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

6.................................…...8. 3.3 Funções de Probabilidade .........….1 Noções básicas de probabilidades ..........4 Estimação por Intervalos ..................................................…...............1..........….1. Fiabilidade de um sistema 3....................8 Aplicações Estatísticas: Tratamento Estatístico de Inquéritos .......................... 3........................................... 3............................Manual de Exercícios 3...........6 Aplicações Estatísticas: Fiabilidade ...................... 3.6.7 Aplicações Estatísticas: Controlo Estatístico de Qualidade ................. 3....2.............5 Testes de hipóteses ........... Teste de independência do qui-quadrado 45 45 48 49 76 89 105 105 105 110 114 114 Estatística Aplicada 3 ............. Conceito de fiabilidade 3............. ESTATÍSTICA INDUTIVA .... 3....... 3.... 3.. 3........2 Probabilidade condicionada ..................

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

Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade.1.1. 1.3.1.1. Exemplo: Empresas existentes em Portugal 1. Processo de amostragem Para conhecer de forma completa a população. rácio de autonomia financeira (atributo quantitativo contínuo).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. Definições Gerais 1. Está ligada essencialmente ao cálculo de medidas e coeficientes.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada. As variáveis podem ser de natureza qualitativa ou quantitativa. As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. número de trabalhadores (atributo quantitativo discreto).2. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo). etc 1. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores. Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos. cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). As variáveis discretas assumem apenas um número finito numerável de valores. podem efectuar-se: Estatística Aplicada 5 .

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

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

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

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 . 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. fazendo-se uma tabela de frequências e uma representação gráfica recorrendo ao diagrama de barras.e relativas . A apresentação destas amostras é semelhante às variáveis qualitativas. fazendo corresponder o total da amostra (n) a 360º Geralmente. 2. Diagrama sectorial ou circular Esta representação é constituída por um círculo. pois permitem a comparação de amostras de diferentes dimensões). desenha-se uma barra de altura igual à frequência absoluta ou relativa (as frequências relativas são de preferir.Manual de Exercícios Estes dados podem também ser representados graficamente através de: Diagrama de barras Para cada modalidade. indica-se a frequência relativa respectiva. 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 .2. Variáveis Quantitativas Discretas São variáveis que assumem um número finito ou infinito numerável de valores.Fi) acumuladas.

x2[ [x2. 1. em que a base é uma classe e a altura a frequência (relativa ou absoluta) por unidade de amplitude (ni/ai ou fi/ai). isto é. Variáveis Quantitativas Contínuas Como foi dito anteriormente.Amplitude comum a todas as classes Sendo a amplitude total dos dados dada pela diferença entre o valor máximo e o valor mínimo observados. a construção da tabela compreende duas etapas: (i) Definição de classes de valores disjuntas. Neste caso.3. o número de classes a constituir deve ser 5 Se n<25. x3[ [x3. isto é. sendo a amplitude de cada classe ai=ei-ei-1. 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. podem assumir qualquer valor dentro de um intervalo.Manual de Exercícios 2. 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. uma variável (ou atributo) é contínua quando assume um número infinito não numerável de valores. 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) . Um histograma é uma sucessão de rectângulos adjacentes.Número de classes a constituir Depende de n = dimensão da amostra Se n≥25. correspondentes a intervalos de números reais fechados à esquerda e abertos à direita. x4[ [xn-1. Estatística Aplicada 10 . o número de classes a constituir deve ser n . A área total do histograma é a soma das frequências relativas.

).. . Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é. Medidas de localização 2.Manual de Exercícios 1. 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.1. sobretudo pela sua facilidade de cálculo.Fi) acumuladas. Também é possível calcular as frequências (absolutas – Ni . Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda. 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..4. 2. 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.4. Como as classes podem ter amplitudes diferentes.e relativas . 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.

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

5.5.. chama-se ao quantil decil Se p=0.3.9. 0. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo.5 − FL inf xamp..4..1. chama-se ao quantil QUARTIL (Q1. 0. 0.99..75. 2. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe. então a mediana é o primeiro valor para o qual Fi > 0. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo.5. é o valor mais frequente da distribuição. isto é. Medidas de ordem Tal como se definiu para a mediana.2.0.. Estatística Aplicada 13 . é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. chama-se ao quantil percentil Se p=0.0. é a classe a que corresponde maior frequência por unidade de amplitude. isto é..Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0. Se p=0.01.25..5 através de uma regra de três simples.5. Variáveis contínuas Em geral.. 0. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p.02. classe mediana FL sup − FL inf 2. Q2 e Q3). determina-se o valor para o qual Fi = 0. 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. De uma forma geral: Me = L inf + 0.

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

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

Assim. assim como comparara a dispersão de duas distribuições. o que não significa que a distribuição seja muito dispersa. mas que só é possível calcular indirectamente. Está expressa nas mesmas unidades da variável. através da raiz quadrada da variância. avaliar a dispersão através de um indicador de dispersão absoluta não é conveniente.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. é de esperar que os valores da variância sejam mais elevados quando os valores da variável são maiores. Desvio-padrão: Medida de dispersão com significado real. 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 . por exemplo.7. uma vez que estas medidas vêm expressas na mesma unidade da variável – como é o caso. 2. da variância.2 Medidas de dispersão relativa Muitas vezes.

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

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

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

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

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

2 0.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 .): Resultado Líquido [0.12 0. b) Determine a média e a moda da distribuição.14 0. e) Analise a (as)simetria da distribuição em causa. 15[ [15.16 0. 50[ Total Frequência. Faça a sua representação gráfica.m. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz. Determine a mediana da distribuição.04 0.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. 3[ [3. 1[ [1.08 0.1 0.06 0. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente.18 0. Resolução a) fi/hi 0. d) Determine os quartis da distribuição. 5[ [5. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente. 25[ [25.

Neste caso.. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.5 x5%) = 7.1 0.4 0. isto é.m.325 Em média. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0..175.7 Estatística Aplicada 23 . 5[ 3 : Fi=0. 5[ [5. o resultado líquido de uma empresa é de 7325 unidades monetárias.6 0. correspondente à classe [3.002 Fi 10% 35% 70% 85% 95% 100% ci 0.5 x10%) + (2 x 25%) + .175 0.Manual de Exercícios [0.015 0. e 5000 u. 15[ [15.01 0. 25[ [25. + (37.8 0.5): [3.m.125 0. 3[ [3. o maior valor de fi / hi é 0. 1[ [1.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0.35 5 : Fi = 0.5 2 4 10 20 37. 5[. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u.

35) = 3.25) = 2.0.m.1 -------------. 15[ 5 : Fi=0. 3[ 1 : Fi=0.75 – 0.2) = = 0.1 0.Manual de Exercícios Cálculo da mediana: 0.1 3 : Fi = 0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.4596 > 0 Q3 − Q1 8.5 – 0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.Q3 – 5 Q3 = 5 + ((10x0.m. Estatística Aplicada 24 .15)/0.5 .15)/0.7 -------------.15) = 8.2 A distribuição é assimétrica positiva ou enviesada à esquerda.857) − (3.5 0.35 -------------.3 0.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.7 .0.15 .m.Q1 – 1 Q1 = 1 + ((2x0.857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.85 .857 − 2.1 -----------.0.25 – 0.25): [1.Me – 3 Me = 3 + ((2x0.7 -----------.7 15 : Fi = 0.85 Cálculo do Q3: 0.05)/0.333 − 3.75): [5.3 .35 Cálculo do Q1: 0.35 -----------.333 − 2. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.35 .

5[ [5.2 0.47 0.744 1 50 + 500 + 1400 7325 Res.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200.85 0..m. entre 0 e 1).35 0. Estatística Aplicada 25 .Liq.744) = 0..2 0.266 0.6 0.007) + . expressas numa determinada unidade monetária.007 0.075 0. 3[ [3. 25[ [25.1 0. 1[ [1. 0 0 0.5 Atributo 100x0.471 0.6 0.Totais G= (0.35 + 0.7 0. referente aos lucros obtidos por empresas de um dado sector industrial.85 + 0.1 + 0.4 0.8 0.6% do total de resultados das empresas da 0. 70% das empresas apresentavam resultados até 5000 u.95 1 qi 0.95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0.7 + 0..Manual de Exercícios f) X [0.5 2 4 10 20 37. mas em que cada uma tem baixo resultado líquido.95 − 0. mas isso representava apenas 26. Analise a concentração através do Índice de Gini e da Curva de Lorenz.5 corresponde ao centro da escala possível. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.4 amostra. 15[ [15. + (0. o que sugere um tecido empresarial com muitas PMEs.1 − 0. Por exemplo.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.

243 2.02 0. pelo Método dos Mínimos Quadrados. encontrandose os valores razoavelmente repartidos.4 0.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.25 Tanto pela análise da Curva de Lorenz.2 0. b) Analise a correlação existente entre peso e altura. uma função linear que exprima as peso em função da altura.95 1 qi 0.63(3) 0. conclui-se que esta amostra apresenta concentração moderada. c) Ajuste.8 0.8 0.883(3) 1 Curva de Lorenz 1 0. Estatística Aplicada 26 . 50[ [50.546(6) = 0. 100[ [100.6 0. 200[ [200. a) Represente o diagrama de dispersão.2 0 0 0.Manual de Exercícios Resolução Lucros [0. como pelo valor do Índice de Gini. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0.4 0. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.6 0.4 0.16(6) 0. 300[ [300.1 0.

90681871. quase perfeita.9016x + 109. existe uma correlação positiva forte entre as duas variáveis. c) 190 Recta de Regressão 180 Altura (cm) y = 0. r = 0.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. isto é.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 .

espera-se que a altura do indivíduo aumente 0. uma função linear que exprima as vendas em função das despesas em publicidade.495 6.0651 CV x = sx 69. 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 = 21.714 2 1 = n (xi − x ) = 69.9016 x 70 = 172.Manual de Exercícios A equação desta recta traduz-se em Altura = 109. Estatística Aplicada 28 . a altura esperada será de 109.m. Resolução a) Para comparar a dispersão das duas distribuições.9016 cm. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão.472.9408 1 = n (yi − y ) = 11.9016 x Peso Isto é. se um indivíduo pesar 70 kg.429 < CV y = sy y = 11. pelo Método dos Mínimos Quadrados.36 + 0.36 + 0.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6. b) Analise a correlação existente entre volume e custo de produção.714 A dispersão das despesas em publicidade é superior à dispersão das vendas.39 x 21. Por cada kg de peso adicional.9408 = = 0. c) Ajuste.) 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.0651 = 0.

