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

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

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

1.1. 1. As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. Exemplo: Empresas existentes em Portugal 1. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada.1. número de trabalhadores (atributo quantitativo discreto). Processo de amostragem Para conhecer de forma completa a população. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo). As variáveis podem ser de natureza qualitativa ou quantitativa. podem efectuar-se: Estatística Aplicada 5 . Definições Gerais 1. Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos. etc 1.1. População Fazer estatística pressupõe o estudo de um conjunto de objectos bem delimitado com alguma característica em comum sobre os quais observamos um certo número de atributos designados por variáveis. rácio de autonomia financeira (atributo quantitativo contínuo). As variáveis discretas assumem apenas um número finito numerável de valores. Está ligada essencialmente ao cálculo de medidas e coeficientes.2.3. cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade.1.

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

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

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

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

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

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 .).Manual de Exercícios 1.4. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda.4. 2.e relativas .Fi) acumuladas.. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é. classe modal. . Também é possível calcular as frequências (absolutas – Ni . Como as classes podem ter amplitudes diferentes. agrupados numa tabela de frequências) Variáveis discretas x = 1 n n i =1 ni x i = n i =1 f i xi Média ponderada dos valores de X Dados classificados (isto é.. sobretudo pela sua facilidade de cálculo. 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. Média ( X ) É a medida de localização mais usada. Medidas de localização 2.1. 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.

é preferível recorrer à informação complementar fornecida por outras medidas de localização. mas a partir da posição dessas observações. a média é muitas vezes utilizada como valor representativo da amostra. 2. geralmente. então fala-se em intervalo mediano. Nestes casos. que se definem a seguir. como a moda e a mediana. + lim . xn Se n fôr ímpar. .. Em casos desses. x2.. a média deixa de ser um valor que aparece na parte central da distribuição para ser “empurrada” para os extremos. a média tem o grande inconveniente de ser sensível a valores muito extremados ou aberrantes da distribuição (outliers).2. entendido como o valor em torno do qual se distribuem os valores observados. Me = x n+1 2 Se n fôr par. Desta forma.Manual de Exercícios onde ci é o ponto médio de cada classe ( lim . Mediana (Me) A mediana não se calcula a partir do valor de todas as observações.5 Variáveis discretas Se existe um valor de xi para o qual Fi = 0.4. ) 2 A média é uma medida de localização que. inf . indica o valor central da distribuição. No entanto. sup .5. Estatística Aplicada 12 . xn + xn Me = 2 2 +1 2 Dados classificados A mediana é o valor tal que Fi = 0. Dados não-classificados Se tivermos n valores x1.

5... Estatística Aplicada 13 ..99. isto é.75..5.0. classe mediana FL sup − FL inf 2. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe..0.5. Medidas de ordem Tal como se definiu para a mediana...5.3.2. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo.02.1.5 − FL inf xamp. isto é. chama-se ao quantil QUARTIL (Q1. 2.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0.. 0. Se p=0. então a mediana é o primeiro valor para o qual Fi > 0. determina-se o valor para o qual Fi = 0. é o valor mais frequente da distribuição. Q2 e Q3).4. Variáveis contínuas Em geral. 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. 0.01. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. 0. 0.25. chama-se ao quantil percentil Se p=0. De uma forma geral: Me = L inf + 0. chama-se ao quantil decil Se p=0. é a classe a que corresponde maior frequência por unidade de amplitude.9.5 através de uma regra de três simples.

