exercícios Uma vez que apenas se encontra tabelada a distribuição N(0.1). Por outro lado. se uma maior confiança é pretendida na estimação.p+c n n ˆ ˆ (como estimativa de p (1 − p ) foi utilizado p (1 − p )) Como é óbvio. embora o resultado perca alguma precisão. 3: “Tenho a certeza absoluta que as pautas ou são afixadas às 10h30 ou já não são afixadas hoje” Estas 3 afirmações permitem constatar facilmente que se se pretende maior confiança na estatística. a precisão da estimação diminui. se se permitir que o erro diminua. há que ter em atenção que. os extremos do intervalo aumentam. se um intervalo de confiança tem uma amplitude demasiado grande. esta conduz a possibilidades de erro maiores. No entanto. torna-se necessário calcular a variável reduzida correspondente: Z= ˆ p− p p (1 − p ) n ∩ N (0. Cabe ao investigador gerir este “trade-off”.

Manual de Exercícios

Isto leva a uma questão importante: o dimensionamento de amostras. Até aqui, sempre se assumiu que as dimensões são conhecidas à partida, sem referir como se determinam. No entanto, a resolução deste problema tem um enorme interesse prático, já que (i) recolher e tratar uma amostra demasiado grande para os resultados que se pretendem obter constitui um evidente desperdício de recursos e (ii) recolher uma amostra cuja dimensão é insuficiente para retirar conclusões constitui um erro. A dimensão das amostras aumentará se se pretender garantir maior precisão ao intervalo e/ou maior grau de confiança. No capítulo dedicado a aplicações estatísticas, será possível ver como é possível utilizar o conceito de intervalo de confiança ao controlo estatístico de processos de qualidade.

Estatística Aplicada

80

Manual de Exercícios

INTERVALOS DE CONFIANÇA
Exercícios

Exercício 1

Suponha-se que se tem uma população normal com média µ desconhecida e desvio - padrão 3, N (µ, 9) e uma amostra de 121 observações. Deduza um intervalo de confiança para a µ com 95% de confiança.
Resolução

Para os dados deste exercício, vem:

n=121

σ =3
c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1,96 e logo
X −c

σ
n

;X +c

σ
n

= X−

1,96 x3 1,96 x3 ;X − = X − 0,535; X + 0,535 11 11

[

]

O intervalo X − 0,535; X + 0,535 contém o verdadeiro valor do parâmetro µ com probabilidade ou confiança de 95%. Conhecida uma estimativa particular daquele parâmetro, torna-se possível calcular entre que valores seria de esperar que, com 95% de confiança, variasse µ .
Exercício 2

[

]

Numa cidade pretende-se saber qual a proporção da população favorável a certa modificação de trânsito. Faz-se um inquérito a 100 pessoas, e 70 declaram-se favoráveis. Determine um intervalo de confiança a 95% para a proporção de habitantes dessa cidade favoráveis à modificação de trânsito.
Resolução

n=100
ˆ p=

70 = 0,7 100

c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1,96 e logo

Estatística Aplicada

81

Manual de Exercícios

ˆ p−c

= [0,6102;0,7898]

ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0,7 x0,3 0,7 x0,3 ˆ ;p+c = 0,7 − 1,96 ;0,7 − 1,96 = n n 100 100

O intervalo [0,6102;0,7898] contém o verdadeiro valor do parâmetro p com probabilidade ou confiança de 95%. Ou seja, a proporção de habitantes favoráveis à modificação de trânsito está situada entre 61,02% e 78,98%, com probabilidade de 95%.

Exercício 3

Uma máquina fabrica cabos cuja resistência à ruptura (em kg/cm2) é uma variável com distribuição Normal de média 100 e desvio - padrão 30. Pretendese testar uma nova máquina que, segundo indicações do fabricante, produz cabos com resistência média superior. Para isso, observam-se 100 cabos fabricados pela nova máquina, que apresentam uma resistência média de 110 kg/cm2. Admita que o novo processo não altera o desvio padrão da resistência à ruptura dos cabos. a) Determine um intervalo de confiança a 95% para a resistência média à ruptura dos cabos produzidos pela nova máquina. b) Suponha que pretendíamos obter um intervalo de confiança com a mesma amplitude do anterior, mas com nível de confiança de 99%. Quantos cabos deveriam ser observados?
Resolução

a) X segue N(100; 302) n=100 e logo
X −c

x =110

σ=30

γ=95%

c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1,96

σ
n

;X +c

σ
n

= 110 −

1,96 x30 1,96 x30 ;110 − = [104,12;115,88] 10 10

Estima-se, com 95% de confiança, que a resistência média à ruptura dos cabos produzidos pela nova máquina se situa entre 104,12 kg/cm2 e 115,88 kg/cm2.

Estatística Aplicada

82

Manual de Exercícios b) Amplitude = 115. Defina um intervalo que.70m. com probabilidade 95%. observando-se um valor médio de 1. contenha o valor esperado da altura µ. tendo-se obtido o valor de 1.315 mg. . diga.2 − 2.576 x0. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11.576 x0.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.22) n=20 e logo X −c x =1. 0.2 σ=0.X +c σ n = 1. com 99% de confiança. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.2 − 2.2 mg.76 Amplitude = Lim. com 99% de confiança.Sup.085. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0. Resolução X segue N(µ.Inf.2 20 . Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina.1.1.085 mg e 1. entre que valores se situa o teor médio de nicotina de um cigarro.88 – 104.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.12 = 11.576 σ n .315] Estima-se.2 20 = [1. que o teor médio de nicotina de um cigarro se situa entre 1.2 mg.Lim.051. Estatística Aplicada 83 .

9 p (1 − p ) p (1 − p ) ˆ .2 − 1.9 0. que o teor médio de nicotina de um cigarro se situa entre 1.96 x 0.0.788] Estima-se.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.645 = 0.23%. com 90% de confiança.051) n=25 e logo X −c x =1.051 25 = [1.1x0.1x0.96 x 0.315 mg.0876. Construa um intervalo Estatística Aplicada 84 .1123] Estima-se. onde 10% dos artigos são defeituosos. Exercício 6 Numa fábrica.051 25 . 0. procura conhecer-se a incidência de defeituosos na produção de uma máquina. Passada uma semana.76% e 11.Manual de Exercícios Resolução X segue N(µ. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.70 σ2=0.085 mg e 1.7 − 1.0. que a proporção de artigos defeituosos na produção se situa entre 8. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.X +c σ n = 1. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).1 − 1.96 σ n . Para tanto.p+c .1.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.645 = 1600 1600 n n = [0.1 − 1.1.611. com 95% de confiança. Determine o intervalo de confiança para a referida proporção com 90% de confiança.

25 − 1. Nesse sentido. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0.96 . que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.25 x0.96 = n n 300 300 = [0.p+c = 0.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0. 0.25 x0.767.0.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.034. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%. verificando que 960 a conheciam.75 0.299] Estima-se. Resolução n=300 ˆ p= 75 = 0.25 − 1.1% e 29.9%. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.75 ˆ .201.0.Manual de Exercícios de confiança a 95% para a proporção de operários que conheciam adequadamente o conjunto das normas uma semana após a sua emissão.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.833]. com 95% de confiança. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.645 e logo Estatística Aplicada 85 .

-Lim. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.2 ˆ . que a proporção de indivíduos conhecedores da marca se situa entre 78.8 x0.645 .781. com 90% de confiança.8 * 0.=Lim.2 0. estima-se que o desvio .645 = n n 1200 1200 Estima-se.2 = 2 *1.0.8 + c E D(2. a que corresponde o nível de confiança utilizado Exercício 9 O gabinete de projectos de uma empresa de material de construção civil pretende estimar a tensão de ruptura do material usado num determinado tipo de tubos.9%.8 − 1.86 1200 Logo 0.Sup.6%. pretendendo-se que a sua amplitude não exceda 60 psi.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .1% e 81.833 n 0.2 = 0. Com base num vasto conjunto de ensaios realizados no passado.Manual de Exercícios ˆ p−c = [0.8 − 1.0.86) na tabela N(0.padrão da tensão de ruptura do material em causa é de 70 psi.645 * ≤ 0. = ( p + c Logo ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c n n n 2c ˆ ˆ p(1 − p) 0.Inf.1) vem igual a 99.833 ⇔ c = 2.p+c = 0.8 * 0.8 x0. Qual o número de ensaios necessário para definir tal intervalo? Resolução n=? σ=70 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0. ˆ b) Amp.