Riy 0 1 -1 1 1 0 2 1 -4 -1 29 . Em média.714)] 7 = = 0.714) + .429)(13 − 6. + (35 − 21. Public.8782 Vendas 20 10 0 3 8 Desp.Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21. as vendas aumentam (diminuem) de forma quase exactamente proporcional. No quadro abaixo.0651 Existe uma correlação positiva linear forte entre as duas variáveis. Recta de Regressão c) 30 y = 2.4649x + 4. 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 .429)(3 − 6. quando as despesas em publicidade aumentam (diminuem)..9408 x 11.98 69. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso..

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. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente. 15[ [15. 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 0.5 3. 5[ [5. 25[ [25.m.5 1. isto é. em média. igualmente boa nota na prova final. mas sim das ordenações das classificações (do 1º ao 10º classificado). 2[ [2.) de 2500 famílias da população de um país: Rendimento anual [0.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. b) Determine o rendimento médio e mediano. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. 1[ [1. 25[ [25. 2[ [2. 1[ [1. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u. 15[ [15. 5[ [5. os alunos que tiveram boa nota na prova inicial tiveram.5 30 Estatística Aplicada .Manual de Exercícios Resolução Como não dispomos das classificações dos alunos.5 10 20 37. c) Determine os três primeiros quartis.

8 .Manual de Exercícios 1 0.. Logo.5 -----------.15 . Classe mediana (classe a que corresponde uma frequência acumulada 0.5 x5%) = 9.75 – 0.5 x15%) + .0.5.2 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.m. 5[ 5 : Fi = 0.Q3 – 5 Q3 = 5 + ((10x0.25)/0.8 0. 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.m.4 0.5): [2.8 Cálculo do Q3: 0. 2[ 3 : Fi = 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. 15[ 5 : Fi=0.6 0.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.5 0. + (37.5 x10%) + (1.3) = 13.025 Em média.75): [5.. Estatística Aplicada 31 .5 15 : Fi = 0.5 -------------.25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).25): [1.

350] Total Frequência.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda.5 0.1274 0.8 0. 5[ [5.071 e) Rendimento anual [0. 2[ [2. 1[ [1.8 15.46 0.6 3. 160[ [160.5 2187.00554 0. 80[ [80.2 19. 200[ [200.5 pi (=Fi) 0. 300[ [300.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13.286875 = 9.18436 = 0.4 2.5 22562.286875 2 s x = s x = 82. 140[ [140.25 0.5 7.1 0.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.47 > 0 Q3 − Q1 13.5 7500 7500 4687.95 1 qi 0. Relativa (%) 7.0 100 Estatística Aplicada 32 . 15[ [15. total 125 562. 25[ [25.333 − 5) − (5 − 2) = = 0. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.1 5. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82.4555 2.6 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 [60.5 Rend.2 31.5 3. 100[ [100.2 8. 120[ [120.5 1.5 10 20 37.0305 0. 250[ [250.

23 -------------. 120[ 100 : Fi=0.120 .2 73.0.23 -------------.1 5.28 25% dos empregados auferem remunerações inferiores a 101. 100[ [100.8 23 54. 80[ [80.23 -----------.542 .312) = 117.25 .m. 140[ [140. Relativa (%) 7.27)/0.Q2 .28 milhares u. Estatística Aplicada 33 .9 89 94.5 .3 50% dos empregados auferem remunerações inferiores a 117.0.23 120 : Fi = 0.5): [100.2 8. 250[ [250.6 3.3 milhares u.2 31.23 3 : Fi = 0. c) Analise a assimetria da distribuição em causa. Resolução a) Remuneração [60.02)/0.2 19.8 15. 120[ [120.0 100 Fi (%) 7. 350] Total Frequência. 160[ [160. 200[ [200.7 80.Manual de Exercícios a) Calcule os quartis da distribuição.100 0.0.25): [100.Q1 .23 -----------.100 0.100 Q1 = 100 + ((20x0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.0.542 Cálculo do Q2: 0.5 7.542 .m.120 .542 Cálculo do Q1: 0.312) = 101. 300[ [300.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.4 2. b) Analise a dispersão da distribuição em causa. 120[ 1 : Fi=0.100 Q2 = 100 + ((20x0.

160[ 120 : Fi=0.m.809 .737 -----------.140 0. expresso em gramas.3) − (117. 298[ [298. 302[ [302.61(1) .Q3 .243 > 0 Q3 − Q1 143. 301[ [301. 300[ [300.0. do conteúdo de uma série de 100 garrafas que. 299[ [299.140 Q3 = 140 + ((20x0. 305[ [305. b) Calcule as frequências acumuladas e represente-as graficamente.737 140 : Fi = 0.75): [140.3 − 101. 303[ [303.61 − 117.737 -------------.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.61(1) milhares u. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.Q1 = 143. 304[ [304. no decurso de um teste.61(1) 75% dos empregados auferem remunerações inferiores a 143. b) Amplitude do intervalo inter-quartis = Q3 .013)/0.101.072) = 143.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda. 306] Total Frequência.33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143.809 Cálculo do Q3: 0. saíram de uma linha de enchimento automático: Peso (em gramas) [297. Exercício 8 Os dados seguintes referem-se ao peso.28) = = 0.61 − 101.160 .28 = 42. Estatística Aplicada 34 .75 – 0.

e) Analise a dispersão do peso das garrafas.8 0.2 0. 305[ [305.11 O peso médio das garrafas é de 300.6 0.. 303[ [303.5 x8%) + (298. mediano e modal. 300[ [300. 306] Total F* 1 0. 298[ [298.Manual de Exercícios c) Determine o peso médio.15 0. Estatística Aplicada 35 .1 0..5 x 21%) + .4 0.25 0. Qual o seu significado? d) Determine os quartis da distribuição.11 kg.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297. 304[ [304. 299[ [299.5 x1%) = 300. Resolução a) 0.3 0. 302[ [302. + (305.2 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. 301[ [301.

29 .299 Q1 = 299 + ((1x0.5): [299.299 0.0.83 .29 Cálculo do Q1: 0.0.83 Cálculo do Q3: 0. 300[.Q2 .72 -------------.28 correspondente à classe [299.21) = 299.0.21)/0.03)/0.298 .0. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.301 Q3 = 301 + ((1x0.25 .72 302 : Fi = 0. 300[ 299 : Fi = 0.0. isto é.25): [298.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0. 302[ 301 : Fi=0.75 – 0. A classe modal é aquela a que corresponde maior frequência relativa.299 0.29 -----------. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.17)/0.301 0. Neste caso.75 kg.27(27) kg.72 -----------.57 Cálculo do Q2: 0.29 -------------.11) = 301.75 50% das garrafas têm peso inferior a 299.302 .299 Q2 = 299 + ((1x0. 299[ 298 : Fi=0.300 .Q3 .0357 25% das garrafas têm peso inferior a 299.08 -----------.75): [301. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.08 -----------.28) = 299.57 .27(27) 75% das garrafas têm peso inferior a 301.08 299 : Fi = 0. Estatística Aplicada 36 .0357 kg.5 .29 300 : Fi = 0. o maior valor de fi é 0.Q1 .

45 1. 1.37 0. 1.8[ [1.75. 1.6 3.7. 1.7 1.2 0.02 0. e) Analise a dispersão da distribuição.05 0.5 0. 1. 1. 1. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.6[ [1. b) Determine a altura média e a altura modal.6[ [1.6.4.75[ [1.1 0.85 hi 0.575 1.7.0357 = 2.7[ [1.05 0.5[ [1.625 1.8.3 Fi 0.25 0. 1. 1. d) Determine os quartis da distribuição e diga qual o seu significado.75[ [1.05 0.8 1.7[ [1.05 0.Q1 = 301.4 1.55.299.17 0. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1.5 1.75.12 0.03 1 ci 1.65. 1.55[ [1. 1.05 0.8[ [1.4 4 2 0.675 1.8.97 1 6 5 4 3 2 1 0 Histograma 1.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.2 2 5 2.1 0.55. 1.775 1.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.6 1.65[ [1.525 1. f) Analise a (as)simetria da distribuição. 1.4.67 0.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.13 0.9 Estatística Aplicada 37 .02 0.65[ [1.87 0. 1.5[ [1.5. 1.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .05 0.1 fi/hi 0.725 1.65.27(27) .6. 1.5.1 0.55[ [1. Resolução a) Altura (em metros) [1.

576 m.5 50% dos alunos têm altura inferior a 1. 1.65 m. 1.25 – 0.7 1.45x 2%) + (1. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. + (1. correspondente à classe [1.8 0.12 1.5 1.65 m.8 1.6 0.55 + ((0.4 0.55 Q1 = 1.4 1.6.75): [1.05x0.85x3%) = 1.55 0.25) = 1.7. 1.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1. 1.37 – 0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0. a altura mais provável de um aluno rondará 1.6 : Fi = 0.65[ 1.75 : Fi = 0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.12 -----------.55.576 25% dos alunos têm altura inferior a 1.65 : Fi = 0.6[ 1.5): [1.6m.65 A altura média dos alunos é de 1.3 1. c) F* 1 0.2 0 1.67 1.55.6 – 1.87 Estatística Aplicada 38 .37 Cálculo do Q1: 0.. isto é.55 : Fi=0.6[.12 -----------.. Neste caso.6 1.25): [1.75[ 1.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.Q1 – 1.1.525x10%) + . o maior valor de fi / hi é 5.55m / 1.7 : Fi=0.13)/0.

