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

...…...................... 3................... 3..........6 Aplicações Estatísticas: Fiabilidade .............2............... 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..... 3. 3..3 Funções de Probabilidade .......6.....…...........8 Aplicações Estatísticas: Tratamento Estatístico de Inquéritos ...... Fiabilidade de um sistema 3.5 Testes de hipóteses ........................Manual de Exercícios 3............1.........................8.................7 Aplicações Estatísticas: Controlo Estatístico de Qualidade .... 3....1...................….............. 3...............1 Noções básicas de probabilidades ........ ESTATÍSTICA INDUTIVA ...... 3................4 Estimação por Intervalos ............... 3.6.........................2 Probabilidade condicionada ............. 3............

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

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

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

então. um papel fundamental. apareçam referências ao “nível de confiança” associado aos resultados e ao “erro” cometido. na ficha das técnicas das sondagens eleitorais. O conceito de probabilidade vai ter aqui. Daí que. por exemplo.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 respectivo grau de incerteza. 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. ao mesmo tempo. medidas descritivas Estatística Aplicada 7 . tabelas. não vai ser possível afirmar com toda a certeza que o comportamento da amostra ilustra perfeitamente o comportamento do universo. Isto é. As inferências indutivas são assim elaboradas medindo. mas apenas que o faz com forte probabilidade.

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

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. em que se apresentam tantas “fatias” quantas as modalidades em estudo.Fi) acumuladas. 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 . fazendo-se uma tabela de frequências e uma representação gráfica recorrendo ao diagrama de barras. 2. indica-se a frequência relativa respectiva. Variáveis Quantitativas Discretas São variáveis que assumem um número finito ou infinito numerável de valores.2. O ângulo correspondente a cada modalidade é proporcional às frequências das classes. 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 . fazendo corresponder o total da amostra (n) a 360º Geralmente. A apresentação destas amostras é semelhante às variáveis qualitativas. Diagrama sectorial ou circular Esta representação é constituída por um círculo.e relativas .Manual de Exercícios Estes dados podem também ser representados graficamente através de: Diagrama de barras Para cada modalidade. juntamente com a identificação da modalidade.

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

Também é possível calcular as frequências (absolutas – Ni . Média ( X ) É a medida de localização mais usada. 2.1. 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.. Medidas de localização 2. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é. 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. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda.e relativas . Como as classes podem ter amplitudes diferentes. 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. sobretudo pela sua facilidade de cálculo.Fi) acumuladas..Manual de Exercícios 1. classe modal. .).4. 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 .4.

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

.75.. determina-se o valor para o qual Fi = 0.01. 0.. isto é.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe. 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.4.9. chama-se ao quantil percentil Se p=0.1.5.25.2..5. Estatística Aplicada 13 . 0.5. é o valor mais frequente da distribuição. De uma forma geral: Me = L inf + 0. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo. Medidas de ordem Tal como se definiu para a mediana. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. 2.02.0.3. Q2 e Q3).. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. 0.99. chama-se ao quantil QUARTIL (Q1.5 − FL inf xamp. isto é... classe mediana FL sup − FL inf 2.5. Se p=0. é a classe a que corresponde maior frequência por unidade de amplitude. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p. chama-se ao quantil decil Se p=0.0.. 0.5 através de uma regra de três simples. então a mediana é o primeiro valor para o qual Fi > 0. Variáveis contínuas Em geral.

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

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

avaliar a dispersão através de um indicador de dispersão absoluta não é conveniente. assim como comparara a dispersão de duas distribuições. uma vez que estas medidas vêm expressas na mesma unidade da variável – como é o caso. o que não significa que a distribuição seja muito dispersa.7. da variância. Desvio-padrão: Medida de dispersão com significado real.2 Medidas de dispersão relativa Muitas vezes. por exemplo. 2. Para comparar diferentes distribuições de frequência são precisas medidas de dispersão relativa: Dispersão absoluta Medida de localizaçã o em relação à qual está definida Dispersão relativa = Estatística Aplicada 16 . Está expressa nas mesmas unidades da variável. mas que só é possível calcular indirectamente. Assim.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. através da raiz quadrada da variância. é de esperar que os valores da variância sejam mais elevados quando os valores da variável são maiores.

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

2. a concentração é nula.1). por isso. 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. yi p1 q1 yj yn pj pn=1 qj qn=1 Os pontos (pi. isto é. a frequência das observações deve ter uma evolução igual à proporção do atributo correspondente. a curva de Lorenz coincide com a diagonal do quadrado. e quanto maior o seu valor. x4[ [xn-1.1) por (0. havendo igual repartição. Quanto mais a curva se afastar da recta. Estatística Aplicada 18 . Nesse caso. maior a concentração. x3[ [x3. de zona de concentração.relativa Proporção atributo acumuladas atrib. pi=qi.Manual de Exercícios O objectivo é comparar a evolução das frequências acumuladas (Fi = pi) com a evolução da soma dos valores da variável (qi) Quadro de dados Classes de valores da variável [x1.qi) pertencem ao quadrado (0. que é designada de recta de igual repartição. Se houver igual distribuição.acumul. A curva que os une é a curva de Lorenz. xn[ Total ni n1 nj nn n Quantidade Freq. Caso o valor de G seja 1. maior é a concentração. a concentração será máxima. O valor de G varia entre 0 e 1. A zona entre a diagonal e acurva de Lorenz designa-se.8.

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

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

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

2 0.04 0.16 0. 25[ [25. Resolução a) fi/hi 0.14 0.m. b) Determine a média e a moda da distribuição.18 0. d) Determine os quartis da distribuição. 15[ [15. 1[ [1.06 0. 3[ [3.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 . Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente. Determine a mediana da distribuição.08 0. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente.12 0. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz.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.): Resultado Líquido [0. e) Analise a (as)simetria da distribuição em causa. 50[ Total Frequência. Faça a sua representação gráfica.1 0. 5[ [5.

o maior valor de fi / hi é 0.1 0.015 0.m. 25[ [25.7 Estatística Aplicada 23 .5 2 4 10 20 37. 5[.m. 1[ [1.175. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u. isto é.125 0..35 5 : Fi = 0. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.01 0.175 0. + (37.5): [3.8 0.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0.5 x5%) = 7. e 5000 u. o resultado líquido de uma empresa é de 7325 unidades monetárias.002 Fi 10% 35% 70% 85% 95% 100% ci 0. 3[ [3.Manual de Exercícios [0.5 x10%) + (2 x 25%) + . 5[ 3 : Fi=0..325 Em média. Neste caso. 5[ [5. 15[ [15. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.6 0. 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 0.4 0. correspondente à classe [3.

m.25): [1.5 0.1 -------------.75 – 0.Me – 3 Me = 3 + ((2x0.25) = 2.85 Cálculo do Q3: 0.5 – 0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.25 – 0.857) − (3. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.Q1 – 1 Q1 = 1 + ((2x0.7 -------------.15)/0.333 − 2.7 -----------.333 − 3.m.35 -------------.15)/0.0.2 A distribuição é assimétrica positiva ou enviesada à esquerda.7 15 : Fi = 0.15) = 8.35 .1 0.4596 > 0 Q3 − Q1 8.857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.75): [5. 15[ 5 : Fi=0.m.0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.05)/0.2) = = 0.1 -----------.3 0.35 Cálculo do Q1: 0.Q3 – 5 Q3 = 5 + ((10x0.1 3 : Fi = 0.35 -----------.Manual de Exercícios Cálculo da mediana: 0. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.85 .5 .7 .35) = 3.857 − 2.15 .3 . Estatística Aplicada 24 .0. 3[ 1 : Fi=0.

1 0. Estatística Aplicada 25 .8 1 Exercício 2 Considere a seguinte amostra de dimensão 200. 25[ [25.744) = 0.471 0. 3[ [3. entre 0 e 1). 5[ [5.6 0.4 0. mas em que cada uma tem baixo resultado líquido. 15[ [15.1 + 0.95 1 qi 0.7 0.Liq. Analise a concentração através do Índice de Gini e da Curva de Lorenz.47 0.6% do total de resultados das empresas da 0.m. referente aos lucros obtidos por empresas de um dado sector industrial. 70% das empresas apresentavam resultados até 5000 u. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.2 0.85 0.2 0.5 2 4 10 20 37.Totais G= (0..744 1 50 + 500 + 1400 7325 Res..95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0. Por exemplo.Manual de Exercícios f) X [0. expressas numa determinada unidade monetária.266 0.35 0. 0 0 0. 1[ [1.8 0.4 amostra. mas isso representava apenas 26.6 0.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.007) + .7 + 0.075 0.95 − 0.1 − 0. + (0.35 + 0.5 Atributo 100x0.85 + 0.007 0.5 corresponde ao centro da escala possível. o que sugere um tecido empresarial com muitas PMEs..