Resolução X segue N(µ. para o valor esperado da tensão de ruptura dos cabos do lote em causa. que é respeitada. foram seleccionados aleatoriamente e sujeitos a um teste de impacto.96 x10.5. Construa um intervalo de confiança. usados por trabalhadores de uma empresa de construção civil.96 e logo Estatística Aplicada 87 .Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos.5 kg/cm2 e 4543. a 95%. O director comercial pretende saber qual o intervalo de confiança.5 kg/cm2. e em 18 foram observados alguns danos.96 x10.96 σ n . Exercício 11 Uma amostra de 50 capacetes de protecção. Recentemente. 112) n=10 e logo X −c x =4537 σ=10.X +c σ n = 4537 − 1. seleccionados aleatoriamente a partir de um lote de grandes dimensões.58 10 = [4530. Existe uma norma de 112 kg/cm2 em relação à variância.4543.58 10 .58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. tendo sido obtida uma média de 4537 kg/cm2. com 95% de confiança. foram analisadas as tensões de ruptura de 10 cabos SCB-33R.5] Estima-se. Defina esse intervalo. Resolução a) n=50 ˆ p= 18 = 0.4537 − 1. Interprete o resultado obtido. para a verdadeira proporção p de capacetes que sofre danos com este teste. a 95%. que o tensão média de ruptura dos cabos se situa entre 4530.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.

49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0. Exercício 12 Qual deve ser o número de habitantes da cidade do Porto a seleccionar aleatoriamente para estudar a proporção de portuenses que usam óculos.Manual de Exercícios ˆ p−c = [0.3%. de modo a garantir que um intervalo de confiança a 95% para essa proporção tenha uma amplitude não superior a 8 pontos percentuais? Resolução n=? ˆ Amp. que a proporção de capacetes que sofre danos se situa entre 22.64 ˆ .08 ⇔ n > 600 n n Estatística Aplicada 88 .0.96 * < 0.p+c = 0. com 95% de confiança.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos).0. isto é.22695.= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0. vem que: 2c ˆ ˆ p(1 − p) 0.96 .5 = 2 * 1.64 0.7% e 49.96 = n n 50 50 Estima-se.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.36 x0.36 − 1.5 * 0.36 − 1.36 x0. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).

A essas hipóteses chamamos hipóteses estatísticas. e ao contrário dos intervalos de confiança. Nesta tomada de decisões. Estatística Aplicada 89 . admite-se ou avança-se um valor hipotético para o mesmo. Uma hipótese pode então ser definida como uma conjectura acerca de uma ou mais populações. Certos cientistas afirmavam poder fazer aumentar o nível médio µ das chuvas em 50 mm. é útil formular hipóteses sobre as populações. em vez de procurar uma estimativa ou um intervalo para um parâmetro. a validade de certas hipóteses relativas à população. as quais geralmente se baseiam em afirmações sobre as distribuições de probabilidade das populações ou sobre alguns dos seus parâmetros. Isto é. Desta forma.5. Nos testes de hipóteses. O objectivo é verificar se os factos observados a contradizem. hipóteses essas que podem ou não ser verdadeiras. Exemplo: Registos efectuados durante vários anos permitiram estabelecer que o nível de chuvas numa determinada região. a partir de dados observados numa amostra. pois. com base em amostras das mesmas (decisões estatísticas). utilizando depois a informação da amostra para confirmar ou rejeitar esse mesmo valor. de H0 ou de hipótese nula. justamente. levando a optar pela hipótese alternativa H1. O resultado do teste corresponde inevitavelmente a uma das duas respostas possíveis para cada questão: afirmativa ou negativa. a de permitir controlar ou minimizar tal risco. A hipótese a testar denomina-se. tendo por objectivo verificar. O seu processo foi posto à prova e anotaram- se os valores referentes a 9 anos: 510 614 780 512 501 534 603 788 650 Que se pode concluir? Adopte um nível de significância de 5%.100). Em ambos os casos corre-se o risco de errar. Uma das características do teste de hipóteses é.Manual de Exercícios 3. a estratégia básica seguida no método de teste de hipóteses consiste em tentar suportar a validade H1 de uma vez provada a inverosimilhança de H0. segue uma lei normal N(600. Testes de hipóteses Todos os dias temos de tomar decisões respeitantes a determinadas populações. em milímetros por ano. os testes de hipóteses podem considerar-se uma segunda vertente da inferência estatística.

5%. Podem-se definir 2 formas de especificar Ho e H1: (i) hipótese simples contra hipótese simples Ho: θ = θ0 H1: θ = θ1 (ii) hipótese simples contra hipótese composta Ho: θ = θ0 H1: θ > θ0 ou θ < θ0 ou θ ≠ θ0 Estes testes designam-se respectivamente de teste unilateral à direita. teste unilateral à esquerda e teste bilateral Sendo os testes de hipóteses. 5 chances em 100 de Estatística Aplicada 90 . portanto. por exemplo. e avançada a hipótese nula Ho. Estes erros não podem ser completamente evitados mas. Ao utilizar uma amostra de uma população. logo não é possível de saber se a hipótese nula é verdadeira ou falsa. estamos a lidar com leis de probabilidades. é natural que envolvam alguma margem de erro e que ocorram em situação de incerteza. um processo de inferência estatística onde se procuram tomar decisões sobre a população com base numa amostra. pode-se manter pequena a probabilidade de os cometer. Nesse caso. no entanto. mas apenas medir as probabilidades envolvidas na tomada de decisão.Manual de Exercícios Resolução: Duas hipóteses se colocavam: ou o processo proposto pelos cientistas não produzia qualquer efeito. ou este aumentava de facto o nível médio das chuvas em 50 mm. em função dos resultados de uma amostra. Estas hipóteses podem formalizar-se do modo seguinte: H0: µ=600 mm H1: µ=650 mm Este é um problema clássico de teste de hipóteses. Vamos supor uma probabilidade de erro de. em que está em causa aceitar ou rejeitar a hipótese nula. por exemplo. Compete ao investigador decidir qual a dose de risco de se enganar em que está disposto a incorrer. o investigador só estaria disposto a rejeitá-la se o resultado obtido na amostra fizesse parte de um conjunto de resultados improváveis que teriam apenas.

cuja probabilidade se designa pela letra β. Estatística Aplicada 91 . arriscando apenas quando houver evidências da amostra muito fortes a favor do novo. que na maior parte dos casos é de 10%. 5% ou 1%. sendo este que permite definir a condição de rejeição de Ho. existem também erros de 2ª espécie. que tudo se mantém igual) do que investir no novo processo (mudar). Como veremos no exemplo. isto é. Em resumo: Quadro de decisão em condição de incerteza Hipótese nula Ho Decisão Aceitar Ho Rejeitar Ho Hipótese Ho ser verdadeira: Decisão correcta (1-α) Erro de tipo I Alfa (α) Hipótese Ho ser falsa Erro de tipo II Beta (β) Decisão correcta (1-β) Como decidir? Visto que se trata de testar o valor de µ. estamos mais propensos a achar que o novo processo não tem qualquer efeito sobre o nível das chuvas (isto é. se fixe o valor a partir do qual se considera improvável a validade da hipótese nula. Para que esta decisão possa ser tomada de uma forma controlada. à partida. Tal fixação corresponde à fixação da regra de decisão do teste. Ao limite superior de risco. Ou seja. à probabilidade de se estar a cometer aquilo a que se convenciona chamar de erro de 1ª espécie. a variável de decisão será X . dáse o nome de Nível de Significância do teste. isto é. supondo Ho verdadeira. A essa região.Manual de Exercícios se produzir. é conveniente pois que. 100 9 ). à probabilidade de o resultado amostral levar à rejeição de Ho. ao conjunto de valores “improváveis” que conduzem à rejeição da hipótese nula dá-se o nome de Região Crítica. A formalização desta regra passa pela especificação de uma região de região de rejeição. então. Considerando Ho verdadeira vem que X ∩ N (600. O Nível de Significância designa-se de α e corresponde. Este tipo de formulação é conhecida como postura conservadora.