Manual de Exercícios Cálculo do Q3: 0.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0. 10[ [10. 30[ [30.67-------------. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.87.05*0.00536875 2 s x = s x = 0.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).7 Q3 = 1.0.75 – 1. 20[ [20.7 + ((0.72 − 1.72 m.027(7) < 0 = Q3 − Q1 1. e) Amplitude do intervalo inter-quartis = Q3 . Exercício 9 Em determinada central telefónica.Q3 – 1.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.72 – 1.576) = −0.65 − 1. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .1. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.7 0.75 – 0.00536875 = 0.72 75% dos alunos têm altura inferior a 1.2) = 1. b) Determine a duração média das chamadas e respectivo desvio-padrão.72 − 1.Q1 = 1.576 = 0. 5[ [5.08)/0.67-----------.65) − (1.

3 0.04 1 Histograma hi 5 5 10 10 20 fi/hi 0.8 0.7 0.006 0.4 0.9 0.5): [5.5 7.96 1 ci 2. com desvio-padrão de 8.2 0. Resolução a) Duração (em minutos) [0.06 0. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.04 0.08 0.4 0.4525 2 s x = s x = 0. 50] Total fi/hi 0. Compare.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0. 5[ [5.35 minutos.025 c) Classe mediana (classe a que corresponde frequência acumulada 0.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.6 0.5 x30%) + . quanto à dispersão.35 A duração média de uma chamada é de 9.02 0.06 0.1 0. 10[ [10..08 0. + (40 x 4%) = 9.002 Fi 0.5 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 = (2.02 0 0 F* 1 0.7 minutos..06 0. 30[ [30.4 0. 10[ Estatística Aplicada 40 . as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.00536875 = 9.5 x 40%) + (7. 20[ [20.

4 10 : Fi = 0.1)/0.5 Me = 5 + ((5x0.3)(3800 − 2708. + (2000 − 1358. Estatística Aplicada 41 .35 CV2001 = sy y = 8.5 0.4 -----------.7 = 0.3) + .0.025 = = 0. b) Ajuste. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358.87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.3)] = 12 = 0.10 . pelo Método dos Mínimos Quadrados..0.5 .7 Cálculo da Me: 0.3)(3100 − 2708.67 minutos. d) CV Dez = s x 9. uma função linear que exprima o custo em função do volume de produção.Manual de Exercícios 5 : Fi = 0.4 -----------.3) = 6. 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.7 .Me .98 520854x 1145944 Correlação positiva quase perfeita..67 50% das chamadas têm duração a 6.965 > x 9.

Estatística Aplicada 42 .096933 Correlação positiva moderada.92)] =9 = 0.8 0. pelo Método dos Mínimos Quadrados.4 − 0.5 0.4553x + 731. Resolução a) r = s xy s xx s yy 1 [(191 − 121.6 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 ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.332 x 0.3 0.9 − 0. uma função linear que exprima a variável EPS em função de PBV.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.61 3669.7 0.9 1.9 1.7)(0..8 1. + (81 − 121.4 a) Analise a correlação existente entre aqueles dois indicadores.0 0. b) Ajuste.7)(0..92) + .

uma função linear que exprima a variável Gi em função de Ri.6 y = 124. pelo Método dos Mínimos Quadrados.) 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.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.Manual de Exercícios b) 250 200 150 100 50 0 0 0. Estatística Aplicada 43 .4 0.6 0.m.2 1.4 1.2 0. b) Ajuste.04x + 7.8 PBV 1 1.

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 .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 = 0.986 Correlação positiva forte.

104 Introdução ao e-learning .

Deve entender-se como experiência qualquer processo ou conjunto de circunstâncias capaz de produzir resultados observáveis. então. um papel fundamental. não vai ser possível afirmar com toda a certeza que o comportamento da amostra ilustra perfeitamente o comportamento do universo. Fundamentalmente. ESTATÍSTICA INDUTIVA A estatística indutiva é o ramo da estatística que se ocupa em inferir das conclusões retiradas sobre a amostra para a população.1. 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. quando uma experiência está sujeita à influência de factores casuais e conduz a resultados incertos. as experiências aleatórias caracterizam-se por: Estatística Aplicada 45 . De seguida. mas apenas que o faz com forte probabilidade. diz-se que a experiência é aleatória. Isto é.Manual de Exercícios 3. serão apresentadas algumas noções simples de probabilidades e funções de probabilidade. 3. 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. O exemplo seguinte pretende clarificar o que vulgarmente é designado por experiência aleatória. que serão úteis a aplicações de estatística indutiva relacionadas com controlo estatístico de qualidade e fiabilidade de componentes e sistemas.

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 .3.5. 1 Definidos como conjuntos. o de espaço de resultados. 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. aos acontecimentos é aplicável toda a construção disponível para aqueles. que não sei mais que subconjuntos do espaço de resultados. 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. obtém-se um resultado individual. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares.3.2. outros como “saída de um número ímpar” definido pelo subconjunto { . O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória. Por exemplo. no lançamento de um dado podem definir-se.6}.5}.4. isto é. Por exemplo.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. num lançamento de um dado ordinário tem-se que o espaço de resultados é { . para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces. 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos.

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.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. etc. que possuem essas propriedades. 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. sendo 0 a probabilidade associada a um acontecimento impossível e 1 a probabilidade associada a um acontecimento certo. A primeira definição foi proposta por Laplace em 1812.Manual de Exercícios Probabilidade de um acontecimento é expressa na escala de 0 a 1. É o que acontece com as duas faces de uma moeda. a probabilidade de ocorrência de dois ou mais acontecimentos independentes é o produto das probabilidades dos respectivos acontecimentos. se dois acontecimentos forem mutuamente exclusivos. as 6 faces de um dado. as 52 cartas de um baralho. daí que ela surja muito ligada aos “jogos de azar”. 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. Para − se analisar a probabilidade de ocorrência de determinados acontecimentos. deve ter-se em atenção o seguinte: Dois acontecimentos são ditos mutuamente exclusivos se não puderem acontecer ao mesmo tempo. vem que P (A ∪ B) = P(A) + P(B) .

4 . 0. a da chamada teoria frequencista.08 0. Estatística Aplicada 48 .2.Manual de Exercícios Após a apresentação desta definição.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. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0. sabendo que ocorreu o acontecimento “ser obeso”. 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”.02 0.53 Magro 0. convém ainda referir que.2 0. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.8 1. Por outras palavras.1 = 0.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”.25 Normal 0.45 0.22 Total 0.2 0.1 0. 3. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”. Este exemplo corresponde ao cálculo de uma probabilidade condicionada.15 0. isto é 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. 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. numa outra perspectiva.

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

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

a variável X: “Nº de ocorrências do acontecimento no intervalo [0. quando a taxa de ocorrência é fixa (por exemplo. (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. aplicar a distribuição binomial quando se pretende calcular a fiabilidade de uma central eléctrica. se para 1 unidade de tempo o nº médio de ocorrências é λ. para t unidades de tempo o número médio de ocorrências é λt). O parâmetro caracterizador da distribuição de Poisson é λ. nº de chamadas que chegam a uma central telefónica por minuto. por exemplo. Como o número médio de ocorrências do acontecimento é proporcional à amplitude do intervalo de tempo ou espaço a que se refere. Os números de acontecimentos de “sucesso” ocorridos em diferentes intervalos são independentes. com várias unidades iguais e admitindo que cada unidade apenas pode residir em dois estados. A expressão (λt )x e −λt x! Estatística Aplicada 51 .t[” segue lei de Poisson de parâmetro λt (isto é. que corresponde ao número médio de ocorrências por unidade de tempo ou espaço.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.p). nº de varias que ocorrem numa máquina por dia). sendo n e p os parâmetros caracterizadores da lei. a funcionar ou avariada.

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

mas a curva normal é a forma de distribuição mais frequente nos processos industriais para características mensuráveis.1) com os valores tabelados. 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. Existem muitos tipos de distribuição. Isto é. Estatística Aplicada 53 .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. Se se fizer o valor médio µ igual a zero e todos os desvios forem medidos em relação à média. a equação será: Z= X −µ σ que corresponde a uma distribuição normal estandardizada (0.Manual de Exercícios (iv) Lei Normal A lei Normal tem como parâmetros caracterizadores a média µ e o desviopadrão σ. e pode considerar-se como estabelecida pela experiência prática.

construída a partir da soma das n variáveis Zi elevadas ao quadrado.. + Z n 2 X ∩ χn O termo “Graus de Liberdade” (d. 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. segue distribuição Qui-Quadrado com n graus de liberdade. a variável aleatória X. Estatística Aplicada 54 . denotada por n i =1 X= 2 2 Z i2 = Z12 + Z 2 + .1). as variáveis Zi são mutuamente independentes Então.. aproximando-se da distribuição Normal à medida que n cresce.f: degrees of freedom) é habitualmente usado para designar o número n de parcelas (variáveis Zi) adicionadas.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.

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

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 .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. 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) . De ensaios anteriores. A e B.

2 + 0.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. B: 22.3 – 0.7% P(C) = 12.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0.4% Estatística Aplicada 57 .9% P(A ∩ C) = 3.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0. com as seguintes percentagens de leitura: A: 9.P(A ∩ B) = 0. A.1%.9%.15 + 0. C: 12. A e B: 5.4% Escolhe-se uma pessoa ao acaso.15 = 5% c) P(A ∪ B) = P(A) + P(B) .8% P(A ∩ B) = 5. B e C: 2. A.2 – 0.8%. 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) = 9.1% P(B) = 22.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais. B e C. A e C: 3.1%.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2. B e C: 6%.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.7%.

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

Manual de Exercícios Exercício 8 Numa fábrica.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) − 1.0165 = 0. M2 e M3 fabricam parafusos.3P( M 2) + P( M 3) = 1 ⇔ 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. sendo a produção diária total de 10000 unidades.65%. 3 = P(M3)*10000 = ? P( M 1) = 0. Sabendo que a probabilidade dele ser defeituoso é de 1.02 Estatística Aplicada 61 .65% Prod. A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2. 1 = P(M1)*10000 = ? Prod.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1.03 + P( M 2) * 0. 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. M1.3P( M 2) * 0.01 + P( M 3) * 0. 3 máquinas. 2 = P(M2)*10000 = ? Prod. determine o número de parafusos que cada máquina produz diariamente.