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

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

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

e permitem comparar dispersões entre duas amostras. como a repartição do rendimento ou a distribuição de salários. salários. Se o atributo estiver igualmente repartido pelos indivíduos. O objectivo é determinar como o atributo (rendimento. que apenas medem a dispersão dos valores em relação a um ponto. isto é. peso. temos uma situação extrema de máxima concentração. pois não são sensíveis à escala (eventualmente diferente) em que as variáveis estejam expressas. O fenómeno de concentração está relacionado com a variabilidade ou dispersão dos valores observados. Em geral. 2.1 Curva de Lorenz Estatística Aplicada 17 .8.Manual de Exercícios Coeficiente de variação CV = s x100% x Outras medidas Q3 − Q1 Q2 Estas medidas não estão expressas em nenhuma unidade. temos uma situação extrema de igual distribuição. interessa medir o grau de concentração em situações intermédias. a análise de concentração não se aplica a idade. 2. número de empresas) se distribui (se de forma mais ou menos uniforme) pelos diferentes indivíduos da amostra (que devem ser susceptíveis de serem adicionados. Análise da concentração A noção de concentração apareceu associada ao estudo de desigualdades económicas. etc). altura.8. Para analisar a concentração. apesar de não poder ser analisado através das medidas de dispersão atrás descritas. existem dois instrumentos: a Curva de Lorenz e o Índice de Gini. e vice-versa de o atributo estiver concentrado num só indivíduo.

acumul. O valor de G varia entre 0 e 1.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. Nesse caso. x2[ [x2. e quanto maior o seu valor. maior a concentração.relativa Proporção atributo acumuladas atrib. xn[ Total ni n1 nj nn n Quantidade Freq. havendo igual repartição. Estatística Aplicada 18 . A curva que os une é a curva de Lorenz. pi=qi. a curva de Lorenz coincide com a diagonal do quadrado. Se houver igual distribuição.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. por isso. a frequência das observações deve ter uma evolução igual à proporção do atributo correspondente.1). x4[ [xn-1.1) por (0. que é designada de recta de igual repartição. x3[ [x3.qi) pertencem ao quadrado (0. a concentração é nula. a concentração será máxima. yi p1 q1 yj yn pj pn=1 qj qn=1 Os pontos (pi.8. isto é. Caso o valor de G seja 1. de zona de concentração. Quanto mais a curva se afastar da recta. 2. A zona entre a diagonal e acurva de Lorenz designa-se. maior é a concentração.

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

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

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

15[ [15. 5[ [5. 50[ Total Frequência. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente.2 0. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz.18 0.04 0.1 0.06 0.Manual de Exercícios ESTATÍSTICA DESCRITIVA Exercícios resolvidos Exercício 1 Considere a distribuição de 1000 empresas de um sector de actividade segundo os resultados líquidos (em milhares de u.): Resultado Líquido [0. Faça a sua representação gráfica.16 0.m. Resolução a) fi/hi 0.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 .08 0. e) Analise a (as)simetria da distribuição em causa. 3[ [3. 25[ [25. Determine a mediana da distribuição. d) Determine os quartis da distribuição. 1[ [1.12 0. b) Determine a média e a moda da distribuição.14 0.

1[ [1.6 0. e 5000 u. 5[ [5...7 Estatística Aplicada 23 . 5[.5): [3.5 x10%) + (2 x 25%) + . + (37. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.01 0. o maior valor de fi / hi é 0.m. Neste caso.002 Fi 10% 35% 70% 85% 95% 100% ci 0. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0.5 2 4 10 20 37.5 x5%) = 7.35 5 : Fi = 0.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0. 3[ [3.125 0.1 0.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0. 5[ 3 : Fi=0.325 Em média. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u.Manual de Exercícios [0.175 0. 25[ [25. 15[ [15. o resultado líquido de uma empresa é de 7325 unidades monetárias.015 0. isto é. correspondente à classe [3.4 0.m.8 0.175. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.

35 .1 -----------.15) = 8.5 .3 .15)/0.0.333 − 3.35) = 3.m.1 0. Estatística Aplicada 24 .75 – 0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.Manual de Exercícios Cálculo da mediana: 0.857) − (3.7 -------------.2) = = 0.05)/0. 15[ 5 : Fi=0.1 3 : Fi = 0.2 A distribuição é assimétrica positiva ou enviesada à esquerda.35 Cálculo do Q1: 0.1 -------------.Me – 3 Me = 3 + ((2x0.333 − 2.5 0.15 .333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.7 15 : Fi = 0.75): [5.857 − 2.m.m.4596 > 0 Q3 − Q1 8.0.15)/0.7 -----------.5 – 0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.35 -----------. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.857 50% das empresas apresentam resultados líquidos inferiores a 3857 u. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.85 .0.25 – 0.85 Cálculo do Q3: 0.35 -------------. 3[ 1 : Fi=0.25): [1.Q3 – 5 Q3 = 5 + ((10x0.Q1 – 1 Q1 = 1 + ((2x0.7 .3 0.25) = 2.