83(3) Isto é. se o valor amostral fôr superior a 654.83(3). por falta de provas suficientes para não o fazer. Estatística Aplicada 92 .83(3) X µ = 600 Os dados recolhidos indicavam X =610. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. conserva-se Ho.05 ⇔ P ( X −µ σ > c − 600 ) = 0. isto é. Se tal não acontecer. isto é.83(3) 3 A regra de decisão é. a seguinte: - rejeitar H0 em favor de H1. considerar que o processo científico não produz efeitos. opta-se por H1 com probabilidade 5% de se estar a cometer um erro. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654.645 x 100 = 654. Logo. pelo que a decisão é conservar H0 . isto é.Manual de Exercícios Em princípio. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande.2 mm.05 ⇔ 100 9 n ⇔ c = 600 + 1. a Região Crítica deste teste. grandes valores de X são improváveis. vem que P ( X > c / µ = 600) = 0. sendo P(Rejeitar Ho / Ho) = α = 5%. então.

ou seja. é possível alternativamente partir do princípio que é H1 que é verdadeira.1) ≤ 0. No entanto. e como α e β se referem a realidades opostas e variam em sentido contrário. de se cometer um erro de 2ª espécie. então vem que: X ∩ N (650. Estatística Aplicada 93 . O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β.Manual de Exercícios No entanto. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654. Supondo então que H1 é verdadeira (µ=650 mm). mas que.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses. tal não é possível. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente.14) = 55. sendo o teste ideal o que minimiza simultaneamente ambos os valores. os erros incorridos não se ficam apenas pelos de 1ª espécie. Isto é. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. Existem também erros de 2ª espécie. isto é.83(3) / µ = 650) = P ( X −µ σ ≤ n 654. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. infelizmente. No entanto.83(3) − 650 ) = P ( N (0.

não implica erro. quanto menor o erro de 2ª espécie. maior será o valor da potência do teste e. a potência do teste é variável. logo. em função da hipótese H1 Passo Nº 4: Fixar o nível de significância Passo Nº 5: Construir a Região Crítica em função do nível de significância Passo Nº 6: Cálculo (eventual) da potência do teste Passo Nº 7: Calcular a estatística da amostra Passo No 8: Tomar a decisão: rejeição ou não de Ho Estatística Aplicada 94 . < ou ≠ ). Nesse caso falase em função potência do teste = 1 -β (µ1) Resumindo: passos para construção de um teste de hipóteses: Passo No 1: Formular as hipóteses nula e alternativa Passo No 2: Decidir qual estatística (estimador) será usada para julgar a Ho e a variável de decisão Passo No 3: Definir a forma da Região Crítica. Logo. Quando H1 é uma hipótese composta (>.Manual de Exercícios Região de rejeição e de aceitação da hipótese nula Unilateral à esquerda H1: µ < 600 RA Bilateral H1: µ ≠ 600 RA Unilateral à direita H1: µ > 600 RA RR α RR α/2 1−α RR α/2 1−α RR 1−α α Chama-se potência de um teste à probabilidade de rejeitar H0 quando esta é falsa. maior a sua qualidade (diz-se que o teste é mais potente) . e é complementar do erro de 2ª espécie. Esta é uma decisão certa. dependendo do valor do parâmetro que não é fixo.

9945 3 Logo.Manual de Exercícios TESTES DE HIPÓTESES Exercícios Exercício 1 Suponha que o director de qualidade pretende averiguar se o peso dos pacotes de arroz produzidos corresponde ao valor assinalado na embalagem. Suponha que X ∩ N ( µ . Seja X a variável que representa o peso de um pacote de arroz. determinar a região de rejeição e aceitação.0.01 0. Logo.97 1. vem que P ( X < c / µ = 1) = 0.0.99 0.02 0.05 ⇔ 0.01 9 Estatística Aplicada 95 .98 0.9945] ⇔ c = 1 − 1.012 ) e que se conhece a seguinte amostra: 1. para um nível de significância de 5% se pode dizer que o peso médio corresponde ao peso de 1 kg assinalado na embalagem? Resolução Passo 1 Formular as hipóteses: Ho: µ = 1 H1: µ < 1 Passo 2 A estatística a ser utilizada será a média amostral Passo 3 A região crítica é formada por todos os valores menores ou iguais a c Passo 4 Assumir um nível de significância de 5% Passo 5 Para α=5%. sendo P(Rejeitar Ho / Ho) = α = 5%.02 0.98 1.645 x c −1 ) = 0.05 ⇔ P ( X −µ σ < n 0. RC = ]− ∞.97 1.00 Será que.01 = 0.

Faz-se um inquérito a 200 pessoas. rejeita-se Ho Ou seja. Reduzindo a probabilidade de isso ocorrer de 5% para 1%.9933 A única mudança será no Valor Crítico.9945 para 0.9933 Como o valor da amostra foi 0. que de 0. e 45% declaram-se favoráveis.9922 0. aceitaremos Ho. No entanto. Neste caso. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade. Exercício 2 Numa cidade.9933 e é menor que o valor crítico 0.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0. ou seja. pretende-se saber se metade da população é favorável à construção de um centro comercial. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0.5 H1: p < 0.9945.9922.5 Estatística Aplicada 96 . consideraremos que não há qualquer anomalia na produção. considera-se que o arroz contido em cada pacote era inferior ao indicado.9945 +∞ Valor da amostra: 0. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0.

apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial. Passo 3 A região crítica é formada por todos os valores menores ou iguais a c Passo 4 Assumir um nível de significância de 5% Passo 5 Para α=5%.645 x Passo 6 ˆ p =0.5(1 − 0.442] Passo 7 Como o valor amostral 0. determinar a região de rejeição e aceitação.05 ⇔ ⇔ c = 0. RC = ]− ∞. essa margem não é suficiente para decidir deixar de o construir.442.442 200 Logo. onde o cuidado deve ser trabalhar com grandes amostras.5(1 − 0. Estatística Aplicada 97 .45 é maior que o valor crítico 0.5) 200 ) = 0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.45 0.442 Ou seja. Logo.5 0.0.5 − 1.45 0. sendo P(Rejeitar Ho / Ho) = α = 5%.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.5) = 0.5) = 0. vem que ˆ P ( p < c / p = 0. não se rejeita Ho RR: Não construir o centro comercial RR: Parar a construção α=5% RA: Decidir pela construção -∞ 0 +∞ Valor amostral: 0.

é lançada uma intensa campanha anti-tabaco.997 0.01 0. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que o peso médio não esteja de acordo com o indicado). realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos. é uma variável normalmente distribuída. Pode-se afirmar.998 > c = 0. produzidos por uma fábrica.01. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ. não pertence à região crítica.01 ⇔ P ( X −µ c −1 c −1 ) = 0.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. 0.012) n = 49 x = 0. a um nível de significância de 1%. Da produção de determinado dia é retirada uma amostra de 49 pacotes. com peso médio de 0. a) Com 1% de significância.997. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo.01 ⇔ = −2.998 Kg. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0.326 ⇔ c = 0. registando-se 45 fumadores. com desvio padrão 0.01 σ ≤ n 49 49 Como x = 0. Ao fim de três meses. qual seria a dimensão da amostra a partir da qual aquela percentagem permitiria afirmar que a cmapnha atingiu o fim em vista? Estatística Aplicada 98 .

com desvio-padrão de 20 horas. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .5 (a campanha não surtiu efeito) H1: p < 0.384 ˆ Como p = 0.01 ⇔ c − 0. Uma amostra de 18 baterias forneceu os seguintes valores: 237 242 244 262 225 218 242 248 243 234 236 228 232 230 254 220 232 240 Supondo que o tempo de vida das baterias se distribui normalmente.5 = −2. poder-se-á concluir.326 ⇔ c = 0.5 n n ⇔ 0. b) P( X ≤ 0.5 100 ) = 0. não pertence à região crítica.5 100 = −2.45 > c = 0.45 / p = 0.384.5 0.5 * 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).326 ⇔ n = 541 0.45 − 0.45 − 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.45 α = 1% H0: p = 0.01 ⇔ P( ˆ p− p 0.5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.5 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas.5 * 0.5 ≤ ) = 0.5) = 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.01 ⇔ p(1 − p) 0.5) = 0. a 5% de significância.5 * 0.5 * 0.

não pertence à região crítica.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas).05 > c = 232.645 ⇔ c = 232.25.360) n=5 Estatística Aplicada 100 .25 20 20 σ ≤ n 18 18 Como x = 237. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. Exercício 6 Uma empresa de cerâmica tem. Foram registadas 5 medidas de temperatura de fornos regulados para 600º. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.Manual de Exercícios Resolução X segue N(µ. em dada secção.05 ⇔ = −1. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado. 202) n = 18 1 18 x = xi = 237.