5 = 15% P( M 3) = 1 − 1.5 P(T/C) = 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.3P( M 2) * 0.3 * 0.8 P(T/B) = 0.0165 = 0.3P( M 2) 0.3P( M 2)) * 0.3P( M 2) = 1 − 1.Manual de Exercícios − ⇔ P( M 3) = 1 − 1. B ou C.03 + P( M 2) * 0.02 P( M 1) = 0.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 . 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. 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.01 + (1 − 1.5 = 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. calcule a probabilidade de ter utilizado os transportes B ou C.3 * 0.6 P(T/A) = 0.

baixo.4 * 0.5 + P(B)*0.I.8 + P(B)*0. sabe-se que 70% dos indivíduos com Q.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .I.6 = (1-2P(B))*0. 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.) elevado e médio são.5 + 0.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0. baixo ficar apto no teste é de 20% finalmente. respectivamente.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. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q.3 – 0.I.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0. 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.4 * 0.I.6 = =73. de 30% e de 60% a percentagem de indivíduos com Q.3% P (T ) 0.Manual de Exercícios Logo 0.

6*0.1 * 0. possuir pelo menos um daqueles três objectos 2.5+0.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1. possuir também frigorífico 2. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1. 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 .7+0.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0.53 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.1*0.8 = = 17% 1 − 0. possuir telefone ou frigorífico 2. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.3*0.

5 – 0. pelo menos. dado que cada um sofreu.25 – 0.35 + 0. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0. 3% têm um ou mais acidentes no mesmo período.1+0. P(A ∪ B) = P(A) + P(B) .05 = = 100% P (C ) 0. numa amostra de três segurados 1.2 = 40% b) krysktsh1.1 − 0.P(A ∩ B) = 0.P(A ∩ C) = 0.15-0.35 + 0. Todos terem idade igual ou inferior a 40 anos. um acidente por ano. todos terem idade igual ou inferior a 40 anos? 2.35+0. 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. De entre os segurados com idade igual ou inferior a 40 anos.25 c) 1. P(B / C) = 2.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1.25 P( B ∩ C ) 0.1 = = 40% P (C ) 0.15 = 70% 2.05 = 70% 2. nenhum ter sofrido qualquer acidente durante um ano? 3.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade.5+0. um acidente durante o referido período? Estatística Aplicada 65 . P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0.4 = 60% P(A ∪ C) = P(A) + P(C) . dos quais 5% sofrem. 1 – P( A ∪ B ∪ C ) = 1 – 0. pelo menos.2-0.25-0. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0.2 + 0.

3% Estatística Aplicada 66 .958*0.05 = 95% P( A /I2) = 1 – 0.2857 = 2.4% 2. P( A ∩ A ∩ A) = 0.4*0.4*0.9% 3.4 = 6.958*0.6*0. P( I 2 ∩ I 2 ∩ I 2) = 0.03 = = = 28.97 = 95.2857*0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 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 * 0.57% = P(B) 1 − 0.6 = 40% P( A /I1) = 1 – 0.4*0. P( B ∩ B ∩ B ) = 0.958 = 87.95 + 0.2857*0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.958 P ( A) P ( A) c) 1.

104 Introdução ao e-learning .

932 = 0.83 = 0.2*0.4. por minuto (0. 6. 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.8 P(X=1)=C4p1q4-1 = 4*0.5 horas.1. escolhidas ao acaso uma ser defeituosa. A central só pode atender um número máximo de 8 chamadas por minuto. é 5.06 e −5 5 x P(X ≤ 8) = = 0. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 .2 q=1-p=0.3.932 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. por minuto.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.2 q=1-p=0. 5.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas. calcule a probabilidade de.3.2.4) n=4 p=0.2.1. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0. 8) λ=5 8 p=0. 7. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas. entre as 4 bobines necessárias a um determinado cliente.8 Logo P(X>8) = 1-0.

com desvio padrão 0. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 . e X: numero de avarias que ocorrem no intervalo [0. Z= Logo P(X>2) = 1-0. sabe-se.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4.6[. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente. isto é. está associado a uma variável aleatória com distribuição de Poisson. Verificou-se que.333 = 0.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. vem: 121 − 120 =2 0.5. verifica-se que o valor da função Z é P(X ≤ 2) = 0.9772. destinado aos turistas que a frequentam. por outro lado. O número de turistas que procuram este serviço. por hora. em média. se aluguem 5 barcos? Qual a probabilidade de que. que esse serviço funciona ininterruptamente das 8 às 20 horas.5 = e −1. entre as 8 e as 9 horas. a) b) Qual a probabilidade de que.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.9772 = 2.5 Consultando a tabela. num período de 6h λ=1/4. entre as 9 e as 11 horas.28%. em cada hora.

vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +. + f(33) = 0. no máximo.. num qualquer dia. Atingido este número. Nas actuais condições.0001 = 1. o cais da refinaria pode atender.. a) Qual a probabilidade de..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..32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2. os restantes que eventualmente apareçam deverão seguir para outro porto. 3 petroleiros por dia.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.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 . considerando Y1 e Y2 independentes e que todas seguem Po(8). 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. + 0.

5.30) W segue Bi (n = 30. Z = X .. 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..1. 3) g(0) = P(X=0) = 0.1. 6) Logo.8571 =14.782 São atendidos. 3. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo.218 Recorrem a outros portos. 2.1429) E(W) = 30*0. com probabilidade 27. 2..1429 = 4.3233 = 1.1353 g(1) = P(X=1) = 0. pg.E(Y) = 2 .2707 g(2) = P(X=2) = 0.Y E(Z) = E(X -Y) = E(X) .1.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0. p = P(X>3) = 0.782 = 0. 2.29% (tab. 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. em média. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh. 4. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0.1. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1. em média. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .3233 E(Y) = 0*0.85%.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0.3 Em média.6767 = 0.1353 + … + 3*0.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0.

6915 ⇔ = 0. 1600).58) = 28. considerando X1. Qual a probabilidade de que. X2 e X3 independentes e que todas seguem N(400. Poisson.3085 ⇔ 40 40 T − 400 T − 400 ) = 0. N(1200.1)<-0.1) ≤ b) 1. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v. isto é.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98.71%. 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. vem que: Y=X1+X2+X3 segue N(400*3.Manual de Exercícios 2.3085 ⇔ P( P(N(0. 1600*3). 4800) 2.1)< = P(N(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. com funcionamento independente.a. 1600) a) P(X>T) = 0. A cadeia A opera a um ritmo médio de 2 montagens por hora. P(3*420-Y > 100) = P(Y < 1160) = P(N(0.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. ao fim de 3 meses.3085 X segue N(400. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . existem 2 cadeias de montagem A e B.

.0183 + 0. Y2 e Y3 independentes e que todas seguem Po(4).0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4..8893=11.9817 = 0.1353*0. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de.0902*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) = 0.0009*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. λ = 4.1954 = 3. numa hora. vem que o valor 0.012*0.0183 Na tabela da Poisson. Logo.9817.8% 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 . considerando Y1.1954 + 0. vem que P(Y<1) = 1 – 0. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.2707*0. em 3 horas de trabalho. Na tabela da Po(4).1465 + 0.1048 = 34.0753 + 0.Manual de Exercícios b) a probabilidade de. percorrendo as linhas de valor = 0. + f(10) = 0 + 0. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.0001 + … + 0. mas desconhece-se a média (=parâmetro λ) No entanto. 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. como se sabe que P(Y ≥ 1) = 0.

01) a) 1. p=0. Numa rápida análise às condições de produção.52% 2. Crit. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos.01*0.Manual de Exercícios Pelo Teorema da Aditividade de Poisson.9831) Logo E(Y) = 20*0. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. a companhia espera poder aproveitar se utilizar o critério: 1. E Z . determine: a) a probabilidade de um maço acabado de formar 1.8179+0.9920 = 81. p=P(X=0) = 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. conter 1 cigarro com filtro defeituoso 2. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48.36 2.8179) Logo E(Y) = 20*0. P(X=0) = 0. P(X=1) = 20*0.9831 = 19. 1: maço é aproveitável se não contiver cigarros defeituosos Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20.1652 = 0.010*0. conter 0 cigarros com filtro defeituoso b) o número de maços que. maço é aproveitável se não contiver cigarros defeituosos 2. segue Po(6*8=48) Logo. também pelo mesmo Teorema.79% b) 1.66 Estatística Aplicada 73 . p=P(X=0)+P(X=1)= 0. Crit.8179 = 16. Nestas condições.9919 = 16. 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. vem que Xi + Yi segue também Po(2+4=6). 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. num volume que contém 20.

45 − 0.25) = 50% P(0.975 0. σ2) Peça defeituosa se X>µ + σ ou se X< µ .642) = 47. Sabemos que 50% das peças produzidas têm comprimento inferior a 0. vem que σ b) P(peça não defeituosa) = P(µ .5% têm comprimento entre 0.642 − 0.392 < X − 0.25 σ < 0.25) = 50% vem que P( X −µ σ < 0. logo µ = 0.2 0.25<X<0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.a.05 < X < 0.25 − µ ) = 50% Na tabela. a) Calcule a média e o desvio-padrão do comprimento das peças.25 P(0. Normal com média µ e variância σ2.25<X<0.5% a) Como P(X<0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.13% 0.25 mm e 47. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.25 0.96 e logo σ = 0.5 = 0.25 mm e 0. b) Determine a probabilidade de uma peça não ser defeituosa.392 = 1.05 − 0.2 Sendo θ (0)=0.25 σ ) = P (0 < N (0.2 74 θ( Estatística Aplicada . E como σ tem que ser =0.25 − µ σ 0.σ P(X<0.45) = P(X<0.05) = 0.45) – P(X<0.1) < 0.475 0.642) = 47.5% vem que P( 0.5.642 mm.392 ) = 0. vem que θ ( σ Na tabela 3B da Normal.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.475 + 0.25 σ 0.25 − 0.σ < X < µ + σ) = P(0.392 σ )= =θ( σ ) − θ (0) = 0.