6 0.4 0. b) Analise a correlação existente entre peso e altura.25 Tanto pela análise da Curva de Lorenz.02 0. 200[ [200.2 0. encontrandose os valores razoavelmente repartidos.6 0.16(6) 0. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0. c) Ajuste.4 0.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.243 2.63(3) 0.Manual de Exercícios Resolução Lucros [0. 300[ [300. uma função linear que exprima as peso em função da altura.2 0 0 0.1 0. 50[ [50.4 0. pelo Método dos Mínimos Quadrados.95 1 qi 0.8 0.883(3) 1 Curva de Lorenz 1 0. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.8 0. como pelo valor do Índice de Gini. a) Represente o diagrama de dispersão. 100[ [100.546(6) = 0. conclui-se que esta amostra apresenta concentração moderada. Estatística Aplicada 26 .

9016x + 109.90681871. quase perfeita.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 . c) 190 Recta de Regressão 180 Altura (cm) y = 0. existe uma correlação positiva forte entre as duas variáveis. r = 0.

se um indivíduo pesar 70 kg.472.0651 CV x = sx 69. c) Ajuste. uma função linear que exprima as vendas em função das despesas em publicidade.) 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. a altura esperada será de 109. b) Analise a correlação existente entre volume e custo de produção. 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 = 21.429 < CV y = sy y = 11. pelo Método dos Mínimos Quadrados.Manual de Exercícios A equação desta recta traduz-se em Altura = 109.9408 1 = n (yi − y ) = 11. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão.714 A dispersão das despesas em publicidade é superior à dispersão das vendas. espera-se que a altura do indivíduo aumente 0. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u.9016 cm.9016 x 70 = 172.39 x 21.9016 x Peso Isto é.714 2 1 = n (xi − x ) = 69.495 6. Resolução a) Para comparar a dispersão das duas distribuições.36 + 0. Por cada kg de peso adicional.9408 = = 0.m.36 + 0. Estatística Aplicada 28 .429 2 y = sy 2 1 n n i =1 n i =1 yi = 6.0651 = 0.

8782 Vendas 20 10 0 3 8 Desp.9408 x 11.98 69.0651 Existe uma correlação positiva linear forte entre as duas variáveis. Public. No quadro abaixo..429)(3 − 6. Recta de Regressão c) 30 y = 2. as vendas aumentam (diminuem) de forma quase exactamente proporcional.4649x + 4.714) + .429)(13 − 6. Em média.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 .. 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 .714)] 7 = = 0. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso. quando as despesas em publicidade aumentam (diminuem). + (35 − 21.Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21.

5 1. 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. igualmente boa nota na prova final. 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. 2[ [2. c) Determine os três primeiros quartis. 15[ [15. b) Determine o rendimento médio e mediano. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente. os alunos que tiveram boa nota na prova inicial tiveram. 5[ [5. 15[ [15.5 10 20 37. 1[ [1. 2[ [2. 25[ [25. isto é. 5[ [5. em média.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos.) de 2500 famílias da população de um país: Rendimento anual [0. mas sim das ordenações das classificações (do 1º ao 10º classificado). Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u.5 3.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1).5 30 Estatística Aplicada . Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. 25[ [25.m. 1[ [1.

o rendimento anual de uma família é de 9025 unidades monetárias. 15[ 5 : Fi=0.5 -----------. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.8 0.m.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.. 5[ 5 : Fi = 0.5 15 : Fi = 0. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).4 0. + (37.025 Em média.8 .Q3 – 5 Q3 = 5 + ((10x0.3) = 13.0.5): [2.25): [1. Classe mediana (classe a que corresponde uma frequência acumulada 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.5.5 x5%) = 9.15 .8 Cálculo do Q3: 0. Estatística Aplicada 31 .5 x15%) + .Manual de Exercícios 1 0.6 0.5 0.5 x10%) + (1. 2[ 3 : Fi = 0.5 -------------.75 – 0. Logo.m..75): [5.25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u.25)/0.2 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.

18436 = 0. 100[ [100. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda.4 2. Relativa (%) 7.1 5.6 3.1274 0. 160[ [160.5 pi (=Fi) 0.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.47 > 0 Q3 − Q1 13.00554 0. 1[ [1.46 0.2 19.5 0.2 31. 350] Total Frequência.071 e) Rendimento anual [0. 250[ [250.5 Rend.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13. 140[ [140. 25[ [25. total 125 562.5 10 20 37.5 22562.5 3. 5[ [5. 200[ [200.8 0.4555 2. 80[ [80. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82. 2[ [2.5 7500 7500 4687.5 7.8 15.5 2187.333 − 5) − (5 − 2) = = 0. 15[ [15.25 0.1 0.2 8.6 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 [60.0305 0.5 1.286875 = 9.95 1 qi 0.0 100 Estatística Aplicada 32 .286875 2 s x = s x = 82. 120[ [120. 300[ [300.

b) Analise a dispersão da distribuição em causa.100 Q2 = 100 + ((20x0.23 -------------. 350] Total Frequência.28 25% dos empregados auferem remunerações inferiores a 101. Estatística Aplicada 33 . Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.28 milhares u. 80[ [80.542 .542 Cálculo do Q2: 0.23 -------------. 120[ 1 : Fi=0.120 .Q1 .5): [100. Resolução a) Remuneração [60. 120[ 100 : Fi=0.25): [100.5 7.2 73.m.23 -----------.23 120 : Fi = 0. 120[ [120.7 80. 140[ [140. Relativa (%) 7.0.120 .2 19.312) = 101. 250[ [250.6 3.542 .9 89 94.4 2.5 .m.23 3 : Fi = 0.2 8.23 -----------.312) = 117.100 0.100 0.02)/0.100 Q1 = 100 + ((20x0.0. 160[ [160.8 23 54.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.8 15.3 50% dos empregados auferem remunerações inferiores a 117.3 milhares u.Manual de Exercícios a) Calcule os quartis da distribuição. c) Analise a assimetria da distribuição em causa.25 .1 5.Q2 . 100[ [100. 300[ [300. 200[ [200.0 100 Fi (%) 7.0.542 Cálculo do Q1: 0.27)/0.2 31.0.

61 − 117. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima. 302[ [302.737 -----------.101.809 .33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143. do conteúdo de uma série de 100 garrafas que. 300[ [300.m. 306] Total Frequência. no decurso de um teste. b) Amplitude do intervalo inter-quartis = Q3 .61 − 101. Estatística Aplicada 34 .61(1) milhares u. 301[ [301.3 − 101.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda. b) Calcule as frequências acumuladas e represente-as graficamente. Exercício 8 Os dados seguintes referem-se ao peso.61(1) 75% dos empregados auferem remunerações inferiores a 143.160 . saíram de uma linha de enchimento automático: Peso (em gramas) [297.809 Cálculo do Q3: 0.28 = 42.75): [140.140 0.75 – 0.140 Q3 = 140 + ((20x0.072) = 143.Q3 . 298[ [298.28) = = 0.737 140 : Fi = 0. 305[ [305. 299[ [299.61(1) .0. 160[ 120 : Fi=0. expresso em gramas.Q1 = 143.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.243 > 0 Q3 − Q1 143.3) − (117.737 -------------.013)/0. 304[ [304. 303[ [303.

Resolução a) 0.11 O peso médio das garrafas é de 300.. 302[ [302.Manual de Exercícios c) Determine o peso médio.6 0.15 0.2 0. Estatística Aplicada 35 .05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297.5 x 21%) + . 300[ [300. 303[ [303. Qual o seu significado? d) Determine os quartis da distribuição.25 0.11 kg.5 x8%) + (298. + (305.4 0. 298[ [298. 304[ [304.2 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 = (297.1 0. 306] Total F* 1 0. 299[ [299. mediano e modal.8 0.5 x1%) = 300. 301[ [301.. 305[ [305. e) Analise a dispersão do peso das garrafas.3 0.

A classe modal é aquela a que corresponde maior frequência relativa.08 -----------. 300[.29 -----------.0.5 .29 -------------.299 Q2 = 299 + ((1x0.57 Cálculo do Q2: 0. 302[ 301 : Fi=0.75 kg.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0.29 Cálculo do Q1: 0.17)/0. 300[ 299 : Fi = 0. o maior valor de fi é 0.0357 25% das garrafas têm peso inferior a 299.300 .72 302 : Fi = 0.29 .301 0.0.299 0.75): [301. 299[ 298 : Fi=0.299 Q1 = 299 + ((1x0.0.21)/0.75 50% das garrafas têm peso inferior a 299.301 Q3 = 301 + ((1x0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.08 299 : Fi = 0.72 -----------. isto é.298 .72 -------------.302 .Q3 .0357 kg.27(27) kg.25 .5): [299. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.28 correspondente à classe [299.03)/0.25): [298.08 -----------.27(27) 75% das garrafas têm peso inferior a 301.57 .83 Cálculo do Q3: 0.28) = 299.Q1 . Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.75 – 0.299 0.0.83 . Estatística Aplicada 36 .21) = 299.Q2 .11) = 301. Neste caso.0.29 300 : Fi = 0.