25) n = 100 x = 158.97 5 n Como x = 602 < c = 613. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ. 90.Manual de Exercícios x = 1 5 xi = 602 α = 5% H0: µ = 600 H1: µ > 600 P(Rejeitar Ho/Ho verdadeira) = α = 5% P( X ≥ c / µ = 600) = 0.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0. a) O fabricante diz que o peso médio é de 160 g. Teste.96. ou se. o verdadeiro peso dos ovos será menor.25. 437 g. cujo peso médio foi de 158. Foi recolhida uma amostra de 100 ovos. se a afirmação do fabricante pode ser considerada verdadeira. não pertence à região crítica.645 ⇔ c = 613. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90.96 18.95 ⇔ c − 600 = 1. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado). a um nível de significância de 1%.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 . pelo contrário.

b) P ( X ≤ 158.6 0.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158.01 ⇔ c −1 = −2. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama). logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira). numa região.55 < c = 0.25 100 ) = α ⇔ F (−1.5 n 100 Como x = 158.6) = 0.4 600 ) = 0. por hábito.4 600 = −2. Adoptando um nível de significância de 1%.01 ⇔ c − 0.25 100 ) = 0. 55% declararam adquirir. de 60% de leitores que regularmente compram um jornal desse tipo. a percentagem. até então nunca atingida por qualquer semanário.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.6 * 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.01 ⇔ P ( X −µ σ ≤ c − 160 90.437 − 160 90.6 ˆ p = 0.6 H1: p < 0. Resolução n = 600 H0: p = 0.326 ⇔ c = 157.Manual de Exercícios P ( X ≤ c / µ = 160) = 0.5535 ˆ Como p = 0.79. pertence à região crítica.5535. não pertence à região crítica.6 * 0.437 > c = 157.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido. Estatística Aplicada 102 .326 ⇔ c = 0.79 9.6 0. o semanário em causa. pronuncie-se quanto à projecção que o semanário reclama. Efectuando um inquérito junto de 600 leitores.

18 c − 5.0625 12 ) = 1 − F (0.18 kg/cm2 e variância 0.25 σ ≤ 0.05 ⇔ P ( X −µ c − 5.Manual de Exercícios Exercício 9 Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência à compressão com valor esperado de 5.0625 12 ) = 0.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.645 ⇔ c = 5. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual). 0.061 0. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente. não pertence à região crítica.95 kg/cm2.9) = P ( X −µ σ > 5.0625) n = 12 x = 4.0625 (kg/cm2)2. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.95 α = 5% H0: µ = 5.18 = −1.05 ⇔ n 12 Como x = 5. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.90 kg/cm ? Resolução a) X segue N(µ. a) Poder-se-á afirmar. tendo-se obtido para a resistência média à compressão o valor de 4.18 H1: µ < 5.18) = 0.061 / µ = 4.6% n Estatística Aplicada 103 .061 − 4. a um nível de significância de 5%. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.061.5040 = 49.9 0.18 > c = 5.01) = 1 − 0.

Manual de Exercícios

Exercício 10

Um jornal desportivo noticiou que o número de espectadores de um programa desportivo que é apresentado na televisão aos domingos à noite está igualmente dividido entre homens e mulheres. De uma amostra aleatória de 400 pessoas que vêem regularmente o referido programa, concluiu-se que 240 são homens. Pode-se concluir, para um nível de significância de 10%, que a notícia é falsa?
Resolução

n = 400 H0: p = 0,5 H1: p > 0,5

ˆ p = 0,6

α = 10%

P(Rejeitar Ho/Ho verdadeira) = α = 10%
P ( X ≥ c / p = 0,5) = 0,1 ⇔ P (

ˆ p− p
p (1 − p ) n

c − 0,5

0,5 * 0,5 400

) = 0,9 ⇔

c − 0,5

0,5 * 0,5 400

= 1,282 ⇔ c = 0,53205

ˆ Como p = 0,6 > c = 0,53205, pertence à região crítica, logo rejeita-se Ho a um

nível de significância de 1% (a notícia é falsa).

Estatística Aplicada

104

Manual de Exercícios

3.6. Aplicações estatísticas
Fiabilidade de componentes e sistemas 3.6.1 Conceito de fiabilidade

Define-se fiabilidade como sendo a probabilidade de um sistema (ou componente) desempenhar a função para a qual foi concebido, nas condições previstas e nos intervalos de tempo em que tal é exigido. A análise da fiabilidade será, então, um método de quantificar o que se espera que aconteça e pode ser usada para indicar méritos relativos de sistemas, tendo em atenção um pré-definido nível de fiabilidade. A fiabilidade de um componente pode ser obtida a partir da sua taxa de avarias. Se um sistema fôr constituído por vários componentes, então a fiabilidade será dependente da fiabilidade dos componentes que compõem esse mesmo sistema. É necessário, quando se apresentam os resultados de um estudo de fiabilidade saber expô-los, pois os interpretadores poderão não ter a noção daquilo que se está a querer transmitir. Assim, dizer que a fiabilidade de um sistema ou componente é de 0,998 pode não significar muito; no entanto, se tal facto fôr traduzido em que, por ano, o sistema em questão estará fora de serviço por avaria num período de 9 horas já significa alguma coisa. Como o estudo da fiabilidade se trata de um estudo extremamente importante, pois que muitas vezes estão em jogo vidas humanas, é importante desenvolver um estudo de probabilidade relativo ao funcionamento adequado de um componente ou sistema.

3.6.2 Fiabilidade de um sistema

Ao analisar a fiabilidade de um sistema constituído por vários componentes, é necessário estudar a fiabilidade desses componentes e a forma como estão ligados (estrutura do sistema e definição do funcionamento do sistema). De seguida, são apresentados 3 casos: (i) as associações de componentes em

Estatística Aplicada

105

Manual de Exercícios

paralelo; (ii) a associação de n unidades idênticas em paralelo em que é apenas necessário o funcionamento de m (m<=n) para o sistema funcionar; (iii) e as associações em série.

(i) Associação em paralelo

Consideremos vários componentes redundantes e independentes:

1

2

3

4

Uma vez que os componentes são redundantes, basta apenas um para que o sistema funcione. Considerando um sistema composto por apenas 2 componentes, se cada um dos componentes estiver no seu período de vida útil, a fiabilidade do sistema (Rs) é dada por: Rs = P (funcionar pelo menos um componente) = P (funcionarem 1 ou 2 componentes) = 1 – P (não funcionar nenhum) = 1 – P (não funcionar comp.1 e não funcionar comp.2) = 1 - P (não funcionar comp.1) x P(não funcionar comp.2) pois o funcionamento é independente = 1 – q1 x q2 onde q1 e q2 são, respectivamente as indisponibilidades (isto é, as probabilidades de não funcionamento) das componentes 1 e 2. Se houver n componentes ligadas em paralelo, a fiabilidade do sistema é dada por Rs = 1 - q1 x q2 x q3 x … x qn = 1 -

∏q
i

i

Estatística Aplicada

106

a fiabilidade do sistema é dada pelo quadro seguinte: Nº mínimo de componentes necessárias ao funcionamento do sistema 4 3 2 1 Probabilidade de o sistema funcionar p4 p4 + 4p3q 4 p + 4p3q + 6p2q2 p4 + 4p3q + 6p2q2 + 4pq3 Ou seja. isto é. 2. por exemplo. para um nº mínimo de 3 componentes necessárias. no mínimo. 3 ou 4 componentes. é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva. com probabilidade de funcionamento p e de indisponibilidade q.77%. se todos os componentes tivessem fiabilidade 0. então a fiabilidade de um sistema deste tipo seria 94.9 (p=0.Manual de Exercícios Veja-se que. a fiabilidade do sistema aumenta à medida que aumenta o número de componentes ligadas ao sistema (que representam como garantias de funcionamento adicionais). a probabilidade associada a cada um dos estados possíveis (1. vai considerar-se de novo um sistema composto por quatro componentes em paralelo. (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante. vem: Rs = P(pelo menos 3 componentes a funcionar) = P(funcionarem as 4) + P (funcionarem 3) 4 = C 4 p 4 q 4− 4 + C 34 p 3 q 4−3 = p 4 + 4 p3q Por exemplo. Se as componentes forem todas iguais. Assim.9). as condições de funcionamento e de avaria para o sistema têm de ser definidos. no caso de sistemas redundantes. Estatística Aplicada 107 . a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. Para o efeito. a funcionar).