35 + 0. 1[ [1.6 0.1 0. referente aos lucros obtidos por empresas de um dado sector industrial. Por exemplo. 15[ [15.7 + 0.Manual de Exercícios f) X [0. 70% das empresas apresentavam resultados até 5000 u. expressas numa determinada unidade monetária.007) + .95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0.6% do total de resultados das empresas da 0.5 Atributo 100x0.744) = 0.8 0.85 + 0.2 0.95 1 qi 0..471 0.1 + 0.744 1 50 + 500 + 1400 7325 Res.Totais G= (0. + (0.4 amostra.075 0. 3[ [3.6 0.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.4 0.Liq. 0 0 0.. mas em que cada uma tem baixo resultado líquido.5 corresponde ao centro da escala possível. 5[ [5. mas isso representava apenas 26. entre 0 e 1).85 0.266 0. Estatística Aplicada 25 .7 0. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0. o que sugere um tecido empresarial com muitas PMEs.2 0.5 2 4 10 20 37. Analise a concentração através do Índice de Gini e da Curva de Lorenz..8 1 Exercício 2 Considere a seguinte amostra de dimensão 200.47 0.95 − 0.007 0.35 0. 25[ [25.m.1 − 0.

pelo Método dos Mínimos Quadrados.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0.25 Tanto pela análise da Curva de Lorenz. 300[ [300.4 0.4 0.883(3) 1 Curva de Lorenz 1 0. encontrandose os valores razoavelmente repartidos.6 0. 50[ [50.2 0 0 0. uma função linear que exprima as peso em função da altura. conclui-se que esta amostra apresenta concentração moderada. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.Manual de Exercícios Resolução Lucros [0.63(3) 0.02 0. c) Ajuste. a) Represente o diagrama de dispersão.16(6) 0. como pelo valor do Índice de Gini.8 0.95 1 qi 0.8 0.243 2. Estatística Aplicada 26 . 100[ [100.2 0.1 0. b) Analise a correlação existente entre peso e altura.4 0. 200[ [200.546(6) = 0.6 0.

Manual de Exercícios Indivíduo A B C D E F G H I J Resolução Peso (kg) 72 65 80 57 60 77 83 79 67 68 Altura (cm) 175 170 185 154 165 175 182 178 175 173 Diagrama de Dispersão 190 a) 180 Altura (cm) 170 160 150 50 60 70 Peso (kg) 80 90 b) No exemplo.90681871. c) 190 Recta de Regressão 180 Altura (cm) y = 0.9016x + 109.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 . quase perfeita. isto é. r = 0. existe uma correlação positiva forte entre as duas variáveis.

uma função linear que exprima as vendas em função das despesas em publicidade. Estatística Aplicada 28 . a altura esperada será de 109. c) Ajuste.9016 cm.m.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6.9408 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.472.429 < CV y = sy y = 11.714 2 1 = n (xi − x ) = 69.9016 x 70 = 172.36 + 0.Manual de Exercícios A equação desta recta traduz-se em Altura = 109. espera-se que a altura do indivíduo aumente 0. b) Analise a correlação existente entre volume e custo de produção.495 6.9408 = = 0. Por cada kg de peso adicional.714 A dispersão das despesas em publicidade é superior à dispersão das vendas.9016 x Peso Isto é. pelo Método dos Mínimos Quadrados.) 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. Resolução a) Para comparar a dispersão das duas distribuições.0651 = 0. 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 = 21.39 x 21.0651 CV x = sx 69. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u.36 + 0. se um indivíduo pesar 70 kg.