05 0. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.1 fi/hi 0.6 3. 1.1 0.525 1.8[ [1.65[ [1.37 0.55. 1.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .6[ [1.75.5[ [1.75.8 1.9 Estatística Aplicada 37 .299.1 0.67 0.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.75[ [1. f) Analise a (as)simetria da distribuição.55[ [1.65.725 1.7.05 0. 1.12 0.85 hi 0.775 1.1 0.0357 = 2. e) Analise a dispersão da distribuição.2 0.8[ [1.2 2 5 2.5 0.8. 1.7.575 1.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.6[ [1. 1.87 0.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.5.05 0.05 0.65[ [1.7 1.75[ [1.17 0.4 4 2 0.45 1.02 0. Resolução a) Altura (em metros) [1.5 1. d) Determine os quartis da distribuição e diga qual o seu significado.05 0.4 1. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1. 1.6. 1.4.6.02 0.625 1. 1. 1.7[ [1. b) Determine a altura média e a altura modal.03 1 ci 1. 1.55[ [1. 1. 1.Q1 = 301.5. 1.3 Fi 0.7[ [1.05 0.25 0.4.97 1 6 5 4 3 2 1 0 Histograma 1.55.65. 1.13 0. 1.675 1.6 1.5[ [1.27(27) . 1.8.

05x0. 1.576 m. correspondente à classe [1.55 Q1 = 1..Q1 – 1.6[.7 : Fi=0. Neste caso.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1.3 1.37 Cálculo do Q1: 0.2 0 1.55m / 1.6 – 1.12 -----------.8 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.75[ 1.87 Estatística Aplicada 38 . 1..8 1. 1.6[ 1.65 m.12 -----------.67 1.6 0. isto é.55. c) F* 1 0.1.85x3%) = 1.75 : Fi = 0.525x10%) + .4 0.5 1.12 1. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.65 A altura média dos alunos é de 1.5 50% dos alunos têm altura inferior a 1.65 m. 1.576 25% dos alunos têm altura inferior a 1.55 + ((0. a altura mais provável de um aluno rondará 1.65[ 1.13)/0.45x 2%) + (1.7.4 1.65 : Fi = 0.25 – 0.55 : Fi=0.37 – 0.55.7 1.55 0.6 : Fi = 0.25) = 1. o maior valor de fi / hi é 5.25): [1.6.75): [1. + (1.6 1.6m.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.5): [1. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.

Exercício 9 Em determinada central telefónica. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .7 + ((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. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.1. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.65 − 1.67-----------.65) − (1. 20[ [20. 5[ [5.Q1 = 1. 30[ [30. 10[ [10.Manual de Exercícios Cálculo do Q3: 0.05*0.7 Q3 = 1.7 0.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).00536875 = 0.75 – 0.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.00536875 2 s x = s x = 0. e) Amplitude do intervalo inter-quartis = Q3 .0.72 75% dos alunos têm altura inferior a 1.576) = −0.027(7) < 0 = Q3 − Q1 1.08)/0.Q3 – 1.2) = 1. b) Determine a duração média das chamadas e respectivo desvio-padrão.72 – 1.87.72 m.72 − 1.72 − 1.75 – 1.67-------------.576 = 0.

Compare.4 0.025 c) Classe mediana (classe a que corresponde frequência acumulada 0.96 1 ci 2.5 x30%) + .08 0. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.08 0.3 0. 30[ [30. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001. com desvio-padrão de 8.06 0.35 minutos.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.04 1 Histograma hi 5 5 10 10 20 fi/hi 0. 50] Total fi/hi 0.4525 2 s x = s x = 0. 20[ [20.4 0.02 0.5 7.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0. 10[ [10.002 Fi 0.7 0.00536875 = 9. 10[ Estatística Aplicada 40 .9 0.7 minutos.35 A duração média de uma chamada é de 9.6 0.5 x 40%) + (7.006 0.04 0.2 0.4 0. Resolução a) Duração (em minutos) [0.06 0. + (40 x 4%) = 9.06 0. quanto à dispersão. 5[ [5.1 0..8 0.5): [5..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.

3)(3800 − 2708.4 -----------.0. pelo Método dos Mínimos Quadrados.5 .0.3)] = 12 = 0.4 -----------.965 > x 9. d) CV Dez = s x 9.7 Cálculo da Me: 0.1)/0.10 .3) + . 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.35 CV2001 = sy y = 8.Manual de Exercícios 5 : Fi = 0.5 0.67 minutos. Estatística Aplicada 41 .4 10 : Fi = 0..3) = 6.7 = 0.025 = = 0.98 520854x 1145944 Correlação positiva quase perfeita.5 Me = 5 + ((5x0.Me .7 .87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento. b) Ajuste. uma função linear que exprima o custo em função do volume de produção.3)(3100 − 2708. + (2000 − 1358.67 50% das chamadas têm duração a 6.. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358.

uma função linear que exprima a variável EPS em função de PBV.4553x + 731.0 0. Estatística Aplicada 42 .5 0. + (81 − 121.9 − 0.3 0.9 1.4 − 0. pelo Método dos Mínimos Quadrados..Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.4 a) Analise a correlação existente entre aqueles dois indicadores.8 0.332 x 0.92)] =9 = 0.61 3669.096933 Correlação positiva moderada.7 0.9 1.7)(0.8 1. Resolução a) r = s xy s xx s yy 1 [(191 − 121.92) + .. b) Ajuste.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 ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.7)(0.

pelo Método dos Mínimos Quadrados.4 0.2 1.6 y = 124.8 PBV 1 1.Manual de Exercícios b) 250 200 150 100 50 0 0 0.4 1.) Ri 125 127 130 131 133 135 140 143 169 Dados adicionais Gi 54 56 57 57 58 58 59 59 66 Ri 144 147 150 152 154 160 162 165 Gi 61 62 62 63 63 64 65 66 EPS Ri = 2467 Gi = 62620 2 Gi = 1030 Ri Gi = 150270 Ri = 361073 2 a) Estude a correlação entre rendimento e despesas em bens de luxo.m. b) Ajuste. Estatística Aplicada 43 .04x + 7.2 0.6 0. uma função linear que exprima a variável Gi em função de Ri.383 Exercício 12 Recolheu-se uma amostra em 17 cidades do país relativamente aos seguintes indicadores: Ri: Rendimento médio mensal na cidade i (em 106 unidades monetárias) Gi: Gasto médio mensal em bens de luxo na cidade i (em 106 u.

986 Correlação positiva forte.2604x + 22.801 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. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.

104 Introdução ao e-learning .

Manual de Exercícios 3. 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). então. O exemplo seguinte pretende clarificar o que vulgarmente é designado por experiência aleatória.1. Fundamentalmente. que serão úteis a aplicações de estatística indutiva relacionadas com controlo estatístico de qualidade e fiabilidade de componentes e sistemas. 3. O conceito de probabilidade vai ter aqui. as experiências aleatórias caracterizam-se por: Estatística Aplicada 45 . serão apresentadas algumas noções simples de probabilidades e funções de probabilidade. Deve entender-se como experiência qualquer processo ou conjunto de circunstâncias capaz de produzir resultados observáveis. De seguida. mas apenas que o faz com forte probabilidade. não vai ser possível afirmar com toda a certeza que o comportamento da amostra ilustra perfeitamente o comportamento do universo. 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. quando uma experiência está sujeita à influência de factores casuais e conduz a resultados incertos. Isto é. um papel fundamental. diz-se que a experiência é aleatória. 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 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos.3.6}.5. isto é. 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.4. 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. num lançamento de um dado ordinário tem-se que o espaço de resultados é { . O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória. que não sei mais que subconjuntos do espaço de resultados.3. Por exemplo. 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 . outros como “saída de um número ímpar” definido pelo subconjunto { . para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces.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.2.5}. Por exemplo. no lançamento de um dado podem definir-se. obtém-se um resultado individual. 1 Definidos como conjuntos. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares. aos acontecimentos é aplicável toda a construção disponível para aqueles.

a probabilidade de ocorrência de dois ou mais acontecimentos independentes é o produto das probabilidades dos respectivos acontecimentos. vem que P (A ∪ B) = P(A) + P(B) . etc.Manual de Exercícios Probabilidade de um acontecimento é expressa na escala de 0 a 1. 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. daí que ela surja muito ligada aos “jogos de azar”. as 52 cartas de um baralho. isto é: P(A ∩ B) = P(A) x P(B) Estatística Aplicada 47 . sendo 0 a probabilidade associada a um acontecimento impossível e 1 a probabilidade associada a um acontecimento certo. 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. que possuem essas propriedades.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. A primeira definição foi proposta por Laplace em 1812. as 6 faces de um dado. 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. 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. se dois acontecimentos forem mutuamente exclusivos. É o que acontece com as duas faces de uma moeda.

sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”.4 .Manual de Exercícios Após a apresentação desta definição.25 Normal 0.8 1.1 0.45 0. Por outras palavras.2 0.02 0. Estatística Aplicada 48 . sabendo que ocorreu o acontecimento “ser obeso”. 0. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0.53 Magro 0.2.08 0. convém ainda referir que.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.1 = 0.15 0. Repare-se que este quociente resulta da divisão entre a probabilidade de uma pessoa ser hipertensa e obesa e a probabilidade de uma pessoa ser obesa.2 0. 3. 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. isto é 0.22 Total 0.00 a) Qual a probabilidade de uma pessoa escolhida ao acaso ser hipertensa? b) Qual a probabilidade de uma pessoa obesa ser hipertensa? Resolução a) Basta ver que a proporção de hipertensos é de 20% b) Há que tomar em atenção que o que se pretende é a proporção de hipertensos na população de obesos. Este exemplo corresponde ao cálculo de uma probabilidade condicionada. 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”. numa outra perspectiva. a da chamada teoria frequencista.