x pn No caso de todas as componentes serem iguais Rs = pn Facilmente se depreende que a fiabilidade do sistema diminui à medida que aumenta o número de componentes ligadas em série. supondo que se pretende analisar a fiabilidade da iluminação de uma sala com uma lâmpada. terão que ser analisadas técnicas mais gerais. em que o componente se encontra a funcionar no seu período de vida útil. já que a probabilidade de um componente sobreviver até ao instante t é dada por e − λt A probabilidade de avariar até ao instante t é dada por 1 − e − λt Num sistema com várias componentes em série. tais como a árvore de avarias. Assim.. a fiabilidade do sistema é dada por Rs = e (iv) Outros sistemas − n i =1 λi t Quando a estrutura do sistema não puder ser enquadrada em nenhuma das anteriores. A distribuição exponencial é a mais usada em estudos de fiabilidade.Manual de Exercícios (iii) Associação em série Quando os componentes se encontram associados em série. para que o sistema funcione torna-se necessário que todos os componentes se encontrem em bom estado de funcionamento. a fiabilidade do sistema é dada por Rs = p1 x p2 x p3 x . O método consiste basicamente em identificar todos os modos possíveis de avaria e controlá-los. Estatística Aplicada 108 . 1 2 3 No caso mais vulgar de os componentes serem independentes..

Manual de Exercícios Se o objectivo fôr calcular a probabilidade de falta de energia (acontecimento secundário) vem P (avaria) = P (A ∪ B) = P (A) + P(B) + P(A)xP(B) Para o acontecimento prioritário (sala às escuras) vem: P(sala às escuras) = P(falta de energia ∪ lâmpada estragada) Esta metodologia pode ser aplicada a estudos de fiabilidade de sistemas de protecção e esquemas de comando (fiabilidade de mísseis e reactores nucleares. por exemplo). Sala às escuras Falta de energia Lâmpada estragada Avaria na rede Actuação da protecção Estatística Aplicada 109 .

pequenas. estudos de conservação de materiais e máquinas. a conformidade da média relativamente a "limites normais"). podendo ser grandes. antes de qualquer alteração não natural passar a fazer efeito de forma contínua. pelo contrário. cujos resultados de natureza quantitativa se devem encontrar dentro de determinados limites. As variações são inevitáveis. Um processo está sob controle se os resultados estão em conformidade com os limites impostos. o processo a analisar deva ser monitorado ao longo do tempo. Aplicações estatísticas Controlo Estatístico de Qualidade É do conhecimento geral que nenhum processo de produção executa dois produtos iguais. A "qualidade" pode referir-se a um valor fixo. A avaliação do processo implica. que em certos intervalos de tempo se proceda a uma amostragem.Manual de Exercícios 3. muito ou pouco dispersas. É simples imaginar situações onde. O conhecimento do tipo. da extensão e da evolução dessas variações é extremamente importante para podermos garantir que nos é possível produzir produtos que vão cumprir as especificações. Duma forma geral. Ao definir uma carta de controle para a média. o processo deve ser investigado para que sejam detectadas as causas do desvio. é necessário começar por definir a norma para µ (µ0) e 2 níveis de controle: os de vigilância “garantida” (limites Estatística Aplicada 110 . Os processos industriais são caracterizados por produzirem peças cujas características variam dentro de certos valores toleráveis. a um nível aceitável. qualidade de serviços. entende-se por controle de qualidade a monitorização de um processo. O controlo estatístico de qualidade permite uma intervenção nos processos. no sentido de se ajustarem e corrigirem os processos. As cartas de controlo são um instrumento poderoso que permite identificar as causas de variação não natural nos processos. para eles definidas. Os testes descritos anteriormente referiam-se em situações em que o estudo não era cronológico. Situações deste tipo ocorrem em linhas de fabrico de produtos.7. caso contrário. que constitui o objectivo desejado (por exemplo.

por exemplo. Os LIC e LSC calculados da seguinte forma: Estatística Aplicada 111 . sendo os LIC e LSC calculados da seguinte forma: LIC / LSC = µ0 +/- cσ n (metodologia baseada na estimação por intervalos estudada atrás) Ao definir uma carta de controle para a proporção. é necessário começar por definir a norma para p (p0) e 2 níveis de controle: os de vigilância “garantida” (limites inferior e superior de vigilância: LIV e LSV) e os de controle (limites inferior e superior de controle: LIC e LSC). Supõe-se que a variável em estudo segue Distribuição Normal. de defeituosos. é por que há alguma anomalia e deve haver paragem da produção. Se a média amostral cair fora da área de tolerância definida pelos LIC e LSC. Se a proporção amostral cair fora da área de tolerância definida pelos LIC e LSC. é por que há alguma anomalia e deve haver paragem da produção.Manual de Exercícios inferior e superior de vigilância: LIV e LSV) e os de controle (limites inferior e superior de controle: LIC e LSC).

dando informações preciosas sobre os momentos em que são necessárias acções correctivas. Cada vez que for calculada uma média amostral. geralmente 3 ou 5 unidades. As cartas são elaboradas a partir de medições efectuadas de uma característica do processo (a média.Manual de Exercícios ˆ ˆ p(1 − p) n (metodologia baseada na estimação por intervalos estudada atrás) As cartas de controlo são instrumentos fáceis e simples de aplicar pelos LIC / LSC = p0 +/- executantes. Quando um ponto estiver fora desses limites de Estatística Aplicada 112 . As amostras a utilizar devem ser de tamanho racional. ela será representada por um ponto particular. que deverá ser usado como base para a colheita. por exemplo). isto é. com base na informação disponível nas cartas. recolhidas consecutivamente em intervalos de tempo constantes. no sentido de reduzir a sua variabilidade. A interpretação dos limites de controlo é a seguinte: se a variabilidade peça a peça do processo permanecesse constante e nos níveis encontrados. as cartas de controlo permitem prever de forma adequada o comportamento do processo. devem ser eficazes para o controlo sem acarretar esforço demasiado e desnecessário na colheita. Pode ser mantido um registo das médias amostrais por meio de uma carta como a representada na figura abaixo. Deve ser elaborado um plano de recolha de dados. o processo está sob controle. Enquanto eles caírem entre o limite inferior e o superior. registo e marcação dos dados no gráfico. no sentido de se obter o controlo contínuo do processo. Um ponto fora do controlo deve merecer uma análise imediata quanto à causa. Desde que o processo esteja sob controlo estatístico. Podem ser traçadas nos próprios locais de trabalho. seria legítimo concluir que na base de um ponto fora dos limites de controlo estariam causas que importa conhecer e sanear. e melhorar os processos. denominada carta de controle de qualidade. Os dados são obtidos de amostras de tamanho constante.

Manual de Exercícios controle (como ocorreu com a terceira amostra tomada na quinta-feira). o que justifica uma investigação. Os limites de controlo especificados são denominados de limites de confiança. há a possibilidade de haver alguma anomalia. Média Amostral (cm) LSuperior • Segunda-feira Terça-feira Quarta-feira Quinta-feira Sexta-feira • • • • • • • • • • • • • • • • • • • • • • • 50 LInferior • • Estatística Aplicada 113 . depende das circunstâncias particulares de cada processo. em cada caso. A escolha.

O princípio básico deste método nãoparamétrico é comparar as divergências entre as frequências observadas e as esperadas. Este teste encontra aplicabilidade no tratamento estatístico de inquéritos. em que o objectivo é proceder à sua segmentação. mas que se inclui na categoria dos testes nãoparamétricos. No entanto. pode dizer-se que dois grupos se comportam de modo semelhante se as diferenças entre as frequências observadas e as esperadas em cada categoria forem muito pequenas ou próximas de zero. o valor esperado ou a proporção. aqueles que não incidem explicitamente sobre um parâmetro de uma ou mais populações (por exemplo. a lógica de formulação das hipóteses e de definição de uma regra de decisão é equivalente aos testes paramétricos.1 Teste de independência do qui-quadrado O teste do é muito eficiente para avaliar a associação existente entre variáveis qualitativas. como os estudados anteriormente).8. testar se há alguma coerência entre quem respondeu à opção 1 da pergunta X e à opção 2 da pergunta Y).Manual de Exercícios 3. um segmento geográfico autónomo e com características próprias de entre o total dos inquiridos). Trata-se de um teste de hipóteses semelhante aos anteriormente estudados. De uma maneira geral. isto é. Estatística Aplicada 114 . O estudo destas relações encontra aplicabilidade no campo das análises de mercado.8. para além do tratamento frequencista dos inquéritos. De facto. Aplicações estatísticas Tratamento estatístico de inquéritos 3. por isso. é por vezes interessante aferir da existência de relações estatísticas relevantes entre as diversas questões (por exemplo. A existência de associações entre as questões permite determinada um vector comum entre grupos de inquiridos que responderam de forma semelhante a certo tipo de questões (concluir algo como que os habitantes de uma dada área foram sempre os que assinalaram determinado tipo de respostas e constituem.