. 4 veículos a determinado posto abastecedor de combustíveis. 0. chegam. Calcule a probabilidade de se concluir pela ineficácia do medicamento. pelo menos. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de. 8 doentes em 20.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%. 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.4 q=1-p=0. Põe-se à prova um novo medicamento. por cada período de 5 minutos. que eleva a probabilidade de cura para 40%.4) P(X ≥ 8)=1.2. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0. Estatística Aplicada 75 .6 X segue Bi (20. 20) n=20 p=0. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0. ministrando-o a um grupo de 20 doentes.1.03%. em média.19. Um empregado entra ao serviço às 8 horas.58% Exercício 12 Sabe-se por via experimental que. ainda que este eleve de facto a probabilidade de cura para 40%.. considerando X1 e X2 independentes e que ambas seguem Po(4).F(7) = 41.

mais. Por exemplo. por exemplo. pela morosidade e dispêndio de recursos que tal implicaria. por exemplo. a partir da recolha de uma única amostra. o intervalo de valores apresentado corresponderia aos resultados obtidos em 95% delas (os valores mais usualmente utilizados são 90%. seja possível inferir entre que valores varia o peso médio com um grau de confiança ou probabilidade elevado. suponhamos que numa fábrica produtora de açúcar se pretende averiguar se o peso dos pacotes produzidos está. caso o valor amostral fosse de 1. é possível estimar os valores dos seus parâmetros caracterizadores através de métodos probabilísticos. Estimação por intervalos Conhecendo-se uma amostra em concreto. em média.02 kg. Caberia depois à empresa julgar se esses seriam ou não valores aceitáveis e proceder aos eventuais reajustes necessários. permitir afirmar que seria altamente provável que o peso dos pacotes produzidos estivesse a variar entre 0. é possível calcular o peso médio de acordo com as técnicas de estatística descritiva apreendidas atrás. se dissermos que o nível de confiança ou certeza implicado é de 95%. dentro das normas de qualidade exigíveis. para cada amostra de dimensão n recolhida. Isto é.4.12 kg. o valor seja diferente. E esse resultado tem um determinado nível de confiança associado: por exemplo. é até provável que não coincida e. Claro que nada nos garante que esse valor coincide com o valor do parâmetro da população em estudo.92 kg e 1. aferir entre que valores seria de esperar que variasse o parâmetro de interesse se nos empenhássemos a recolher um número infinito de amostras. Isto é. Então. a partir da observação de uma única amostra. se recolhermos outro conjunto idêntico de pacotes. Estatística Aplicada 76 . Na impossibilidade de medição do peso de todos os pacotes. tal significa que. a estatística permite que. 95% ou 99% de confiança). este método poderia. ao recolher um determinado número de pacotes da produção total aleatoriamente. se nos fosse possível observar um número infinito de amostras. a estimativa do parâmetro assumiria valores distintos. De facto. Assim.Manual de Exercícios 3. como retirar conclusões? Como garantir algum nível de rigor? O método a estudar neste capítulo – a estimação por intervalos – permite.

torna-se necessário calcular a variável reduzida correspondente: Z= X −µ σ ∩ N (0.1) n Esta variável permitirá deduzir a fórmula geral do intervalo de confiança para a média µ de uma população normal: X −c σ n . Para efeitos de simplificação.X +c σ n Isto é. é definido um intervalo de variação onde é possível afirmar que o parâmetro a estimar está contido com um grau de confiança δ .Manual de Exercícios A partir do conceito de intervalo de confiança para um parâmetro. σ n ) Uma vez que apenas se encontra tabelada a distribuição N(0. Este resultado explica-se facilmente: no limite. 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. vão considerar-se apenas exemplos relativos a amostras de grande dimensão (na prática. Estatística Aplicada 77 . em torno do valor do estimador. se fosse possível observar todo o universo de dados (n= ∞ ). n ≥ 100) (i) Intervalo de confiança para a média µ de uma população normal Seja X (média amostral) o estimador da média da população.1). Porque a distribuição é Normal. o valor amostral calculado corresponderia ao valor da população. Esse intervalo de variação depende: - da dimensão da amostra (n): quanto maior a dimensão da amostra. 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. menor a amplitude do intervalo. a distribuição deste estimador será: X ∩ N (µ .

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

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

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

22) n=20 e logo X −c x =1.315] Estima-se. entre que valores se situa o teor médio de nicotina de um cigarro.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.Sup.051.88 – 104.2 20 . tendo-se obtido o valor de 1. Resolução X segue N(µ. contenha o valor esperado da altura µ.Inf. com 99% de confiança.Manual de Exercícios b) Amplitude = 115.2 − 2.085 mg e 1. Estatística Aplicada 83 . com 99% de confiança.2 σ=0.76 Amplitude = Lim.576 x0.1.70m.X +c σ n = 1.1. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0. 0. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.576 σ n . com probabilidade 95%. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11.2 20 = [1. Defina um intervalo que.576 x0.2 mg. diga. observando-se um valor médio de 1. que o teor médio de nicotina de um cigarro se situa entre 1.2 − 2.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina.Lim. .12 = 11.315 mg. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0.2 mg.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.085.

70 σ2=0.1.9 p (1 − p ) p (1 − p ) ˆ .1123] Estima-se. que a proporção de artigos defeituosos na produção se situa entre 8.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.645 = 0.9 0.1 − 1.0876.1x0.051 25 = [1. onde 10% dos artigos são defeituosos.1x0.645 = 1600 1600 n n = [0. que o teor médio de nicotina de um cigarro se situa entre 1.7 − 1.96 x 0.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. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).23%.2 − 1.1 − 1.X +c σ n = 1. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa. com 95% de confiança.085 mg e 1.1.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.96 σ n . Para tanto. Construa um intervalo Estatística Aplicada 84 .051) n=25 e logo X −c x =1. Exercício 6 Numa fábrica.p+c . Determine o intervalo de confiança para a referida proporção com 90% de confiança. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. com 90% de confiança.611.315 mg.76% e 11.788] Estima-se. 0.051 25 . Passada uma semana.0.96 x 0.0. procura conhecer-se a incidência de defeituosos na produção de uma máquina.

que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20. Nesse sentido.201. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente. 0. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.0. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 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.25 − 1.1% e 29.0.96 = n n 300 300 = [0.96 . verificando que 960 a conheciam.034. com 95% de confiança.833]. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.75 ˆ .645 e logo Estatística Aplicada 85 .p+c = 0.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.25 − 1. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0.25 x0.9%.299] Estima-se.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.25 x0.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0. Resolução n=300 ˆ p= 75 = 0.75 0.767.

=Lim.8 * 0. que a proporção de indivíduos conhecedores da marca se situa entre 78. com 90% de confiança.833 n 0.0.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.Manual de Exercícios ˆ p−c = [0.6%.8 + c E D(2.1) vem igual a 99. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura. = ( 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) 0.86 1200 Logo 0.8 x0.781. ˆ b) Amp.645 .576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.0.Sup.9%. estima-se que o desvio .2 ˆ .1% e 81.8 x0.86) na tabela N(0.645 = n n 1200 1200 Estima-se.padrão da tensão de ruptura do material em causa é de 70 psi. 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 = 2.2 = 0.p+c = 0.2 0.8 * 0.8 − 1.Inf.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 . Com base num vasto conjunto de ensaios realizados no passado.-Lim.2 = 2 *1.8 − 1. 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.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.645 * ≤ 0.833 ⇔ c = 2. pretendendo-se que a sua amplitude não exceda 60 psi.

Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos. para o valor esperado da tensão de ruptura dos cabos do lote em causa. seleccionados aleatoriamente a partir de um lote de grandes dimensões. que é respeitada. foram analisadas as tensões de ruptura de 10 cabos SCB-33R.96 e logo Estatística Aplicada 87 . O director comercial pretende saber qual o intervalo de confiança. e em 18 foram observados alguns danos. Resolução X segue N(µ.96 x10. 112) n=10 e logo X −c x =4537 σ=10.96 x10. com 95% de confiança. que o tensão média de ruptura dos cabos se situa entre 4530.5 kg/cm2 e 4543. a 95%. Exercício 11 Uma amostra de 50 capacetes de protecção. Construa um intervalo de confiança. Recentemente. para a verdadeira proporção p de capacetes que sofre danos com este teste.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.5.5] Estima-se. tendo sido obtida uma média de 4537 kg/cm2.58 10 = [4530.96 σ n . Existe uma norma de 112 kg/cm2 em relação à variância.4537 − 1. Interprete o resultado obtido. Defina esse intervalo.X +c σ n = 4537 − 1. foram seleccionados aleatoriamente e sujeitos a um teste de impacto. usados por trabalhadores de uma empresa de construção civil. a 95%.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.5 kg/cm2.4543. Resolução a) n=50 ˆ p= 18 = 0.58 10 .

vem que: 2c ˆ ˆ p(1 − p) 0.0.Manual de Exercícios ˆ p−c = [0.0.96 .7% e 49.36 − 1. que a proporção de capacetes que sofre danos se situa entre 22.5 = 2 * 1.= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.96 * < 0.64 ˆ . 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.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos).36 x0. 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.08 ⇔ n > 600 n n Estatística Aplicada 88 .5 * 0.3%. com 95% de confiança.22695.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.36 − 1.96 = n n 50 50 Estima-se.p+c = 0. isto é.36 x0.64 0. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).

as quais geralmente se baseiam em afirmações sobre as distribuições de probabilidade das populações ou sobre alguns dos seus parâmetros. Testes de hipóteses Todos os dias temos de tomar decisões respeitantes a determinadas populações. levando a optar pela hipótese alternativa H1. Nesta tomada de decisões. tendo por objectivo verificar. os testes de hipóteses podem considerar-se uma segunda vertente da inferência estatística. Desta forma. Em ambos os casos corre-se o risco de errar. a partir de dados observados numa amostra. Uma das características do teste de hipóteses é. utilizando depois a informação da amostra para confirmar ou rejeitar esse mesmo valor. Nos testes de hipóteses. O objectivo é verificar se os factos observados a contradizem. de H0 ou de hipótese nula. é útil formular hipóteses sobre as populações. A essas hipóteses chamamos hipóteses estatísticas. O resultado do teste corresponde inevitavelmente a uma das duas respostas possíveis para cada questão: afirmativa ou negativa. Estatística Aplicada 89 . segue uma lei normal N(600. e ao contrário dos intervalos de confiança. 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. 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%.5. a validade de certas hipóteses relativas à população. Isto é. em milímetros por ano. Exemplo: Registos efectuados durante vários anos permitiram estabelecer que o nível de chuvas numa determinada região. Certos cientistas afirmavam poder fazer aumentar o nível médio µ das chuvas em 50 mm.100). pois. Uma hipótese pode então ser definida como uma conjectura acerca de uma ou mais populações. em vez de procurar uma estimativa ou um intervalo para um parâmetro. admite-se ou avança-se um valor hipotético para o mesmo. justamente. a de permitir controlar ou minimizar tal risco. hipóteses essas que podem ou não ser verdadeiras. com base em amostras das mesmas (decisões estatísticas).Manual de Exercícios 3. A hipótese a testar denomina-se.