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

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

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

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

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

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

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. A e B. 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.

2 + 0.1%. A e C: 3.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.P(A ∩ B) = 0.15 + 0.8%.9% P(A ∩ C) = 3.15 = 5% c) P(A ∪ B) = P(A) + P(B) . B e C: 2.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0.8% P(A ∩ B) = 5.1%.1% P(B) = 22. com as seguintes percentagens de leitura: A: 9.4% Escolhe-se uma pessoa ao acaso.2 – 0. A.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2. B: 22. 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. A. A e B: 5. C: 12.9%.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0.7%. B e C: 6%.7% P(C) = 12.3 – 0. B e C.4% Estatística Aplicada 57 .15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.

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

3 máquinas.03 + P( M 2) * 0.65% Prod.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1.3P( M 2) + P( M 3) = 1 ⇔ 0. 2 = P(M2)*10000 = ? Prod. M1. A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2.3P( 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. 1 = P(M1)*10000 = ? Prod. Sabendo que a probabilidade dele ser defeituoso é de 1. M2 e M3 fabricam parafusos.02 Estatística Aplicada 61 . 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. determine o número de parafusos que cada máquina produz diariamente.65%.0165 = 0.01 + P( M 3) * 0.3P( M 2) * 0.Manual de Exercícios Exercício 8 Numa fábrica. 3 = P(M3)*10000 = ? P( M 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.

B ou C.3P( M 2) = 1 − 1.Manual de Exercícios − ⇔ P( M 3) = 1 − 1. calcule a probabilidade de ter utilizado os transportes B ou C. 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) = 0.8 P(T/B) = 0.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A.03 + P( M 2) * 0.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .01 + (1 − 1.3 * 0.3P( M 2) 0.3P( M 2)) * 0.5 P(T/C) = 0.3 * 0.0165 = 0.02 P( M 1) = 0.6 P(T/A) = 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.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.3P( M 2) * 0.5 = 15% P( M 3) = 1 − 1.

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.3 – 0.5 + P(B)*0.6 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.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q.8 + P(B)*0.Manual de Exercícios Logo 0. respectivamente.I.5 + 0. baixo ficar apto no teste é de 20% finalmente.3% P (T ) 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. de 30% e de 60% a percentagem de indivíduos com Q.4 * 0.6 = =73. baixo.6 = (1-2P(B))*0.I. sabe-se que 70% dos indivíduos com Q.4 * 0.) elevado e médio são.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .I.I.

8 = = 17% 1 − 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. 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 . possuir também frigorífico 2. possuir pelo menos um daqueles três objectos 2.7+0. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.6*0.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0.1*0.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1. possuir telefone ou frigorífico 2.5+0.1 * 0.3*0. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.

De entre os segurados com idade igual ou inferior a 40 anos.15-0.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1.25 c) 1.1 − 0.5 – 0.25 P( B ∩ C ) 0. um acidente durante o referido período? Estatística Aplicada 65 .P(A ∩ B) = 0. Todos terem idade igual ou inferior a 40 anos.35 + 0. 3% têm um ou mais acidentes no mesmo período. todos terem idade igual ou inferior a 40 anos? 2. um acidente por ano. pelo menos. P(B / C) = 2.05 = 70% 2. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0.15 = 70% 2.25-0.P(A ∩ C) = 0.2 = 40% b) krysktsh1. dos quais 5% sofrem.35+0.35 + 0. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0.5+0.25 – 0. dado que cada um sofreu. P(A ∪ B) = P(A) + P(B) .1 = = 40% P (C ) 0.4 = 60% P(A ∪ C) = P(A) + P(C) .2-0. nenhum ter sofrido qualquer acidente durante um ano? 3.1+0. pelo menos.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade.2 + 0. numa amostra de três segurados 1.05 = = 100% P (C ) 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. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0. 1 – P( A ∪ B ∪ C ) = 1 – 0.

03 = = = 28. P( I 2 ∩ I 2 ∩ I 2) = 0.958 = 87.958*0.9% 3.05 = 95% P( A /I2) = 1 – 0.6 * 0.2857 = 2.958*0. P( A ∩ A ∩ A) = 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 – 0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0.3% Estatística Aplicada 66 .6*0.95 + 0.4*0.97 = 95.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.958 P ( A) P ( A) c) 1.4*0.2857*0. P( B ∩ B ∩ B ) = 0.4 = 6.4% 2.2857*0.4*0.57% = P(B) 1 − 0.6 = 40% P( A /I1) = 1 – 0.

104 Introdução ao e-learning .

A central só pode atender um número máximo de 8 chamadas por minuto.2*0. é 5.3. 7.3.932 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 4.4) n=4 p=0.932 = 0.83 = 0. 6.2 q=1-p=0. escolhidas ao acaso uma ser defeituosa.2. entre as 4 bobines necessárias a um determinado cliente.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.8 P(X=1)=C4p1q4-1 = 4*0.4.1.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas.8 Logo P(X>8) = 1-0. 5. 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. por minuto (0. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 .1.5 horas.2. por minuto.2 q=1-p=0. 8) λ=5 8 p=0. calcule a probabilidade de.06 e −5 5 x P(X ≤ 8) = = 0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0.

Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. sabe-se. e X: numero de avarias que ocorrem no intervalo [0. com desvio padrão 0. entre as 9 e as 11 horas. por outro lado. por hora.333 = 0. O número de turistas que procuram este serviço. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120.6[.9772. que esse serviço funciona ininterruptamente das 8 às 20 horas.5 = e −1. Verificou-se que.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. se aluguem 5 barcos? Qual a probabilidade de que. destinado aos turistas que a frequentam. está associado a uma variável aleatória com distribuição de Poisson. em cada hora. verifica-se que o valor da função Z é P(X ≤ 2) = 0. vem: 121 − 120 =2 0. esse serviço é procurado por 8 turistas interessados em alugar barcos. em média.28%. isto é.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4. entre as 8 e as 9 horas. num período de 6h λ=1/4.5. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 .9772 = 2.5 Consultando a tabela. Z= Logo P(X>2) = 1-0. a) b) Qual a probabilidade de que.

.32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2. o cais da refinaria pode atender...0001 = 1.16% 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. a) Qual a probabilidade de. Atingido este número. 3 petroleiros por dia. os restantes que eventualmente apareçam deverão seguir para outro porto. vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +.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 . 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. no máximo. + f(33) = 0. considerando Y1 e Y2 independentes e que todas seguem Po(8).0057 + . num qualquer dia..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. Nas actuais condições. + 0.

entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0.2707 g(2) = P(X=2) = 0. em média. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1.6767 = 0. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.8571 =14.1.782 São atendidos.1429 = 4. 3) g(0) = P(X=0) = 0.3233 = 1.E(Y) = 2 . com probabilidade 27. pg. 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. 5.3 Em média.1353 g(1) = P(X=1) = 0.Y E(Z) = E(X -Y) = E(X) .30) W segue Bi (n = 30. Z = X .29% (tab.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0. 3.1.1429) E(W) = 30*0. 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 (0.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0.3233 E(Y) = 0*0.. 4.1.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0. 6) Logo..14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo. 2. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh.782 = 0.1. 2. 2. em média..85%.1353 + … + 3*0. p = P(X>3) = 0. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .218 Recorrem a outros portos.

5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico.1)< = P(N(0. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . vem que: Y=X1+X2+X3 segue N(400*3. isto é.3085 X segue N(400. o consumo teórico exceda o efectivo em mais de 100 kwh? Resolução X: consumo efectivo de energia eléctrica de um cliente por mês (em kwh) T: consumo teórico (valor fixo) debitado ao cliente por mês (em kwh) T: P(X>T) = 0.a.71%. 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. P(3*420-Y > 100) = P(Y < 1160) = P(N(0. N(1200. Poisson.6915 ⇔ = 0. existem 2 cadeias de montagem A e B. 1600) a) P(X>T) = 0.3085 ⇔ 40 40 T − 400 T − 400 ) = 0. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v. Qual a probabilidade de que. 4800) 2. considerando X1. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98.1)<-0. com funcionamento independente.3085 ⇔ P( P(N(0. 1600).1) ≤ b) 1.58) = 28. 1600*3). A cadeia A opera a um ritmo médio de 2 montagens por hora.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. X2 e X3 independentes e que todas seguem N(400. ao fim de 3 meses.Manual de Exercícios 2.

0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4.0001 + … + 0. Na tabela da Po(4).1048 = 34.0902*0.0009*0. λ = 4. 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. Y2 e Y3 independentes e que todas seguem Po(4).012*0.0183 + 0.9817. numa hora.2707*0.8893=11. vem que o valor 0. percorrendo as linhas de valor = 0. vem que P(Y<1) = 1 – 0.0753 + 0.. mas desconhece-se a média (=parâmetro λ) No entanto.9817 = 0. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.1954 = 3.07% 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. considerando Y1. Logo. em 3 horas de trabalho. + f(10) = 0 + 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) = 0.8% 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 .1954 + 0.Manual de Exercícios b) a probabilidade de.0183 Na tabela da Poisson. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de.. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.1353*0.1465 + 0.