… ni. 2 n12 n22 … … n. chegou-se à seguinte tabela de distribuição de frequências: Medicina Usa drogas Não usa drogas Total 10 15 25 Farmácia 20 15 35 Biologia 30 30 60 Total 60 60 120 As tabelas como aquela na qual se apresentam os resultados referentes ao exemplo são habitualmente designadas de tabelas de contingência. n2. n Estatística Aplicada 115 . Entrevistou 120 alunos. Tais resultados representam o número de observações incluídas nas diferentes combinações das classes nas quais as duas variáveis em estudo se exprimem.Manual de Exercícios Exemplo: Um pesquisador deseja verificar se há associação entre três cursos de uma universidade e dependência de drogas.j: frequência marginal observada na modalidade j ni. 35 de Farmácia e 60 de Biologia.j Total n1. Após o processamento dos dados. 1 Modalidade 1 Modalidade 2 … Modalidade n Total onde nij: frequência observada na célula ij n. n … … … nnn n.: frequência marginal observada na modalidade i n: dimensão da amostra n11 n21 … … n. Admitase que os resultados que nela figuram resultam de amostras aleatórias. perguntando sobre o uso de drogas.1 Mod.2 … … … … … … Mod. sendo 25 de Medicina. admitindo somente duas respostas: sim ou não. Mod.

dividindo-se o produto pela dimensão total da amostra: eij = n i . No teste qui-quadrado compara-se o valor calculado com o valor crítico fornecido em uma tabela. o valor do numerador passa a ser grande e. considerando o nível de significância adoptado e os graus de liberdade GL ou d. o assume valores altos. Na prática. enquanto que as frequências esperadas são calculadas a partir destas. quando as discrepâncias são grandes. quando há fortes discrepâncias entre o que de facto foi observado e o que seria de esperar sob a hipótese de independência. no entanto. o valor do numerador é pequeno. As hipóteses nula e alternativa são então as seguintes: Ho: As variáveis são independentes H1: As variáveis não são independentes As frequências observadas são obtidas directamente dos dados da amostra. (obtidos por (número de linhas-1)*(número de colunas-1)). j n O é calculado da seguinte forma: = i j (nij − eij ) 2 eij Note-se que o numerador faz referência à diferença entre frequência observada e frequência esperada. Quando as frequências observadas são muito próximas das esperadas. isto é.Manual de Exercícios O objectivo do teste é o de verificar se as duas variáveis em questão são ou não relacionadas. admitindo a hipótese de independência. consequentemente. sob o pressuposto de que Ho é verdadeira. Ou seja. * n. a variável de decisão assume um valor elevado e há motivos ou significância estatística para rejeitar Ho. a frequência esperada é calculada pela multiplicação do total da coluna respectiva pelo total da linha a que pertence. Estatística Aplicada 116 . que deverá ser calculada para cada célula da tabela.f.

Manual de Exercícios Tome-se o caso de GL (d. Neste caso. No entanto. pode usar-se o teste do quiquadrado com duas hipóteses de trabalho: Ho: Não há associação entre tipo de curso e dependência de drogas H1: Há associação entre tipo de curso e dependência de droga Estatística Aplicada 117 . for maior que o valor crítico fornecido na Resolução: Como pode ser observado. Medicina Usa drogas Não usa drogas Total 10 15 25 Farmácia 20 15 35 Biologia 30 30 60 Total 60 60 120 Os dados são do tipo qualitativo.) = 4: Para o nível de significância de 5%.f. pois cada aluno entrevistado foi classificado sob uma determinada categoria. entre os 120 alunos incluídos no estudo há um número igual (60) que afirma usar e não usar drogas. obtém-se da tabela de valores críticos da (ver página seguinte): Rejeita-se a hipótese nula se tabela. a distribuição entre os vários cursos não ocorre de forma homogénea.

que é 5.5 25 Farmácia 20 17.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico. compara-se o valor do observado obtido (1. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. concluindo-se que. Vem que o obsv. se as duas variáveis fossem independentes. Estatística Aplicada 118 . A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. * n.0 30 30. Calcular as frequências esperadas eij = Por exemplo. j n 1. Determinam-se os graus de liberdade na tabela Os graus de liberdade da tabela são calculados multiplicando (número de linhas-1)*(número de colunas-1)= (2-1)*(3-1)=2 GL 5.0 60 120 Total 60 60 3. não há associação entre as variáveis.7 é menor do que o valor obtido a partir da tabela. Em média. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni.5 15 12.5 120 2.05). Para o cálculo do recomendam-se os seguintes passos: n i . considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa).7) com o valor do crítico. j n = 25 * 60 = 12. a hipótese Ho não pode ser rejeitada.7 4.5 35 Biologia 30 30. Ho deverá ser rejeitada. * n.=1. Por último. a proporção de alunos que usam ou não drogas não varia entre os cursos. no grupo estudado. Assim sendo.5 15 17.991 (cruzamento da linha 2 com a coluna 0.

de modo a diminuir os graus de liberdade associados. ou haja uma ou mais frequências esperadas com valores menores ou igual a 1.Manual de Exercícios Observação: Caso 20% ou mais das células tenham frequências esperadas menores que 5. desde que tenha algum sentido lógico. não se deve usar o teste do . Uma boa alternativa para estes casos é o agrupamento de linhas e colunas adjacentes. Estatística Aplicada 119 .

996 27.877 9.312 15.292 25.337 44.204 30.975 0.072 0.290 54.262 6.886 0.307 24.443 19.869 31.172 38.278 50.168 4.845 32.885 41.841 5.939 27.144 32.335 58.041 21.991 7.488 30.844 7.378 6.909 7.070 12.526 34.252 120 .337 32.916 41.180 2.114 26.979 50.779 3.338 23.141 31.348 11.666 23.994 56.265 6.801 37.565 4.819 34.337 33.461 15.336 40.001 0.412 31.750 20.833 3.434 8.725 26.987 18.796 10.401 46.812 18.479 38.592 14.773 46.865 17.340 18.844 17.034 8.591 12.558 51.013 18.659 23.366 3.337 34.264 6.490 4.339 21.121 16.507 17.204 2.791 20.404 5.597 13.412 0.865 0.275 19.787 16.170 37.025 0.346 12.573 18.005 0.815 5.919 19.283 13.813 33.928 52.064 23.342 15.267 39.449 16.336 37.483 23.344 13.475 20.308 18.605 6.557 45.582 43.344 1.026 23.697 6.321 7.805 37.247 3.074 3.336 36.382 37.547 14.578 32.231 10.924 36.296 28.527 7.700 3.017 14.781 40.339 22.113 43.473 24.535 20.266 9.001 0.728 12.256 43.362 15.768 28.564 10.651 18.300 32.337 30.819 9.337 26.086 16.362 24.01 0.348 10.736 27.338 27.638 44.588 52.386 2.741 40.304 11.05 0.684 16.892 53.831 1.051 0.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.237 1.9 0.120 16.041 12.000 0.671 35.217 28.210 10.989 1.599 29.307 20.364 42.542 26.815 9.619 26 11.892 29 13.319 36.920 24.908 7.997 45.087 42.075 4.211 0.160 13.016 0.191 38.601 5.085 16.340 19.980 45.278 24.520 13.345 12.461 48.635 7.515 5.475 28 12.643 9.119 29.735 2.690 2.955 26.589 27.341 17.645 55.196 36.488 11.852 36.672 59.314 46.584 1.718 40.124 8.338 25.455 1.207 0.907 11.932 41.812 22.343 14.023 21.216 0.351 2.689 14.337 29.484 0.629 6.676 0.024 7.578 10.457 6.067 16.191 33.769 27.337 28.790 13.860 18.051 27 11.989 28.706 4.982 14.236 11.838 16.410 34.338 24.645 12.587 30.336 35.415 39.314 10.879 10.848 22.466 9.615 32.549 21.832 15.156 2.289 42.1 0.652 40.195 46.963 49.179 25 10.610 2.143 13.548 22.260 9.757 31.563 38.357 4.090 21.588 5.188 29.240 20.142 5.827 9.312 8.277 14.336 39.791 8.675 21.301 30 13.156 42.816 4.010 0.603 3.722 49.Manual de Exercícios 0.566 39.268 11.076 41.642 48.401 15.808 14.124 8.688 29.064 1.646 44.702 Estatística Aplicada ¢¦¢¢¢G¦¢ ¢¦¤D¦¢¢'¦A ¦¢98¦¥ 35 ¥ 34 ¦2 1¢¢ ¢'¢%$" ¢  ¢¢¢©¢¢¦¤¥¢¢  ( H P I H  F # E ( § § C B 4 6 @ 2 7 6 2 0 0 0 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.5 0.698 9.047 19.251 7.409 35.009 5.181 49.000 34.007 35.685 26.923 45.796 48.209 25.