98 69. + (35 − 21.714)] 7 = = 0. Public.8782 Vendas 20 10 0 3 8 Desp..9408 x 11. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso. Recta de Regressão c) 30 y = 2. quando as despesas em publicidade aumentam (diminuem).4649x + 4. No quadro abaixo. as vendas aumentam (diminuem) de forma quase exactamente proporcional.. Em média.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 .0651 Existe uma correlação positiva linear forte entre as duas variáveis.429)(13 − 6. encontram-se as ordenações desses 10 estudantes segundo as classificações obtidas em cada uma das provas: Aluno A B C D E F G H I J Estatística Aplicada Prova inicial Rix 1 3 2 5 7 8 9 10 6 4 Prova final Riy 1 2 3 4 6 8 7 9 10 5 di Rix .429)(3 − 6.714) + .Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21.

50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente. c) Determine os três primeiros quartis. 1[ [1.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). 15[ [15. 1[ [1.) de 2500 famílias da população de um país: Rendimento anual [0. 25[ [25. 15[ [15. 25[ [25. os alunos que tiveram boa nota na prova inicial tiveram.5 1. igualmente boa nota na prova final.5 10 20 37. em média. 5[ [5. 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. 5[ [5.5 30 Estatística Aplicada . Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u. Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. 2[ [2. 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. mas sim das ordenações das classificações (do 1º ao 10º classificado). b) Determine o rendimento médio e mediano. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0.5 3. 2[ [2.m. isto é.

25)/0.8 0.3) = 13. + (37..5 -----------.2 0 0 10 n i =1 20 n i =1 30 40 50 60 70 80 90 100 b) x = 1 n ni c i = f i ci = (0.m.25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u.Q3 – 5 Q3 = 5 + ((10x0.6 0. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).5): [2.5 0.8 Cálculo do Q3: 0.75): [5.15 .. Estatística Aplicada 31 .0.25): [1.Manual de Exercícios 1 0.8 .5 x10%) + (1.025 Em média. Classe mediana (classe a que corresponde uma frequência acumulada 0.5.5 15 : Fi = 0.4 0. 5[ 5 : Fi = 0.m. Logo. o rendimento anual de uma família é de 9025 unidades monetárias. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. 2[ 3 : Fi = 0.5 -------------. 15[ 5 : Fi=0.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.5 x5%) = 9.5 x15%) + . c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.75 – 0.

7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.1274 0. 80[ [80.286875 2 s x = s x = 82.286875 = 9.6 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 [60.071 e) Rendimento anual [0.8 15.18436 = 0.5 1.4555 2.5 22562.5 pi (=Fi) 0. 350] Total Frequência. 160[ [160.5 3. 5[ [5. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82.5 Rend.1 5.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda.00554 0.2 8.95 1 qi 0. 200[ [200. 300[ [300. 100[ [100. 140[ [140.5 7500 7500 4687.5 7.8 0.25 0. 25[ [25. 2[ [2.5 10 20 37. 1[ [1.47 > 0 Q3 − Q1 13.5 0.4 2. Relativa (%) 7.46 0.1 0. 120[ [120. total 125 562.2 31.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13. 15[ [15.333 − 5) − (5 − 2) = = 0.0305 0.0 100 Estatística Aplicada 32 . 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.6 3.2 19. 250[ [250.5 2187.

100 Q2 = 100 + ((20x0. Estatística Aplicada 33 .7 80.3 milhares u. 250[ [250.0.23 -----------.1 5. Relativa (%) 7.312) = 117. b) Analise a dispersão da distribuição em causa.8 15.m.02)/0.2 8. c) Analise a assimetria da distribuição em causa. 80[ [80. 120[ 100 : Fi=0.312) = 101.28 25% dos empregados auferem remunerações inferiores a 101.Q2 .2 31. 120[ 1 : Fi=0.27)/0.Q1 .542 .5 7.4 2.2 73.5 .23 -----------.100 0.120 .23 -------------.23 3 : Fi = 0.3 50% dos empregados auferem remunerações inferiores a 117.m.Manual de Exercícios a) Calcule os quartis da distribuição.100 0.542 .8 23 54.6 3. 200[ [200.23 120 : Fi = 0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.9 89 94.25 .542 Cálculo do Q2: 0. 300[ [300.0 100 Fi (%) 7.0. 100[ [100.542 Cálculo do Q1: 0.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.100 Q1 = 100 + ((20x0.23 -------------.0. 120[ [120.28 milhares u.25): [100.120 .5): [100. Resolução a) Remuneração [60. 350] Total Frequência.0.2 19. 160[ [160. 140[ [140.