1: maço é aproveitável se não contiver cigarros defeituosos Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20. determine: a) a probabilidade de um maço acabado de formar 1. 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.010*0.52% 2.Manual de Exercícios Pelo Teorema da Aditividade de Poisson.8179) Logo E(Y) = 20*0. conter 1 cigarro com filtro defeituoso 2.9920 = 81. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. maço é aproveitável se não contiver cigarros defeituosos 2. também pelo mesmo Teorema.01) a) 1. vem que Xi + Yi segue também Po(2+4=6). a companhia espera poder aproveitar se utilizar o critério: 1.9919 = 16. P(X=1) = 20*0. Nestas condições.8179+0.66 Estatística Aplicada 73 . p=P(X=0)+P(X=1)= 0. 2: maço é aproveitável se contiver no máximo 1 cigarro defeituoso Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20. Crit. Crit.9831) Logo E(Y) = 20*0.01*0. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. Numa rápida análise às condições de produção.36 2. E Z .8179 = 16. P(X=0) = 0.9831 = 19. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos. num volume que contém 20.79% b) 1. p=0. conter 0 cigarros com filtro defeituoso b) o número de maços que. p=P(X=0) = 0. segue Po(6*8=48) Logo. 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=20.1652 = 0.

5% a) Como P(X<0.05 < X < 0.1) < 0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ. vem que θ ( σ Na tabela 3B da Normal.5% têm comprimento entre 0. σ2) Peça defeituosa se X>µ + σ ou se X< µ .45) = P(X<0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.392 = 1.25 σ < 0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.25 mm e 47.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.45) – P(X<0.a.25) = 50% vem que P( X −µ σ < 0. E como σ tem que ser =0.25 P(0.25 σ ) = P (0 < N (0.25 0.96 e logo σ = 0.642) = 47.2 0.45 − 0.475 0.5% vem que P( 0.475 + 0.392 ) = 0. Normal com média µ e variância σ2. logo µ = 0.05) = 0.25<X<0.25 mm e 0.5.392 σ )= =θ( σ ) − θ (0) = 0.642 − 0. Sabemos que 50% das peças produzidas têm comprimento inferior a 0.25 − 0.975 0.13% 0.25) = 50% P(0.642) = 47.25 σ 0. vem que σ b) P(peça não defeituosa) = P(µ .2 Sendo θ (0)=0.05 − 0.25<X<0.25 − µ ) = 50% Na tabela.5 = 0.σ P(X<0.2 74 θ( Estatística Aplicada .σ < X < µ + σ) = P(0.642 mm.392 < X − 0.25 − µ σ 0. a) Calcule a média e o desvio-padrão do comprimento das peças. b) Determine a probabilidade de uma peça não ser defeituosa.

ainda que este eleve de facto a probabilidade de cura para 40%. Estatística Aplicada 75 . 20) n=20 p=0. pelo menos. Um empregado entra ao serviço às 8 horas.19. por cada período de 5 minutos. 8 doentes em 20.4) P(X ≥ 8)=1. 0.1.6 X segue Bi (20. considerando X1 e X2 independentes e que ambas seguem Po(4). Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0.58% Exercício 12 Sabe-se por via experimental que. 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..2. ministrando-o a um grupo de 20 doentes.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%. Põe-se à prova um novo medicamento..03%. 4 veículos a determinado posto abastecedor de combustíveis. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0. chegam. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de.F(7) = 41.4 q=1-p=0. Calcule a probabilidade de se concluir pela ineficácia do medicamento. que eleva a probabilidade de cura para 40%. em média.

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

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

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

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

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. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11. com 99% de confiança.2 mg.1. contenha o valor esperado da altura µ.576 x0.085.Sup.315] Estima-se. diga.2 20 = [1. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.2 − 2. com 99% de confiança.085 mg e 1.70m.2 σ=0. observando-se um valor médio de 1. tendo-se obtido o valor de 1.Inf.051. que o teor médio de nicotina de um cigarro se situa entre 1.2 − 2.1.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.576 σ n . com probabilidade 95%. Defina um intervalo que.76 Amplitude = Lim. 0.88 – 104. Resolução X segue N(µ. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0.X +c σ n = 1.Lim.12 = 11.Manual de Exercícios b) Amplitude = 115.2 20 .576 x0.2 mg.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.315 mg. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina. . Estatística Aplicada 83 . entre que valores se situa o teor médio de nicotina de um cigarro.

1 − 1.645 = 1600 1600 n n = [0.9 p (1 − p ) p (1 − p ) ˆ .1. procura conhecer-se a incidência de defeituosos na produção de uma máquina.1x0.96 σ n .085 mg e 1. Determine o intervalo de confiança para a referida proporção com 90% de confiança.23%.1123] Estima-se. Construa um intervalo Estatística Aplicada 84 . seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.051 25 = [1. com 95% de confiança.1.96 x 0. Passada uma semana. 0.70 σ2=0. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).1x0.1 − 1.X +c σ n = 1.0. com 90% de confiança. Para tanto.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.9 0. que a proporção de artigos defeituosos na produção se situa entre 8.2 − 1. que o teor médio de nicotina de um cigarro se situa entre 1.76% e 11.051 25 . Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.051) n=25 e logo X −c x =1. Exercício 6 Numa fábrica.Manual de Exercícios Resolução X segue N(µ.p+c .645 = 0.96 x 0.0876. onde 10% dos artigos são defeituosos.611.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.788] Estima-se.315 mg.7 − 1.0.

com 95% de confiança.96 . qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.299] Estima-se.833].645 e logo Estatística Aplicada 85 . Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0. Nesse sentido.75 0. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.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.201.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.1% e 29.25 x0.25 − 1. 0. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0.25 x0.9%.p+c = 0. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.0.96 = n n 300 300 = [0.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.0.034. Resolução n=300 ˆ p= 75 = 0. verificando que 960 a conheciam. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.767.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.75 ˆ . que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20.25 − 1.

1% e 81.833 n 0.=Lim.833 ⇔ c = 2.6%.8 − 1.0. estima-se que o desvio . ˆ b) Amp.645 = n n 1200 1200 Estima-se.p+c = 0. com 90% de confiança.Inf. Com base num vasto conjunto de ensaios realizados no passado.2 = 2 *1.1) vem igual a 99. 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 = 2.86 1200 Logo 0.2 ˆ .2 = 0. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.8 − 1.-Lim.8 + c E D(2.86) na tabela N(0.Sup.8 x0.8 x0.781.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .0.Manual de Exercícios ˆ p−c = [0.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2. a que corresponde o nível de confiança utilizado Exercício 9 O gabinete de projectos de uma empresa de material de construção civil pretende estimar a tensão de ruptura do material usado num determinado tipo de tubos. = ( 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) 0.8 * 0. que a proporção de indivíduos conhecedores da marca se situa entre 78.2 0.645 * ≤ 0.padrão da tensão de ruptura do material em causa é de 70 psi.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.8 * 0.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.9%.645 . pretendendo-se que a sua amplitude não exceda 60 psi.

Resolução X segue N(µ.58 10 = [4530. Interprete o resultado obtido. 112) n=10 e logo X −c x =4537 σ=10. com 95% de confiança. seleccionados aleatoriamente a partir de um lote de grandes dimensões.Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos. usados por trabalhadores de uma empresa de construção civil.96 x10. 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 = 1.4537 − 1.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. que é respeitada. Recentemente.58 10 . Existe uma norma de 112 kg/cm2 em relação à variância.4543. a 95%. tendo sido obtida uma média de 4537 kg/cm2. O director comercial pretende saber qual o intervalo de confiança. Resolução a) n=50 ˆ p= 18 = 0. para o valor esperado da tensão de ruptura dos cabos do lote em causa.5 kg/cm2. que o tensão média de ruptura dos cabos se situa entre 4530. Defina esse intervalo.96 e logo Estatística Aplicada 87 .5] Estima-se. foram analisadas as tensões de ruptura de 10 cabos SCB-33R. Exercício 11 Uma amostra de 50 capacetes de protecção. e em 18 foram observados alguns danos.X +c σ n = 4537 − 1. a 95%. foram seleccionados aleatoriamente e sujeitos a um teste de impacto.96 x10.5 kg/cm2 e 4543.5.96 σ n . Construa um intervalo de confiança.

96 .64 ˆ .36 − 1.0.3%.36 x0.08 ⇔ n > 600 n n Estatística Aplicada 88 . que a proporção de capacetes que sofre danos se situa entre 22.7% e 49.36 − 1. isto é.Manual de Exercícios ˆ p−c = [0. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ). vem que: 2c ˆ ˆ p(1 − p) 0. com 95% de confiança. 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.5 = 2 * 1. 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.22695.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.36 x0.64 0.5 * 0.96 * < 0.p+c = 0.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.0.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos).= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.96 = n n 50 50 Estima-se.