15 = 1 (aproximadamente) 2.. 25 = 77. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona.15*0. Resolução P(avaria) = 1-0.5 = 60. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0.e maq 10 não funcionar) = 1 – 0...8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 . B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas. Quatro componentes de um sistema encontram-se associados de acordo com a figura junta. está instalado um sistema de 10 máquinas para utilização de cartão multibanco..15*.6531% = e −0.Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial.*0. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A). Calcule a probabilidade do sistema estar em funcionamento.85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e. 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D). Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%.

a) Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? b) Admitindo que a máquina se encontrava em funcionamento no instante t=4 horas. com um MTBF de 17 500 horas.606531*0.990944*0.25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4. sem que se verificasse qualquer avaria. P(sistema estar em funcionamento após 5 000 horas) = = 0.8% Exercício 3 Foram ensaiadas durante 3 000 horas.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial.778801 = 46. qual a probabilidade de não ocorrerem avarias até t=6 horas? c) Qual a probabilidade de se verificarem 2 avarias durante as primeiras 6 horas de funcionamento da máquina? Estatística Aplicada 122 . Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.171429 = 84. Calcule a fiabilidade do equipamento.1 = 90.5 horas. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0.904837)2 = 99.0944% Logo.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0.

P(falhar nenhuma) = 1 . b) Quantas lâmpadas.1667 = 84.5).5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.4% 4. Resolução a) Rs = e − 3625 12000 = e −0. como Y segue Po(1/4. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.6] horas P(Y=2) = e − − 6 4.5 6 0 − 1 − 4. 0.4% 2! Exercício 5 Sabe-se que um determinado modelo de lâmpadas apresenta no período de vida útil (3625 horas) um MTBF de 12 000 horas.6% Logo.5 = 26. num conjunto de 10. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.5 x(6 / 4.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.846x1000 lâmpadas = 846 Estatística Aplicada 123 .6] horas.5 c) Y: nº de avarias no intervalo [0.5 e dx = e 4. estarão provavelmente em funcionamento após 2 000 horas de utilização.12% b) Rs = e − 2000 12000 = e −0.5) MTBF = 4.9% Em 10.0.302 = 73.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. 1 . no período de vida útil.5) 2 = 23.0488 = 95.5)t = e-(6/4.73910 = 1 – 0.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .5) = 26. de um conjunto de 1 000. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.

2 e 0. se mais de um elemento avariar o sistema não funciona.8*0. se um dos elementos avariar o sistema funciona com probabilidade 0.5% P(3 sem avarias) = 0. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.05=0.63% b) Bi(n=5.1425 = 91. respectivamente. No caso de nenhum elemento avariar o sistema funciona normalmente.p=0.095+0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais.15. T1.51=60.7 = 0.05)*0.05) Valor médio=5*0.7. 0.25 Estatística Aplicada 124 .15*0.955)* 1 + (5*0. Qual a probabilidade de pelo menos dois destes telefones estarem sem avarias? Resolução P(pelo menos dois destes telefones estarem sem avarias ) = P(2 ou 3 estarem sem avarias) = 0. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.2*0.25=9.85*0.85*0.25+0. Resolução a) P(sist.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos.75+0.7738 + 0. indicando o valor médio de tal distribuição.2*0.15*0.8*0.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0. 0. sendo 0. colocados estrategicamente a fim de satisfazer adequadamente os utentes.5% P(2 sem avarias) = 0. T2 e T3 se encontrarem avariados são.25 e que as avarias são independentes.954*0.

25 Proceder-se-á à paragem da produção sempre que os limites de controlo sejam desrespeitados Um condutor é considerado não defeituoso se a sua resistência em Ω estiver compreendida entre [49.1225 n=16 σ=0. (0. 470] Nestas condições.1225 cσ n Como LIC + LSC = 100 vem que µ − Logo µ=100/2 = 50 Ω + µ+ cσ n = 2 µ = 100 Estatística Aplicada 125 .8775 LSC = µ + = 50.25) 2 ) a) LIC = µ − cσ n cσ n = 49. Resolução X: resistência de um componente em Ω X ∩ N ( µ .8775 LSC: 50.530.Manual de Exercícios CONTROLE ESTATÍSTICO DE QUALIDADE Exercícios Exercício 1 Uma empresa fabrica e comercializa condutores eléctricos cujas condições de controlo da produção e aceitabilidade a seguir se indicam (relativos à resistência de um componente em Ω): − − − − − − − Característica sob controlo: µ LIC: 49. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de. 50. se produzir um artigo defeituoso. estando a norma a ser cumprida.

a dimensão das amostras a extrair é de 16 Afirmam os clientes que a probabilidade de parar indevidamente o processo produtivo é superior àquela que decorre das normas. vem D(1.25 16 16 1 – P(49.96) = Na tabela da Normal. vem D(1.47 − 50 ≤X ≤ )= 0.1225 − 50 ≤X ≤ )= 0.95 = 5% c) P(produzir um artigo defeituoso.88) = 0.96 ≤ X ≤ 1.P( 49.8775 ≤ X ≤ 50.96) = 0.25 0.8775 − 50 50.P(49. que afirmam que os produtos produzidos (em série) por esta empresa não obedecem às normas de qualidade estabelecidas e que são: - a norma para o comprimento médio das peças é de 20 cm.9399 = 6.P(-1.88) = Na tabela da Normal.1225 sendo µ=50) = 1 . sendo a norma respeitada) = 49.53 ≤ X ≤ 50.01% Exercício 2 A empresa “TRADECHO.95 donde 1 – 0.53 − 50 50.88 ≤ X ≤ 1. SA” mantém um diferendo com os seus principais clientes.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .25 16 16 1. Estatística Aplicada 126 .P(-1.P( 1 .25 0.9399 donde 1 – 0. a amplitude do intervalo de controle para a média deve ser de 1.96.47 sendo µ=50) = 1 . a norma para a variância é de 4 e está a ser cumprida.

96/2 sendo µ=20) = 1 .96 ≤ X ≤ 1. Estatística Aplicada 127 .00 20.96/2 ≤ X ≤ 20+1. vem D(1.96) = Na tabela da Normal.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.98 0.02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).3 • • • • •20.90 • • • • • 20 • • • •20.05 19.98 ≤X ≤ )= 2 2 16 16 1.90 20.95 donde 1 – 0. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.95 = 5% b) e c) Média Amostral (cm) 20. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .30 20.P( − 0.P(20-1.96) = 0.P(-1.Manual de Exercícios a) Determine a probabilidade referida.15 • • • • • 19.5 • • • • 19.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ .

P(983.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.45 cσ n Como LIC + LSC = 2000 vem que µ − Logo µ=2000/2 = 1000 h + µ+ cσ n = 2 µ = 2000 b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 . a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.645) = Estatística Aplicada 128 . 1016.Manual de Exercícios Exercício 3 Numa empresa procede-se ao exame das condições de produção relativas à duração (em horas) das lâmpadas fabricadas (produção em série). Resolução X: duração das lâmpadas em horas X ∩ N ( µ . a partir de uma amostra de dimensão 100: [983.P(-1.45 sendo µ=1000) = 1 . Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.55 cσ = 1016.45 − 1000 ≤X ≤ )= 100 100 100 100 1.645 ≤ X ≤ 1.55. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.55 ≤ X ≤ 1016.55 − 1000 1016.P( 983. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.