ou este aumentava de facto o nível médio das chuvas em 50 mm. Nesse caso. 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. 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. 5 chances em 100 de Estatística Aplicada 90 . 5%. teste unilateral à esquerda e teste bilateral Sendo os testes de hipóteses.Manual de Exercícios Resolução: Duas hipóteses se colocavam: ou o processo proposto pelos cientistas não produzia qualquer efeito. um processo de inferência estatística onde se procuram tomar decisões sobre a população com base numa amostra. por exemplo. 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. por exemplo. no entanto. em que está em causa aceitar ou rejeitar a hipótese nula. é natural que envolvam alguma margem de erro e que ocorram em situação de incerteza. Vamos supor uma probabilidade de erro de. em função dos resultados de uma amostra. Ao utilizar uma amostra de uma população. Compete ao investigador decidir qual a dose de risco de se enganar em que está disposto a incorrer. Estes erros não podem ser completamente evitados mas. portanto. pode-se manter pequena a probabilidade de os cometer. mas apenas medir as probabilidades envolvidas na tomada de decisão. logo não é possível de saber se a hipótese nula é verdadeira ou falsa. estamos a lidar com leis de probabilidades. e avançada a hipótese nula Ho.

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

isto é.83(3). sendo P(Rejeitar Ho / Ho) = α = 5%. a seguinte: - rejeitar H0 em favor de H1. vem que P ( X > c / µ = 600) = 0.Manual de Exercícios Em princípio.2 mm. a Região Crítica deste teste. isto é.83(3) 3 A regra de decisão é. isto é. por falta de provas suficientes para não o fazer. se o valor amostral fôr superior a 654. grandes valores de X são improváveis. conserva-se Ho. considerar que o processo científico não produz efeitos. Estatística Aplicada 92 . superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado.83(3) Isto é.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. Se tal não acontecer.645 x 100 = 654. então.83(3) X µ = 600 Os dados recolhidos indicavam X =610. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654. opta-se por H1 com probabilidade 5% de se estar a cometer um erro. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. pelo que a decisão é conservar H0 .05 ⇔ 100 9 n ⇔ c = 600 + 1. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande.05 ⇔ P ( X −µ σ > c − 600 ) = 0. Logo.

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

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. Esta é uma decisão certa. < ou ≠ ). maior será o valor da potência do teste e.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. a potência do teste é variável. não implica erro. logo. maior a sua qualidade (diz-se que o teste é mais potente) . quanto menor o erro de 2ª espécie. Quando H1 é uma hipótese composta (>. dependendo do valor do parâmetro que não é fixo. Logo. e é complementar do erro de 2ª espécie. 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 .

Suponha que X ∩ N ( µ .012 ) e que se conhece a seguinte amostra: 1.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.01 0.02 0.0.99 0.02 0. Seja X a variável que representa o peso de um pacote de arroz.97 1.01 = 0.01 9 Estatística Aplicada 95 . Logo.05 ⇔ P ( X −µ σ < n 0. determinar a região de rejeição e aceitação. sendo P(Rejeitar Ho / Ho) = α = 5%. 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%. RC = ]− ∞.645 x c −1 ) = 0.05 ⇔ 0. vem que P ( X < c / µ = 1) = 0.0.98 1.97 1.98 0.9945] ⇔ c = 1 − 1.9945 3 Logo.00 Será que.

9933 e é menor que o valor crítico 0.9933 Como o valor da amostra foi 0. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. que de 0.9945. pretende-se saber se metade da população é favorável à construção de um centro comercial.9922. aceitaremos Ho.5 H1: p < 0. No entanto.5 Estatística Aplicada 96 .9945 +∞ Valor da amostra: 0. Exercício 2 Numa cidade. Neste caso. consideraremos que não há qualquer anomalia na produção. ou seja. Faz-se um inquérito a 200 pessoas.9922 0.9933 A única mudança será no Valor Crítico.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0. rejeita-se Ho Ou seja.9945 para 0. Reduzindo a probabilidade de isso ocorrer de 5% para 1%. e 45% declaram-se favoráveis. considera-se que o arroz contido em cada pacote era inferior ao indicado.

05 ⇔ ⇔ c = 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. sendo P(Rejeitar Ho / Ho) = α = 5%.5) = 0.45 0.5) = 0.442.5(1 − 0.442 200 Logo. 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%. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial. Logo. Estatística Aplicada 97 . vem que ˆ P ( p < c / p = 0.0.645 x Passo 6 ˆ p =0.45 0.45 é maior que o valor crítico 0. onde o cuidado deve ser trabalhar com grandes amostras. determinar a região de rejeição e aceitação. RC = ]− ∞. essa margem não é suficiente para decidir deixar de o construir.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.5) 200 ) = 0.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.5 0.442 Ou seja.5 − 1.5(1 − 0.442] Passo 7 Como o valor amostral 0.

01 σ ≤ n 49 49 Como x = 0. com desvio padrão 0. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ. registando-se 45 fumadores.997.326 ⇔ c = 0. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores. 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).Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. a um nível de significância de 1%.01. produzidos por uma fábrica.997 0. é uma variável normalmente distribuída.01 0. não pertence à região crítica. Da produção de determinado dia é retirada uma amostra de 49 pacotes.998 > c = 0.012) n = 49 x = 0.01 ⇔ P ( X −µ c −1 c −1 ) = 0.01 ⇔ = −2.998 Kg. Pode-se afirmar. 0. Ao fim de três meses. com peso médio de 0.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0. 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 . é lançada uma intensa campanha anti-tabaco. a) Com 1% de significância. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo.

5 (a campanha não surtiu efeito) H1: p < 0.5 * 0.5 * 0.01 ⇔ P( ˆ p− p 0.5 0.384 ˆ Como p = 0.5 ≤ ) = 0. não pertence à região crítica.326 ⇔ n = 541 0.5 = −2.384.01 ⇔ p(1 − p) 0. com desvio-padrão de 20 horas.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.45 − 0.45 − 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).5) = 0.5 100 = −2. poder-se-á concluir. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .01 ⇔ c − 0.45 / p = 0.5) = 0.5 0.5 * 0.326 ⇔ c = 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.45 α = 1% H0: p = 0. a 5% de significância.45 > 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 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 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. b) P( X ≤ 0.5 100 ) = 0.5 n n ⇔ 0.

A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0. Exercício 6 Uma empresa de cerâmica tem. Foram registadas 5 medidas de temperatura de fornos regulados para 600º.Manual de Exercícios Resolução X segue N(µ.05 > c = 232. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360. 202) n = 18 1 18 x = xi = 237. 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 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. não pertence à região crítica.360) n=5 Estatística Aplicada 100 .25 20 20 σ ≤ n 18 18 Como x = 237. em dada secção.25.645 ⇔ c = 232. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados.05 ⇔ = −1.

pelo contrário. a um nível de significância de 1%. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90. Teste. o verdadeiro peso dos ovos será menor.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) = 0.95 ⇔ c − 600 = 1. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado). não pertence à região crítica.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 . 437 g. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ. se a afirmação do fabricante pode ser considerada verdadeira.97 5 n Como x = 602 < c = 613. a) O fabricante diz que o peso médio é de 160 g.96. Foi recolhida uma amostra de 100 ovos.25) n = 100 x = 158.25. ou se. cujo peso médio foi de 158.645 ⇔ c = 613. 90.96 18.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0.

5535 ˆ Como p = 0.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido. por hábito.6 H1: p < 0.25 100 ) = α ⇔ F (−1. o semanário em causa. Resolução n = 600 H0: p = 0. Efectuando um inquérito junto de 600 leitores.Manual de Exercícios P ( X ≤ c / µ = 160) = 0. Estatística Aplicada 102 .4 600 = −2.55 < c = 0. numa região. pronuncie-se quanto à projecção que o semanário reclama.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.01 ⇔ c −1 = −2.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158.6 * 0.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.437 − 160 90.326 ⇔ c = 157. até então nunca atingida por qualquer semanário.01 ⇔ c − 0.6 0. Adoptando um nível de significância de 1%. de 60% de leitores que regularmente compram um jornal desse tipo. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira).6 ˆ p = 0.79.6 * 0.4 600 ) = 0.6 0. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama).25 100 ) = 0.01 ⇔ P ( X −µ σ ≤ c − 160 90. a percentagem. não pertence à região crítica.326 ⇔ c = 0. pertence à região crítica.5 n 100 Como x = 158. b) P ( X ≤ 158.5535. 55% declararam adquirir.79 9.437 > c = 157.6) = 0.

admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.9 0.25 σ ≤ 0.0625 12 ) = 0.95 α = 5% H0: µ = 5. 0.01) = 1 − 0.061 / µ = 4.9) = P ( X −µ σ > 5.061. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual).6% n Estatística Aplicada 103 .0625 (kg/cm2)2.18 = −1.18) = 0. a) Poder-se-á afirmar. a um nível de significância de 5%.95 kg/cm2.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 5.18 c − 5.05 ⇔ n 12 Como x = 5.5040 = 49.645 ⇔ c = 5. não pertence à região crítica.061 0.18 kg/cm2 e variância 0.0625) n = 12 x = 4. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.061 − 4.18 H1: µ < 5. tendo-se obtido para a resistência média à compressão o valor de 4.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.90 kg/cm ? Resolução a) X segue N(µ.05 ⇔ P ( X −µ c − 5. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.0625 12 ) = 1 − F (0.18 > c = 5.