A hipótese a testar denomina-se. em milímetros por ano. Nesta tomada de decisões. hipóteses essas que podem ou não ser verdadeiras. Exemplo: Registos efectuados durante vários anos permitiram estabelecer que o nível de chuvas numa determinada região. levando a optar pela hipótese alternativa H1. Desta forma. os testes de hipóteses podem considerar-se uma segunda vertente da inferência estatística. Estatística Aplicada 89 . tendo por objectivo verificar. de H0 ou de hipótese nula.5.100). justamente. O resultado do teste corresponde inevitavelmente a uma das duas respostas possíveis para cada questão: afirmativa ou negativa. segue uma lei normal N(600. Certos cientistas afirmavam poder fazer aumentar o nível médio µ das chuvas em 50 mm. as quais geralmente se baseiam em afirmações sobre as distribuições de probabilidade das populações ou sobre alguns dos seus parâmetros. a partir de dados observados numa amostra. a validade de certas hipóteses relativas à população. A essas hipóteses chamamos hipóteses estatísticas. com base em amostras das mesmas (decisões estatísticas). Nos testes de hipóteses.Manual de Exercícios 3. pois. O objectivo é verificar se os factos observados a contradizem. Isto é. utilizando depois a informação da amostra para confirmar ou rejeitar esse mesmo valor. Em ambos os casos corre-se o risco de errar. e ao contrário dos intervalos de confiança. 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%. Testes de hipóteses Todos os dias temos de tomar decisões respeitantes a determinadas populações. 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. 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. Uma das características do teste de hipóteses é. é útil formular hipóteses sobre as populações. admite-se ou avança-se um valor hipotético para o mesmo. a de permitir controlar ou minimizar tal risco.

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

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

pelo que a decisão é conservar H0 .83(3). isto é. considerar que o processo científico não produz efeitos. vem que P ( X > c / µ = 600) = 0. grandes valores de X são improváveis.83(3) X µ = 600 Os dados recolhidos indicavam X =610.83(3) Isto é. opta-se por H1 com probabilidade 5% de se estar a cometer um erro. conserva-se Ho. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654. Estatística Aplicada 92 . a Região Crítica deste teste. Se tal não acontecer. isto é.05 ⇔ P ( X −µ σ > c − 600 ) = 0.83(3) 3 A regra de decisão é.2 mm.05 ⇔ 100 9 n ⇔ c = 600 + 1. se o valor amostral fôr superior a 654.Manual de Exercícios Em princípio. sendo P(Rejeitar Ho / Ho) = α = 5%. por falta de provas suficientes para não o fazer. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. Logo. então. a seguinte: - rejeitar H0 em favor de H1. isto é.645 x 100 = 654. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654.

sendo o teste ideal o que minimiza simultaneamente ambos os valores. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. infelizmente. No entanto. mas que.Manual de Exercícios No entanto. Isto é. 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. Estatística Aplicada 93 . Existem também erros de 2ª espécie. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas. No entanto. tal não é possível. os erros incorridos não se ficam apenas pelos de 1ª espécie. de se cometer um erro de 2ª espécie. Supondo então que H1 é verdadeira (µ=650 mm). então vem que: X ∩ N (650. e como α e β se referem a realidades opostas e variam em sentido contrário. é possível alternativamente partir do princípio que é H1 que é verdadeira. isto é.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses. ou seja. O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β.83(3) / µ = 650) = P ( X −µ σ ≤ n 654.14) = 55. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654.1) ≤ 0.

quanto menor o erro de 2ª espécie. Esta é uma decisão certa. Logo.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. logo. maior será o valor da potência do teste e. em função da hipótese H1 Passo Nº 4: Fixar o nível de significância Passo Nº 5: Construir a Região Crítica em função do nível de significância Passo Nº 6: Cálculo (eventual) da potência do teste Passo Nº 7: Calcular a estatística da amostra Passo No 8: Tomar a decisão: rejeição ou não de Ho Estatística Aplicada 94 . < ou ≠ ). a potência do teste é variável. e é complementar do erro de 2ª espécie. maior a sua qualidade (diz-se que o teste é mais potente) . 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. não implica erro. Quando H1 é uma hipótese composta (>. dependendo do valor do parâmetro que não é fixo.

98 1. RC = ]− ∞.02 0. vem que P ( X < c / µ = 1) = 0.645 x c −1 ) = 0.01 0.97 1.00 Será que.0.99 0.9945 3 Logo.98 0. Suponha que X ∩ N ( µ . 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%.02 0. determinar a região de rejeição e aceitação.9945] ⇔ c = 1 − 1.05 ⇔ P ( X −µ σ < n 0.01 = 0.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.012 ) e que se conhece a seguinte amostra: 1.0.05 ⇔ 0.97 1. Seja X a variável que representa o peso de um pacote de arroz. Logo. sendo P(Rejeitar Ho / Ho) = α = 5%.01 9 Estatística Aplicada 95 .

9933 e é menor que o valor crítico 0. Neste caso.9945 +∞ Valor da amostra: 0.5 H1: p < 0.9945 para 0. rejeita-se Ho Ou seja. e 45% declaram-se favoráveis. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0.9922 0.5 Estatística Aplicada 96 . que de 0.9945. Reduzindo a probabilidade de isso ocorrer de 5% para 1%. consideraremos que não há qualquer anomalia na produção. aceitaremos Ho.9933 A única mudança será no Valor Crítico. ou seja. Faz-se um inquérito a 200 pessoas. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. pretende-se saber se metade da população é favorável à construção de um centro comercial.9922. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade.9933 Como o valor da amostra foi 0. considera-se que o arroz contido em cada pacote era inferior ao indicado. No entanto. Exercício 2 Numa cidade.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0.

5 0.5(1 − 0. 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%.442 200 Logo.442 Ou seja.45 0.0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.645 x Passo 6 ˆ p =0. Estatística Aplicada 97 . vem que ˆ P ( p < c / p = 0.5 − 1. sendo P(Rejeitar Ho / Ho) = α = 5%.45 0.45 é maior que o valor crítico 0.442] Passo 7 Como o valor amostral 0. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial. onde o cuidado deve ser trabalhar com grandes amostras.5) 200 ) = 0.5) = 0. determinar a região de rejeição e aceitação. Logo. não se rejeita Ho RR: Não construir o centro comercial RR: Parar a construção α=5% RA: Decidir pela construção -∞ 0 +∞ Valor amostral: 0.442.05 ⇔ ⇔ c = 0. RC = ]− ∞.5(1 − 0. essa margem não é suficiente para decidir deixar de o construir.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.5) = 0.

Ao fim de três meses.01 0.997. a um nível de significância de 1%. Da produção de determinado dia é retirada uma amostra de 49 pacotes. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores.998 > c = 0.012) n = 49 x = 0.01 ⇔ P ( X −µ c −1 c −1 ) = 0. a) Com 1% de significância.01.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg.997 0. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0. com desvio padrão 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 . que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ. é uma variável normalmente distribuída.01 σ ≤ n 49 49 Como x = 0. registando-se 45 fumadores. produzidos por uma fábrica. 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).01 ⇔ = −2. não pertence à região crítica. com peso médio de 0.998 Kg.326 ⇔ c = 0. é lançada uma intensa campanha anti-tabaco. 0. Pode-se afirmar. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos.

45 α = 1% H0: p = 0.5 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).5 ≤ ) = 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.45 − 0.01 ⇔ p(1 − p) 0.5 0. b) P( X ≤ 0. não pertence à região crítica.01 ⇔ P( ˆ p− p 0.5 (a campanha não surtiu efeito) H1: p < 0.384 ˆ Como p = 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.45 > c = 0.326 ⇔ n = 541 0. a 5% de significância.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0. com desvio-padrão de 20 horas.5 * 0.5 = −2. poder-se-á concluir.45 − 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.45 / p = 0.5 * 0.326 ⇔ c = 0.5 * 0.5 100 ) = 0.5 100 = −2.5 * 0.5) = 0.5) = 0.01 ⇔ c − 0.5 n n ⇔ 0.384.

A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0.645 ⇔ c = 232. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. 202) n = 18 1 18 x = xi = 237. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360. Foram registadas 5 medidas de temperatura de fornos regulados para 600º. não pertence à região crítica.05 > c = 232.360) n=5 Estatística Aplicada 100 . Exercício 6 Uma empresa de cerâmica tem.25 20 20 σ ≤ n 18 18 Como x = 237. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância. em dada secção.Manual de Exercícios Resolução X segue N(µ.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0.25. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados. 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 ⇔ = −1.

437 g.25. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 . se a afirmação do fabricante pode ser considerada verdadeira.96 18. a) O fabricante diz que o peso médio é de 160 g. não pertence à região crítica. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado).95 ⇔ c − 600 = 1.97 5 n Como x = 602 < c = 613.25) n = 100 x = 158. Foi recolhida uma amostra de 100 ovos.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) = 0.645 ⇔ c = 613. o verdadeiro peso dos ovos será menor.96.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0. pelo contrário. ou se. Teste. a um nível de significância de 1%. 90. cujo peso médio foi de 158.