( 4) 2 ) cσ n a) LSC = µ + = 10. Para tal.8 logo µ = 10. b) Calcule a norma. Assim.8 - = 9. vem D(1.82 Exercício 5 O director de produção da empresa DISLIX. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas.8 milhares de horas a amplitude do intervalo não deve exceder 1.96 milhares de horas a probabilidade de se parar indevidamente a produção é de 5% Sabe-se ainda que o desvio padrão da duração de uma componente é de 4 mil horas.645) = 0. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ .96 logo 2 cσ n 1.8 D(c)= 5% logo c= 1.96 * 4 n ≤ 1.96 * 4 64 b) LSC = µ + = 10.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.96 ⇔ n ≥ 64 1. definiu com o director de produção os aspectos considerados relevantes no controle da duração média das componentes: - o limite superior de qualidade (LSC) deve ser de 10.9 donde 1 – 0.Manual de Exercícios Na tabela da Normal. procede à verificação da produção de energia Estatística Aplicada 129 . SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série.96 2 cσ n ≤ 1.

92 A probabilidade de se parar indevidamente a produção não deve exceder 5% Sabe-se que o desvio padrão da produção da energia eléctrica de um gerador é de 4 kws/hora e que a variável segue distribuição Normal.96 2 cσ n ≤ 3.Manual de Exercícios eléctrica (em kws/hora) tendo e vista a construção de um intervalo de controle para a produção média de energia de um gerador que cumpra os seguintes objectivos: - Norma de produção para a média: 10 A amplitude do intervalo não deve exceder 3. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ . a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.04 = 11. ( 4) 2 ) a) D(c)= 5% logo c= 1. b) Represente a carta de controle para a média.92 logo 2 1.96 * 4 n ≤ 3.92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.96 * 4 Estatística Aplicada 130 .96 LSC = µ + = 10 + 1.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.96 * 4 16 16 = 8.04 LIC = µ − cσ n cσ n • • • = 10 − 1.

confrontaram-se os inquiridos com três alternativas: adquirir sumo natural a preço elevado. Represente adequadamente e interprete a informação contida nestes dados. 598 pagariam um preço mais elevado pelo sumo natural. Entendeu-se então levantar a seguinte questão: “a sensibilidade ao preço é afectada pelo poder de compra dos clientes?” Numa sondagem efectuada a 1973 clientes potenciais. dos clientes classes A/B/C1. conseguiu-se apurar que existia uma grande sensibilidade ao preço. Apesar de haver uma preferência generalizada por sumos naturais face a refrigerantes. Estes testes foram elaborados sobretudo com o intuito Estatística Aplicada 131 . enquanto 212 não estariam dispostos a gastar tanto. A intenção é vender o produto em cafés. um concentrado de fruta semelhante a um sumo de fruta natural. A sondagem revelou que. adquirir sumo natural a preço baixo ou adquirir refrigerantes. 164 só consumiriam sumo natural se o preço fosse baixo e 285 preferiam refrigerante. Utilize um nível de significância de 1%.Manual de Exercícios TRATAMENTO ESTATÍSTICO DE INQUÉRITOS Exercício 1 Exercícios A empresa BrasFruta Lda está a instalar-se em Portugal com um produto inovador. Através de um estudo qualitativo com consumidores. Resolução Preço Elevado A/B/C1 C2/D/E Total 598 528 1126 Preço Baixo 212 164 376 Refrigerante 186 285 471 Total 996 977 1973 As conclusões foram retiradas pelo recurso à análise correlacionada através do teste do qui-quadrado. esplanadas e bares que passariam a dispor de uma imitação perfeita de um sumo acabado de fazerva um preço vantajoso. os consumidores mostravam-se cépticos em relação à qualidade quando se falav em preços baixos. Em relação aos 977 clientes das classes C2/D/E.

Em média. das quais 3 foram de alunos que não tinham efectuado provas durante o ano.2 376 Refrigerante 186 237.141 Vem que o obsv. α=0. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos.Manual de Exercícios de segmentar o mercado. considerado razoável face aos valores normalmente utilizados.8 285 233. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação.991 (cruzamento da linha 2 com a coluna 0. a hipótese Ho será rejeitada. o poder de compra do consumidor influencia a sensibilidade ao preço.4 528 557. procedeu-se à aplicação de eij = n i .991 observado = 31.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2.=31. no grupo estudado. que é 5. Estatística Aplicada 132 .141 é maior do que o valor obtido a partir da tabela. para os quais se convencionou a adopção de um nível de significância de 5%. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568.6 1126 Preço Baixo 212 189.05)=5. há associação entre as variáveis. dos quais 20 não tinham prestado qualquer prova durante o ano. Para o cálculo das frequências esperadas.05).8 164 186. * n. j n . concluindo-se que. O número de aprovações foi de 33. Assim sendo.

Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. Resolução Aprovações Comparecem Sim Não Total Aprovado 30 3 33 Reprovado 55 17 72 Total 85 20 105 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. α=0.122 é menor do que o valor obtido a partir da tabela.Manual de Exercícios Diga.05)=3. se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol.84 observado = 3.= 3. a hipótese Ho não será rejeitada (há independência). se.122 Vem que o obsv. construiu-se a seguinte tabela de contingência. Logo. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 . com base nestes elementos. para um nível de significância de 5%. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”.

a hipótese Ho será rejeitada. observou-se o nível de Disponibilidades Líquidas sobre o Exterior (DLX) para cada mês. Negócios Baixo Médio Elevado crítico (GL=2.2876 é maior do que o valor obtido a partir da tabela.21 observado = 2. Assim. compreendendo os meses de vinda de emigrantes (Verão e Natal) e Época Normal (restantes meses). + = 2.= 2. que pode concluir? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 134 . o ano foi dividido em duas épocas: Época de Ponta. Assim sendo. Assim.21 48 53 Média 48 49 53 Superior 48 49 53 Valor obsv. tendo-se obtido: Volume DLX Baixo/Médio 150 20 Elevado 50 80 Época Normal Ponta A um nível de significância de 5%.Manual de Exercícios Valores esperados: Formação Gerente Vol. teste = Vem que o obsv.. Exercício 4 Pretendendo-se analisar o comportamento do volume de divisas ao longo do ano. deu-se particular atenção à influência exercida pelas remessas de emigrantes. α=0. concluindo-se que há associação entre as variáveis. est.2876 > 9..2876 (44 − 48) 2 (55 − 53) 2 + .01)=9.

.33 crítico (GL=1.991 observado = 85.84 113.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113.5 112.05)=5. α=0. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.. Assim sendo.66 43. + = 85. teste = Vem que o (150 − 113.5 130.33) 2 + .5 87 Média 115 207 138 Elevada 62.33 43.= 85. concluindo-se que há associação entre as variáveis.069 > 3.33) 2 (80 − 43.33 obsv. Moeda 0-10 10-45 45-70 Reduzida 72.069 é maior do que o valor obtido a partir da tabela. procedeu-se à recolha periódica de elementos sobre essas variáveis.5 75 Estatística Aplicada 135 .66 Elevado 86.33 6. a hipótese Ho será rejeitada. Moeda 0-10 10-45 45-70 Reduzida 20 20 250 Média 30 400 30 Elevada 200 30 20 Utilizando um nível de significância de 5%. construindo-se a seguinte tabela de contingência: Taxa juro Proc. est.069 Valor obsv.

7 é maior do que o valor obtido a partir da tabela.7 Vem que o obsv.49 observado = 1183. A. Estatística Aplicada 136 . concluindo-se que há associação entre as variáveis. que fazem parte de um determinado projecto de estudo e aplicou-lhes uma escala de atitudes com o objectivo de conhecer as suas opiniões em relação ao projecto.05)=9.05)=3. concluindo-se que há associação entre as variáveis. Assim sendo. α=0. Os resultados de uma amostra de 140 estudantes foram os seguintes: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 30 10 B 30 20 C 10 40 Utilizando um nível de significância de 5%. B e C. α=0. a hipótese Ho será rejeitada. a hipótese Ho será rejeitada. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 20 20 B 25 25 C 25 25 crítico (GL=2.= 30 é maior do que o valor obtido a partir da tabela. Exercício 6 Um investigador seleccionou três amostras de estudantes. Assim sendo.84 observado = 30 Vem que o obsv.Manual de Exercícios crítico (GL=4.= 1183.

Sign up to vote on this title
UsefulNot useful