no decurso de um teste. 306] Total Frequência. 299[ [299.Q3 . 302[ [302.013)/0. 298[ [298. 160[ 120 : Fi=0.737 -----------.61(1) 75% dos empregados auferem remunerações inferiores a 143. b) Amplitude do intervalo inter-quartis = Q3 . 304[ [304.140 Q3 = 140 + ((20x0. b) Calcule as frequências acumuladas e represente-as graficamente.072) = 143.101.3 − 101. expresso em gramas.75 – 0.140 0. do conteúdo de uma série de 100 garrafas que. 301[ [301. 303[ [303.m.243 > 0 Q3 − Q1 143.28 = 42.0.160 .Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.809 .33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143.809 Cálculo do Q3: 0. 305[ [305. 300[ [300.737 140 : Fi = 0.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda.61 − 117. saíram de uma linha de enchimento automático: Peso (em gramas) [297.61 − 101.28) = = 0.737 -------------.75): [140.3) − (117.61(1) .Q1 = 143.61(1) milhares u. Exercício 8 Os dados seguintes referem-se ao peso. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima. Estatística Aplicada 34 .

305[ [305. + (305.8 0.5 x 21%) + .2 0. 304[ [304. Resolução a) 0.25 0. e) Analise a dispersão do peso das garrafas.11 O peso médio das garrafas é de 300. mediano e modal.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297. Estatística Aplicada 35 .. 301[ [301.4 0. 299[ [299.11 kg.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. 300[ [300.Manual de Exercícios c) Determine o peso médio.. 298[ [298.15 0.5 x1%) = 300. 303[ [303.3 0. 302[ [302.1 0. Qual o seu significado? d) Determine os quartis da distribuição. 306] Total F* 1 0.5 x8%) + (298.6 0.

75 50% das garrafas têm peso inferior a 299. Neste caso.0357 kg.299 0.0.299 0.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0. Estatística Aplicada 36 . isto é. 300[ 299 : Fi = 0. 300[.28) = 299. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.21)/0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.75 – 0.25): [298.57 Cálculo do Q2: 0.0.27(27) 75% das garrafas têm peso inferior a 301. 302[ 301 : Fi=0.57 .11) = 301. A classe modal é aquela a que corresponde maior frequência relativa.302 .5 .83 Cálculo do Q3: 0.298 .0.08 -----------.25 .300 .21) = 299.301 0.29 -----------.0357 25% das garrafas têm peso inferior a 299.29 Cálculo do Q1: 0.08 -----------.17)/0. o maior valor de fi é 0.75): [301.29 .08 299 : Fi = 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.83 .03)/0. 299[ 298 : Fi=0.27(27) kg.299 Q1 = 299 + ((1x0.Q1 .28 correspondente à classe [299.72 -------------.0.72 -----------.Q3 .301 Q3 = 301 + ((1x0.299 Q2 = 299 + ((1x0.Q2 .72 302 : Fi = 0.75 kg.5): [299.29 300 : Fi = 0.0.29 -------------.