6 * 0.437 − 160 90.6 H1: p < 0. Efectuando um inquérito junto de 600 leitores. numa região. até então nunca atingida por qualquer semanário.01 ⇔ c − 0.01 ⇔ P ( X −µ σ ≤ c − 160 90.79 9. Adoptando um nível de significância de 1%.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0. Estatística Aplicada 102 .437 > c = 157. 55% declararam adquirir.25 100 ) = 0.79.6 0. por hábito. pertence à região crítica.25 100 ) = α ⇔ F (−1. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira). o semanário em causa. não pertence à região crítica.5535.5535 ˆ Como p = 0.6 * 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.326 ⇔ c = 157. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama).55 < c = 0. b) P ( X ≤ 158.6) = 0.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158.6 0.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido.5 n 100 Como x = 158. de 60% de leitores que regularmente compram um jornal desse tipo.Manual de Exercícios P ( X ≤ c / µ = 160) = 0.01 ⇔ c −1 = −2.4 600 ) = 0.4 600 = −2.6 ˆ p = 0. pronuncie-se quanto à projecção que o semanário reclama. a percentagem.326 ⇔ c = 0. Resolução n = 600 H0: p = 0.

90 kg/cm ? Resolução a) X segue N(µ.061 − 4.645 ⇔ c = 5.9 0.95 kg/cm2.25 σ ≤ 0. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual). 0. não pertence à região crítica. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.5040 = 49.061 / µ = 4.9) = P ( X −µ σ > 5.0625 12 ) = 0. a) Poder-se-á afirmar.0625) n = 12 x = 4.061.18) = 0.061 0.18 H1: µ < 5. tendo-se obtido para a resistência média à compressão o valor de 4.95 α = 5% H0: µ = 5. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.18 c − 5.18 > c = 5.18 kg/cm2 e variância 0.01) = 1 − 0. a um nível de significância de 5%.18 = −1.05 ⇔ P ( X −µ c − 5.0625 (kg/cm2)2.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 5.6% n Estatística Aplicada 103 . As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.05 ⇔ n 12 Como x = 5.0625 12 ) = 1 − F (0.

Manual de Exercícios

Exercício 10

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

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

ˆ p = 0,6

α = 10%

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

ˆ p− p
p (1 − p ) n

c − 0,5

0,5 * 0,5 400

) = 0,9 ⇔

c − 0,5

0,5 * 0,5 400

= 1,282 ⇔ c = 0,53205

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

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

Estatística Aplicada

104

Manual de Exercícios

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

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

3.6.2 Fiabilidade de um sistema

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

Estatística Aplicada

105

Manual de Exercícios

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

(i) Associação em paralelo

Consideremos vários componentes redundantes e independentes:

1

2

3

4

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

∏q
i

i

Estatística Aplicada

106

é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva. Assim. com probabilidade de funcionamento p e de indisponibilidade q. as condições de funcionamento e de avaria para o sistema têm de ser definidos.Manual de Exercícios Veja-se que. por exemplo. (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante.77%. a funcionar).9 (p=0. Estatística Aplicada 107 . então a fiabilidade de um sistema deste tipo seria 94. no mínimo. 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. vai considerar-se de novo um sistema composto por quatro componentes em paralelo. a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. Se as componentes forem todas iguais. 2.9). a fiabilidade do sistema aumenta à medida que aumenta o número de componentes ligadas ao sistema (que representam como garantias de funcionamento adicionais). se todos os componentes tivessem fiabilidade 0. a probabilidade associada a cada um dos estados possíveis (1. Para o efeito. 3 ou 4 componentes. no caso de sistemas redundantes. isto é. para um nº mínimo de 3 componentes necessárias. 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.

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

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

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

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

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

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

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

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

considerando o nível de significância adoptado e os graus de liberdade GL ou d. Quando as frequências observadas são muito próximas das esperadas. no entanto. isto é. Na prática. consequentemente. (obtidos por (número de linhas-1)*(número de colunas-1)). o valor do numerador é pequeno.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. a frequência esperada é calculada pela multiplicação do total da coluna respectiva pelo total da linha a que pertence. o assume valores altos. * n. Estatística Aplicada 116 . que deverá ser calculada para cada célula da tabela. quando as discrepâncias são grandes. 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. dividindo-se o produto pela dimensão total da amostra: eij = n i . enquanto que as frequências esperadas são calculadas a partir destas. o valor do numerador passa a ser grande e. admitindo a hipótese de independência. quando há fortes discrepâncias entre o que de facto foi observado e o que seria de esperar sob a hipótese de independência. sob o pressuposto de que Ho é verdadeira.f. Ou seja. a variável de decisão assume um valor elevado e há motivos ou significância estatística para rejeitar Ho. No teste qui-quadrado compara-se o valor calculado com o valor crítico fornecido em uma 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 . 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. obtém-se da tabela de valores críticos da (ver página seguinte): Rejeita-se a hipótese nula se tabela. for maior que o valor crítico fornecido na Resolução: Como pode ser observado. pois cada aluno entrevistado foi classificado sob uma determinada categoria.Manual de Exercícios Tome-se o caso de GL (d.f. entre os 120 alunos incluídos no estudo há um número igual (60) que afirma usar e não usar drogas. Neste caso.) = 4: Para o nível de significância de 5%. a distribuição entre os vários cursos não ocorre de forma homogénea. No entanto.

se as duas variáveis fossem independentes.=1. concluindo-se que.7 4. Em média. 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.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. Vem que o obsv.7) com o valor do crítico. j n = 25 * 60 = 12.0 30 30. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni. * n. Estatística Aplicada 118 .0 60 120 Total 60 60 3. no grupo estudado. Por último.05).991 (cruzamento da linha 2 com a coluna 0. Ho deverá ser rejeitada.5 25 Farmácia 20 17. Para o cálculo do recomendam-se os seguintes passos: n i . que é 5. * n. Calcular as frequências esperadas eij = Por exemplo. compara-se o valor do observado obtido (1. a hipótese Ho não pode ser rejeitada.5 35 Biologia 30 30. não há associação entre as variáveis.5 15 17. Assim sendo.5 120 2.5 15 12. j n 1. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa). a proporção de alunos que usam ou não drogas não varia entre os cursos.7 é menor do que o valor obtido a partir da tabela.

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

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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.845 32.955 26.345 12.706 4.819 9.204 30.191 38.475 28 12.939 27.289 42.319 36.787 16.773 46.Manual de Exercícios 0.844 7.548 22.034 8.087 42.475 20.461 48.292 25.434 8.736 27.000 34.769 27.605 6.009 5.300 32.336 40.603 3.920 24.267 39.885 41.409 35.659 23.337 34.589 27.336 35.700 3.124 8.307 24.415 39.527 7.278 24.690 2.819 34.815 5.357 4.919 19.119 29.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.578 10.652 40.179 25 10.827 9.401 46.564 10.838 16.582 43.339 21.484 0.963 49.251 7.757 31.067 16.684 16.168 4.337 28.382 37.515 5.535 20.457 6.587 30.025 0.779 3.490 4.685 26.335 58.364 42.801 37.277 14.240 20.366 3.592 14.113 43.601 5.041 21.645 55.141 31.635 7.304 11.488 30.563 38.643 9.085 16.865 17.362 24.264 6.791 8.278 50.994 56.588 5.689 14.412 31.816 4.074 3.346 12.588 52.070 12.483 23.143 13.188 29.180 2.796 48.142 5.351 2.466 9.121 16.231 10.124 8.542 26.337 32.026 23.989 28.584 1.479 38.301 30 13.597 13.337 30.341 17.844 17.275 19.852 36.064 1.879 10.980 45.314 10.172 38.181 49.676 0.833 3.338 25.207 0.997 45.260 9.886 0.928 52.312 15.386 2.924 36.831 1.262 6.337 26.722 49.832 15.007 35.114 26.805 37.671 35.051 27 11.646 44.211 0.307 20.982 14.209 25.339 22.340 18.781 40.629 6.557 45.378 6.283 13.047 19.348 11.697 6.987 18.869 31.336 39.526 34.565 4.216 0.344 13.196 36.076 41.735 2.698 9.401 15.338 27.815 9.05 0.340 19.642 48.156 2.090 21.718 40.266 9.909 7.908 7.979 50.547 14.932 41.996 27.619 26 11.204 2.666 23.256 43.892 29 13.210 10.005 0.725 26.1 0.247 3.808 14.017 14.064 23.455 1.790 13.841 5.791 20.488 11.615 32.520 13.813 33.796 10.812 22.578 32.549 21.041 12.638 44.812 18.321 7.086 16.290 54.296 28.342 15.013 18.337 29.728 12.308 18.268 11.024 7.449 16.120 16.170 37.675 21.01 0.237 1.337 44.336 36.610 2.741 40.865 0.023 21.348 10.312 8.001 0.991 7.144 32.075 4.336 37.156 42.750 20.5 0.916 41.016 0.051 0.892 53.338 24.877 9.672 59.591 12.975 0.343 14.461 15.217 28.9 0.651 18.558 51.010 0.344 1.404 5.195 46.072 0.923 45.000 0.566 39.848 22.412 0.473 24.314 46.860 18.362 15.443 19.507 17.573 18.410 34.160 13.989 1.907 11.252 120 .265 6.338 23.236 11.191 33.645 12.688 29.001 0.599 29.337 33.768 28.

Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A)..Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0. 25 = 77. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%.. Resolução P(avaria) = 1-0.e maq 10 não funcionar) = 1 – 0. Quatro componentes de um sistema encontram-se associados de acordo com a figura junta.15*. B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona.8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 . Calcule a probabilidade do sistema estar em funcionamento.85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e.*0. 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D).15 = 1 (aproximadamente) 2.15*0...6531% = e −0.5 = 60. está instalado um sistema de 10 máquinas para utilização de cartão multibanco.