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

com probabilidade de funcionamento p e de indisponibilidade q. Para o efeito. 3 ou 4 componentes.77%. Se as componentes forem todas iguais. então a fiabilidade de um sistema deste tipo seria 94. Estatística Aplicada 107 . (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante. se todos os componentes tivessem fiabilidade 0. 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. por exemplo. para um nº mínimo de 3 componentes necessárias. as condições de funcionamento e de avaria para o sistema têm de ser definidos. 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. 2. no mínimo. vai considerar-se de novo um sistema composto por quatro componentes em paralelo. no caso de sistemas redundantes. a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. a funcionar).9). Assim. 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.9 (p=0.Manual de Exercícios Veja-se que. é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva. isto é.

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.. a fiabilidade do sistema é dada por Rs = p1 x p2 x p3 x . 1 2 3 No caso mais vulgar de os componentes serem independentes.Manual de Exercícios (iii) Associação em série Quando os componentes se encontram associados em série. Assim. em que o componente se encontra a funcionar no seu período de vida útil. A distribuição exponencial é a mais usada em estudos de fiabilidade. O método consiste basicamente em identificar todos os modos possíveis de avaria e controlá-los. Estatística Aplicada 108 . tais como a árvore de avarias. 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. 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.. para que o sistema funcione torna-se necessário que todos os componentes se encontrem em bom estado de funcionamento. terão que ser analisadas técnicas mais gerais.

por exemplo). Sala às escuras Falta de energia Lâmpada estragada Avaria na rede Actuação da protecção Estatística Aplicada 109 .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.

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

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. 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. Se a média amostral cair fora da área de tolerância definida pelos LIC e LSC. de defeituosos. Supõe-se que a variável em estudo segue Distribuição Normal.Manual de Exercícios inferior e superior de vigilância: LIV e LSV) e os de controle (limites inferior e superior de controle: LIC e LSC). Os LIC e LSC calculados da seguinte forma: Estatística Aplicada 111 . por exemplo. é por que há alguma anomalia e deve haver paragem da produção. 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).

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

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

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

… ni. Mod. admitindo somente duas respostas: sim ou não.: frequência marginal observada na modalidade i n: dimensão da amostra n11 n21 … … n.1 Mod. n … … … nnn n. n Estatística Aplicada 115 . Após o processamento dos dados. sendo 25 de Medicina. Admitase que os resultados que nela figuram resultam de amostras aleatórias.2 … … … … … … Mod. n2. Tais resultados representam o número de observações incluídas nas diferentes combinações das classes nas quais as duas variáveis em estudo se exprimem.j: frequência marginal observada na modalidade j ni. 35 de Farmácia e 60 de Biologia. 1 Modalidade 1 Modalidade 2 … Modalidade n Total onde nij: frequência observada na célula ij n. 2 n12 n22 … … n.j Total n1. Entrevistou 120 alunos.Manual de Exercícios Exemplo: Um pesquisador deseja verificar se há associação entre três cursos de uma universidade e dependência de drogas. perguntando sobre o uso de drogas. 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.

que deverá ser calculada para cada célula da tabela. consequentemente. Na prática. 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 . quando há fortes discrepâncias entre o que de facto foi observado e o que seria de esperar sob a hipótese de independência. * n. o assume valores altos. no entanto. isto é. 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.f. (obtidos por (número de linhas-1)*(número de colunas-1)). enquanto que as frequências esperadas são calculadas a partir destas. Ou seja.Manual de Exercícios O objectivo do teste é o de verificar se as duas variáveis em questão são ou não relacionadas. 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. considerando o nível de significância adoptado e os graus de liberdade GL ou d. o valor do numerador passa a ser grande e. Quando as frequências observadas são muito próximas das esperadas. sob o pressuposto de que Ho é verdadeira. o valor do numerador é pequeno. No teste qui-quadrado compara-se o valor calculado com o valor crítico fornecido em uma tabela. dividindo-se o produto pela dimensão total da amostra: eij = n i . admitindo a hipótese de independência. quando as discrepâncias são grandes.

f. obtém-se da tabela de valores críticos da (ver página seguinte): Rejeita-se a hipótese nula se tabela. 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 .Manual de Exercícios Tome-se o caso de GL (d. for maior que o valor crítico fornecido na Resolução: Como pode ser observado.) = 4: Para o nível de significância de 5%. entre os 120 alunos incluídos no estudo há um número igual (60) que afirma usar e não usar drogas. Neste caso. a distribuição entre os vários cursos não ocorre de forma homogénea. No entanto. pois cada aluno entrevistado foi classificado sob uma determinada categoria. 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.

Estatística Aplicada 118 .5 15 17. se as duas variáveis fossem independentes. * n. j n = 25 * 60 = 12.5 25 Farmácia 20 17. Em média. no grupo estudado.5 120 2. * n. que é 5.7 é menor do que o valor obtido a partir da tabela. Por último.7) com o valor do crítico. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa). 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 30 30. Vem que o obsv.05).0 60 120 Total 60 60 3. não há associação entre as variáveis.7 4. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. Calcular as frequências esperadas eij = Por exemplo.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico. Ho deverá ser rejeitada. Assim sendo.5 35 Biologia 30 30. Para o cálculo do recomendam-se os seguintes passos: n i . compara-se o valor do observado obtido (1.991 (cruzamento da linha 2 com a coluna 0. j n 1.=1. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni. concluindo-se que. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. a proporção de alunos que usam ou não drogas não varia entre os cursos. a hipótese Ho não pode ser rejeitada.5 15 12.

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

808 14.722 49.366 3.994 56.296 28.023 21.005 0.236 11.443 19.475 28 12.207 0.718 40.076 41.337 33.852 36.651 18.455 1.337 32.344 1.757 31.963 49.589 27.615 32.278 50.860 18.791 20.844 7.939 27.364 42.652 40.260 9.278 24.188 29.Manual de Exercícios 0.064 23.415 39.277 14.217 28.307 20.558 51.216 0.684 16.195 46.483 23.991 7.338 27.357 4.338 23.378 6.434 8.336 36.337 28.170 37.191 33.980 45.337 44.143 13.142 5.051 0.336 37.831 1.791 8.735 2.070 12.113 43.982 14.264 6.698 9.557 45.410 34.304 11.401 46.563 38.816 4.337 34.584 1.204 2.344 13.025 0.461 48.412 0.865 17.642 48.337 30.290 54.051 27 11.211 0.336 39.773 46.588 5.578 32.779 3.026 23.865 0.209 25.017 14.001 0.307 24.520 13.348 10.362 24.787 16.975 0.086 16.526 34.997 45.919 19.144 32.339 21.314 10.191 38.566 39.247 3.090 21.689 14.268 11.588 52.879 10.340 19.085 16.989 1.924 36.156 2.301 30 13.507 17.885 41.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.979 50.473 24.725 26.479 38.179 25 10.319 36.348 11.841 5.266 9.461 15.119 29.877 9.547 14.409 35.345 12.819 34.643 9.672 59.688 29.064 1.289 42.619 26 11.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.401 15.768 28.168 4.1 0.592 14.074 3.996 27.675 21.629 6.690 2.838 16.335 58.337 26.635 7.989 28.075 4.231 10.582 43.610 2.404 5.597 13.892 53.210 10.339 22.548 22.262 6.845 32.351 2.697 6.815 9.920 24.591 12.928 52.815 5.087 42.267 39.141 31.341 17.013 18.736 27.659 23.801 37.001 0.700 3.781 40.024 7.488 30.034 8.124 8.292 25.05 0.565 4.741 40.412 31.535 20.283 13.312 15.848 22.488 11.728 12.916 41.204 30.000 34.750 20.041 21.886 0.449 16.300 32.196 36.314 46.666 23.932 41.587 30.362 15.010 0.869 31.892 29 13.312 8.338 25.907 11.265 6.342 15.790 13.466 9.603 3.833 3.676 0.5 0.805 37.645 55.812 22.844 17.671 35.000 0.819 9.172 38.336 35.955 26.072 0.573 18.047 19.987 18.336 40.908 7.515 5.564 10.009 5.457 6.016 0.321 7.308 18.156 42.340 18.638 44.337 29.475 20.599 29.124 8.645 12.252 120 .796 10.275 19.181 49.484 0.527 7.338 24.121 16.256 43.9 0.601 5.251 7.706 4.813 33.605 6.909 7.685 26.180 2.240 20.114 26.386 2.832 15.041 12.542 26.646 44.343 14.490 4.827 9.769 27.578 10.796 48.01 0.812 18.382 37.549 21.120 16.237 1.923 45.007 35.160 13.067 16.346 12.

Quatro componentes de um sistema encontram-se associados de acordo com a figura junta.15 = 1 (aproximadamente) 2.*0. Calcule a probabilidade do sistema estar em funcionamento.15*0.6531% = e −0.e maq 10 não funcionar) = 1 – 0. 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D). Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona. está instalado um sistema de 10 máquinas para utilização de cartão multibanco.. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%.8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 .Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial.15*..85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e. 25 = 77. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0...5 = 60. Resolução P(avaria) = 1-0. B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A).

Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.8% Exercício 3 Foram ensaiadas durante 3 000 horas.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.778801 = 46.171429 = 84.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0.0944% Logo. 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 . cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial. com um MTBF de 17 500 horas.5 horas. P(sistema estar em funcionamento após 5 000 horas) = = 0. 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.1 = 90. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.904837)2 = 99.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0.606531*0.990944*0.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0. Calcule a fiabilidade do equipamento.

de um conjunto de 1 000. b) Quantas lâmpadas. estarão provavelmente em funcionamento após 2 000 horas de utilização.12% b) Rs = e − 2000 12000 = e −0.5 6 0 − 1 − 4.73910 = 1 – 0.6] horas.846x1000 lâmpadas = 846 Estatística Aplicada 123 . num conjunto de 10. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.0.5 c) Y: nº de avarias no intervalo [0.5)t = e-(6/4. Resolução a) Rs = e − 3625 12000 = e −0. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.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.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .4% 4.5) 2 = 23.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. 1 .5 x(6 / 4.5 e dx = e 4.6% Logo.6] horas P(Y=2) = e − − 6 4.P(falhar nenhuma) = 1 .5). vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4. no período de vida útil.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.302 = 73. como Y segue Po(1/4.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.9% Em 10.5 = 26.0488 = 95.5) MTBF = 4.5) = 26. 0.1667 = 84.

respectivamente. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.05=0.5% P(2 sem avarias) = 0. se mais de um elemento avariar o sistema não funciona.2*0. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia.85*0.51=60.25=9.7. sendo 0. colocados estrategicamente a fim de satisfazer adequadamente os utentes. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.1425 = 91.5% P(3 sem avarias) = 0.05) Valor médio=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.p=0. se um dos elementos avariar o sistema funciona com probabilidade 0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais.15*0.2 e 0. 0.25+0.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.7738 + 0. Resolução a) P(sist.75+0. T2 e T3 se encontrarem avariados são.25 e que as avarias são independentes.63% b) Bi(n=5. No caso de nenhum elemento avariar o sistema funciona normalmente. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias.05)*0.25 Estatística Aplicada 124 .8*0.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos.15.955)* 1 + (5*0. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0. 0. T1.85*0.2*0. indicando o valor médio de tal distribuição.095+0.7 = 0.15*0.8*0.954*0.

Resolução X: resistência de um componente em Ω X ∩ N ( µ .1225 n=16 σ=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. se produzir um artigo defeituoso. (0. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de.8775 LSC: 50.25) 2 ) a) LIC = µ − cσ n cσ n = 49. 470] Nestas condições.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. estando a norma a ser cumprida. 50.8775 LSC = µ + = 50.530.1225 cσ n Como LIC + LSC = 100 vem que µ − Logo µ=100/2 = 50 Ω + µ+ cσ n = 2 µ = 100 Estatística Aplicada 125 .

88) = Na tabela da Normal.25 16 16 1 – P(49.96) = 0. Estatística Aplicada 126 .P( 1 .8775 ≤ X ≤ 50.95 = 5% c) P(produzir um artigo defeituoso.P(-1. SA” mantém um diferendo com os seus principais clientes. 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.96) = Na tabela da Normal. vem D(1. vem D(1.88 ≤ X ≤ 1.25 0.01% Exercício 2 A empresa “TRADECHO.25 16 16 1.9399 donde 1 – 0. 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.P(-1.53 ≤ X ≤ 50.1225 sendo µ=50) = 1 .88) = 0. a amplitude do intervalo de controle para a média deve ser de 1.47 sendo µ=50) = 1 .Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .9399 = 6. sendo a norma respeitada) = 49.P( 49.96.95 donde 1 – 0.96 ≤ X ≤ 1.1225 − 50 ≤X ≤ )= 0.P(49.25 0.53 − 50 50.47 − 50 ≤X ≤ )= 0. a norma para a variância é de 4 e está a ser cumprida.8775 − 50 50.

95 donde 1 – 0. vem D(1.P(20-1.02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).98 ≤X ≤ )= 2 2 16 16 1.P( − 0.95 = 5% b) e c) Média Amostral (cm) 20.96/2 sendo µ=20) = 1 .96) = 0.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ .96 ≤ X ≤ 1.90 • • • • • 20 • • • •20. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 . Estatística Aplicada 127 .05 19.P(-1.00 20.30 20.96) = Na tabela da Normal.98 0.96/2 ≤ X ≤ 20+1. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.3 • • • • •20.15 • • • • • 19.Manual de Exercícios a) Determine a probabilidade referida.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.90 20.5 • • • • 19.

Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .645 ≤ X ≤ 1.55 − 1000 1016.55 ≤ X ≤ 1016. 1016. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.P(983. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.645) = Estatística Aplicada 128 .45 sendo µ=1000) = 1 .P(-1.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).P( 983. a partir de uma amostra de dimensão 100: [983.45 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 .45 − 1000 ≤X ≤ )= 100 100 100 100 1.55 cσ = 1016. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.55.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.

645) = 0. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas.96 ⇔ n ≥ 64 1.Manual de Exercícios Na tabela da Normal. b) Calcule a norma. ( 4) 2 ) cσ n a) LSC = µ + = 10. Assim. vem D(1.8 - = 9.96 * 4 n ≤ 1. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série.9 donde 1 – 0.8 D(c)= 5% logo c= 1.8 logo µ = 10. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.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. 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 10.82 Exercício 5 O director de produção da empresa DISLIX. procede à verificação da produção de energia Estatística Aplicada 129 . Para tal.8 milhares de horas a amplitude do intervalo não deve exceder 1.96 * 4 64 b) LSC = µ + = 10. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ .96 2 cσ n ≤ 1.96 logo 2 cσ n 1.

96 * 4 16 16 = 8.96 LSC = µ + = 10 + 1.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.96 2 cσ n ≤ 3. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.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 3.92 logo 2 1. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.96 * 4 n ≤ 3. b) Represente a carta de controle para a média.96 * 4 Estatística Aplicada 130 . ( 4) 2 ) a) D(c)= 5% logo c= 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.04 = 11.04 LIC = µ − cσ n cσ n • • • = 10 − 1.

enquanto 212 não estariam dispostos a gastar tanto. Em relação aos 977 clientes das classes C2/D/E. Através de um estudo qualitativo com consumidores. esplanadas e bares que passariam a dispor de uma imitação perfeita de um sumo acabado de fazerva um preço vantajoso. adquirir sumo natural a preço baixo ou adquirir refrigerantes. 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. Represente adequadamente e interprete a informação contida nestes dados.Manual de Exercícios TRATAMENTO ESTATÍSTICO DE INQUÉRITOS Exercício 1 Exercícios A empresa BrasFruta Lda está a instalar-se em Portugal com um produto inovador. 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. confrontaram-se os inquiridos com três alternativas: adquirir sumo natural a preço elevado. 164 só consumiriam sumo natural se o preço fosse baixo e 285 preferiam refrigerante. 598 pagariam um preço mais elevado pelo sumo natural. Utilize um nível de significância de 1%. A sondagem revelou que. A intenção é vender o produto em cafés. dos clientes classes A/B/C1. Apesar de haver uma preferência generalizada por sumos naturais face a refrigerantes. Estes testes foram elaborados sobretudo com o intuito Estatística Aplicada 131 . os consumidores mostravam-se cépticos em relação à qualidade quando se falav em preços baixos. conseguiu-se apurar que existia uma grande sensibilidade ao preço. um concentrado de fruta semelhante a um sumo de fruta natural.

há associação entre as variáveis. procedeu-se à aplicação de eij = n i .Manual de Exercícios de segmentar o mercado.141 Vem que o obsv. Assim sendo.8 285 233. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos. para os quais se convencionou a adopção de um nível de significância de 5%. Em média. das quais 3 foram de alunos que não tinham efectuado provas durante o ano. * n. Para o cálculo das frequências esperadas.991 observado = 31. concluindo-se que.2 376 Refrigerante 186 237.=31.4 528 557.8 164 186.991 (cruzamento da linha 2 com a coluna 0. no grupo estudado. Estatística Aplicada 132 . j n .6 1126 Preço Baixo 212 189. dos quais 20 não tinham prestado qualquer prova durante o ano.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568.05)=5.141 é maior do que o valor obtido a partir da tabela. que é 5. α=0.05). considerado razoável face aos valores normalmente utilizados. a hipótese Ho será rejeitada. o poder de compra do consumidor influencia a sensibilidade ao preço. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação. O número de aprovações foi de 33.

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

o ano foi dividido em duas épocas: Época de Ponta. deu-se particular atenção à influência exercida pelas remessas de emigrantes. teste = Vem que o obsv. a hipótese Ho será rejeitada. est. α=0.= 2. + = 2.2876 (44 − 48) 2 (55 − 53) 2 + . Exercício 4 Pretendendo-se analisar o comportamento do volume de divisas ao longo do ano. Negócios Baixo Médio Elevado crítico (GL=2.21 48 53 Média 48 49 53 Superior 48 49 53 Valor obsv.Manual de Exercícios Valores esperados: Formação Gerente Vol.2876 é maior do que o valor obtido a partir da tabela. Assim. que pode concluir? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 134 .. compreendendo os meses de vinda de emigrantes (Verão e Natal) e Época Normal (restantes meses). concluindo-se que há associação entre as variáveis. Assim. tendo-se obtido: Volume DLX Baixo/Médio 150 20 Elevado 50 80 Época Normal Ponta A um nível de significância de 5%. Assim sendo..01)=9.2876 > 9. observou-se o nível de Disponibilidades Líquidas sobre o Exterior (DLX) para cada mês.21 observado = 2.

069 Valor obsv. Assim sendo. procedeu-se à recolha periódica de elementos sobre essas variáveis. construindo-se a seguinte tabela de contingência: Taxa juro Proc.66 43. + = 85. teste = Vem que o (150 − 113.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.5 130.05)=5.33 obsv.069 > 3. α=0.= 85.33 crítico (GL=1. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro. a hipótese Ho será rejeitada.991 observado = 85..33) 2 + .33) 2 (80 − 43. 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%.66 Elevado 86. Moeda 0-10 10-45 45-70 Reduzida 72.5 75 Estatística Aplicada 135 .069 é maior do que o valor obtido a partir da tabela.33 43.. concluindo-se que há associação entre as variáveis.33 6.5 112. est.84 113.5 87 Média 115 207 138 Elevada 62.

A. concluindo-se que há associação entre as variáveis.= 1183. B e C.05)=3. a hipótese Ho será rejeitada. Estatística Aplicada 136 .05)=9.7 é maior do que o valor obtido a partir da tabela. concluindo-se que há associação entre as variáveis. Assim sendo. Assim sendo. 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.84 observado = 30 Vem que o obsv. Exercício 6 Um investigador seleccionou três amostras de estudantes.= 30 é maior do que o valor obtido a partir da tabela. 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%. a hipótese Ho será rejeitada. α=0.Manual de Exercícios crítico (GL=4. 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=2.49 observado = 1183. α=0.7 Vem que o obsv.

Sign up to vote on this title
UsefulNot useful