5 horas.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0. com um MTBF de 17 500 horas. 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 .0944% Logo.8% Exercício 3 Foram ensaiadas durante 3 000 horas. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.990944*0.606531*0. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.1 = 90. sem que se verificasse qualquer avaria.778801 = 46.171429 = 84.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0.25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0.904837)2 = 99. Calcule a fiabilidade do equipamento.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0. 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. P(sistema estar em funcionamento após 5 000 horas) = = 0.

9% Em 10.846x1000 lâmpadas = 846 Estatística Aplicada 123 . 0.1667 = 84. 1 .302 = 73. Resolução a) Rs = e − 3625 12000 = e −0.4% 4.6] horas.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.5).5) 2 = 23.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .5 x(6 / 4. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.5 6 0 − 1 − 4. no período de vida útil. como Y segue Po(1/4. estarão provavelmente em funcionamento após 2 000 horas de utilização.0.5 e dx = e 4. b) Quantas lâmpadas.P(falhar nenhuma) = 1 .5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.73910 = 1 – 0.5) MTBF = 4.0488 = 95.6% Logo.5 = 26.5)t = e-(6/4.12% b) Rs = e − 2000 12000 = e −0.5) = 26.4% 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.5 c) Y: nº de avarias no intervalo [0. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas. de um conjunto de 1 000. num conjunto de 10.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.6] horas P(Y=2) = e − − 6 4.

T2 e T3 se encontrarem avariados são.5% P(3 sem avarias) = 0. se um dos elementos avariar o sistema funciona com probabilidade 0.05=0. se mais de um elemento avariar o sistema não funciona.095+0.25 e que as avarias são independentes. T1.2 e 0. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.25+0.7.955)* 1 + (5*0.7 = 0.25 Estatística Aplicada 124 .51=60. sendo 0.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.15. No caso de nenhum elemento avariar o sistema funciona normalmente. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos.2*0. 0.85*0. 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) = 0.63% b) Bi(n=5. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.2*0.75+0.05)*0.15*0. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0.7738 + 0.8*0. indicando o valor médio de tal distribuição.25=9.8*0.85*0.05) Valor médio=5*0. colocados estrategicamente a fim de satisfazer adequadamente os utentes.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais. respectivamente.15*0. Resolução a) P(sist.954*0.5% P(2 sem avarias) = 0. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias.p=0.1425 = 91.

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 [49.8775 LSC = µ + = 50.1225 cσ n Como LIC + LSC = 100 vem que µ − Logo µ=100/2 = 50 Ω + µ+ cσ n = 2 µ = 100 Estatística Aplicada 125 . (0. Resolução X: resistência de um componente em Ω X ∩ N ( µ .1225 n=16 σ=0.530.8775 LSC: 50. se produzir um artigo defeituoso. 470] Nestas condições.25) 2 ) a) LIC = µ − cσ n cσ n = 49.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. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de. 50.

9399 donde 1 – 0.53 ≤ X ≤ 50.25 0.P(49.25 16 16 1 – P(49.25 0. Estatística Aplicada 126 . a amplitude do intervalo de controle para a média deve ser de 1.53 − 50 50.96.P(-1. vem D(1.95 = 5% c) P(produzir um artigo defeituoso.P( 49.P( 1 .96) = Na tabela da Normal.47 − 50 ≤X ≤ )= 0.8775 − 50 50.8775 ≤ X ≤ 50.88) = 0.88 ≤ X ≤ 1.P(-1.25 16 16 1.9399 = 6. SA” mantém um diferendo com os seus principais clientes.1225 sendo µ=50) = 1 .88) = Na tabela da Normal. a norma para a variância é de 4 e está a ser cumprida. 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.95 donde 1 – 0.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .96 ≤ X ≤ 1. vem D(1.47 sendo µ=50) = 1 . sendo a norma respeitada) = 49.96) = 0.01% Exercício 2 A empresa “TRADECHO. 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.1225 − 50 ≤X ≤ )= 0.

95 donde 1 – 0.90 20.96 ≤ X ≤ 1.Manual de Exercícios a) Determine a probabilidade referida.98 ≤X ≤ )= 2 2 16 16 1.3 • • • • •20.P(20-1.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.30 20. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .96/2 ≤ X ≤ 20+1.98 0.5 • • • • 19.P(-1.P( − 0.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ . vem D(1.15 • • • • • 19.05 19.96) = 0.96) = Na tabela da Normal.02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).00 20.96/2 sendo µ=20) = 1 .95 = 5% b) e c) Média Amostral (cm) 20.90 • • • • • 20 • • • •20. Estatística Aplicada 127 .

P( 983. a partir de uma amostra de dimensão 100: [983. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.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).645) = Estatística Aplicada 128 .45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.P(983.55 cσ = 1016.45 − 1000 ≤X ≤ )= 100 100 100 100 1.45 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 .645 ≤ X ≤ 1. 1016.45 sendo µ=1000) = 1 .P(-1. Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.55 ≤ X ≤ 1016.55. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .55 − 1000 1016. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.

Assim. b) Calcule a norma.8 milhares de horas a amplitude do intervalo não deve exceder 1. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ . ( 4) 2 ) cσ n a) LSC = µ + = 10.Manual de Exercícios Na tabela da Normal.96 ⇔ n ≥ 64 1. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas. procede à verificação da produção de energia Estatística Aplicada 129 .96 2 cσ n ≤ 1.96 * 4 n ≤ 1.96 * 4 64 b) LSC = µ + = 10.8 logo µ = 10. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.8 - = 9. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série.82 Exercício 5 O director de produção da empresa DISLIX. Para tal.8 D(c)= 5% logo c= 1.96 logo 2 cσ n 1. definiu com o director de produção os aspectos considerados relevantes no controle da duração média das componentes: - o limite superior de qualidade (LSC) deve ser de 10. vem D(1.645) = 0.9 = 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.9 donde 1 – 0.

92 logo 2 1.92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.96 LSC = µ + = 10 + 1.96 * 4 16 16 = 8.04 = 11. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.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. ( 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 LIC = µ − cσ n cσ n • • • = 10 − 1. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .96 * 4 Estatística Aplicada 130 . b) Represente a carta de controle para a média.96 2 cσ n ≤ 3.96 * 4 n ≤ 3.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.

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

Manual de Exercícios de segmentar o mercado. O número de aprovações foi de 33. dos quais 20 não tinham prestado qualquer prova durante o ano. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação.8 285 233. considerado razoável face aos valores normalmente utilizados. Estatística Aplicada 132 .2 376 Refrigerante 186 237.8 164 186. α=0.991 observado = 31. Assim sendo.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2.4 528 557.=31. Para o cálculo das frequências esperadas. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568.05). j n . procedeu-se à aplicação de eij = n i . concluindo-se que.141 Vem que o obsv. das quais 3 foram de alunos que não tinham efectuado provas durante o ano.141 é maior do que o valor obtido a partir da tabela. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos. a hipótese Ho será rejeitada.6 1126 Preço Baixo 212 189. Em média. * n. para os quais se convencionou a adopção de um nível de significância de 5%. o poder de compra do consumidor influencia a sensibilidade ao preço. há associação entre as variáveis.991 (cruzamento da linha 2 com a coluna 0. que é 5.05)=5. no grupo estudado.

construiu-se a seguinte tabela de contingência.122 é menor do que o valor obtido a partir da tabela. Logo. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 . a hipótese Ho não será rejeitada (há independência).05)=3. com base nestes elementos. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol. α=0. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui.Manual de Exercícios Diga. 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.= 3.84 observado = 3. se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame.122 Vem que o obsv. para um nível de significância de 5%. se.

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

concluindo-se que há associação entre as variáveis.33 43. Moeda 0-10 10-45 45-70 Reduzida 72. teste = Vem que o (150 − 113. α=0.= 85.33) 2 (80 − 43.84 113. procedeu-se à recolha periódica de elementos sobre essas variáveis. + = 85. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.05)=5.069 é maior do que o valor obtido a partir da tabela.5 75 Estatística Aplicada 135 .33 6.5 130.5 87 Média 115 207 138 Elevada 62.66 43.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113.069 Valor obsv. construindo-se a seguinte tabela de contingência: Taxa juro Proc.33 obsv.069 > 3. a hipótese Ho será rejeitada.5 112..33) 2 + .. est.66 Elevado 86. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro. 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%.33 crítico (GL=1.991 observado = 85. Assim sendo.

Assim sendo.05)=9. Estatística Aplicada 136 .= 1183.= 30 é maior do que o valor obtido a partir da tabela.Manual de Exercícios crítico (GL=4. 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.05)=3.7 é maior do que o valor obtido a partir da tabela. Assim sendo. A. α=0. concluindo-se que há associação entre as variáveis. B e C.49 observado = 1183. α=0. a hipótese Ho será rejeitada. Exercício 6 Um investigador seleccionou três amostras de estudantes.7 Vem que o obsv. 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%. 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. concluindo-se que há associação entre as variáveis. a hipótese Ho será rejeitada.

Sign up to vote on this title
UsefulNot useful