05 0. 1.45 1. 1.8 1.55.5.6 3.1 0. b) Determine a altura média e a altura modal.37 0.4 1. 1.1 0. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.6.05 0.65.Q1 = 301.25 0.05 0.67 0. 1.5[ [1.05 0.75. 1.7.4 4 2 0.5 1.6 1. 1. Resolução a) Altura (em metros) [1.8[ [1.12 0.7 1.55[ [1.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.5 0. 1.575 1.9 Estatística Aplicada 37 .02 0.675 1.03 1 ci 1.65[ [1.8[ [1.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .299.1 fi/hi 0.625 1.27(27) .525 1. 1.725 1.5.13 0.02 0.8.6[ [1.0357 = 2.7.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.75. e) Analise a dispersão da distribuição.65.1 0.97 1 6 5 4 3 2 1 0 Histograma 1.65[ [1. d) Determine os quartis da distribuição e diga qual o seu significado. 1.55[ [1.75[ [1.55. 1. 1.17 0.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.6.2 0. 1.4.8. 1. 1.7[ [1.05 0.05 0.6[ [1.7[ [1. 1.75[ [1. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1.775 1.87 0.3 Fi 0.2 2 5 2.5[ [1. f) Analise a (as)simetria da distribuição.4.85 hi 0. 1.

1. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.75): [1.6 1.55 + ((0.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.7 : Fi=0.87 Estatística Aplicada 38 . 1.45x 2%) + (1.6.4 1.5 1.25): [1.25 – 0.6 0.6m.85x3%) = 1.6[ 1.6 – 1.7.12 -----------.55 : Fi=0. a altura mais provável de um aluno rondará 1.65 A altura média dos alunos é de 1.12 1. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude. Neste caso.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1.3 1.5): [1.1.75[ 1.5 50% dos alunos têm altura inferior a 1. 1.8 1.65 m.37 Cálculo do Q1: 0.55 Q1 = 1.75 : Fi = 0.Q1 – 1.6 : Fi = 0.65 : Fi = 0.65 m.6[.05x0.55 0.576 25% dos alunos têm altura inferior a 1.. + (1..67 1.55.8 0.55m / 1.4 0.12 -----------.7 1.13)/0.55. c) F* 1 0.65[ 1.25) = 1.576 m.525x10%) + . correspondente à classe [1. isto é. o maior valor de fi / hi é 5. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.2 0 1. 1.37 – 0.

72 − 1.72 75% dos alunos têm altura inferior a 1.67-----------.65 − 1. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.Manual de Exercícios Cálculo do Q3: 0.08)/0.Q1 = 1. 20[ [20.576 = 0.87.027(7) < 0 = Q3 − Q1 1.65) − (1.67-------------.0.00536875 2 s x = s x = 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. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .7 Q3 = 1. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica). 30[ [30.7 + ((0.1.75 – 0.2) = 1.7 0.75 – 1.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.72 – 1.00536875 = 0.576) = −0. b) Determine a duração média das chamadas e respectivo desvio-padrão.Q3 – 1. e) Amplitude do intervalo inter-quartis = Q3 . 5[ [5.72 − 1.05*0.72 m. Exercício 9 Em determinada central telefónica. 10[ [10.

50] Total fi/hi 0. 10[ Estatística Aplicada 40 .4 0.5 x30%) + .1 0.00536875 = 9.7 minutos.35 A duração média de uma chamada é de 9. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.4 0. 5[ [5.002 Fi 0.04 1 Histograma hi 5 5 10 10 20 fi/hi 0. com desvio-padrão de 8.4525 2 s x = s x = 0.7 0.006 0.04 0. 20[ [20.025 c) Classe mediana (classe a que corresponde frequência acumulada 0.. 10[ [10.6 0.3 0.5 7. Compare.06 0.4 0. quanto à dispersão.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.35 minutos.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 = (2.06 0.06 0.5 x 40%) + (7.02 0 0 F* 1 0..08 0.9 0.02 0. Resolução a) Duração (em minutos) [0. + (40 x 4%) = 9. 30[ [30.8 0.96 1 ci 2.2 0.08 0.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.

5 0.5 Me = 5 + ((5x0..0.3)(3800 − 2708. 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.3)(3100 − 2708.4 10 : Fi = 0.4 -----------.3) = 6. uma função linear que exprima o custo em função do volume de produção..35 CV2001 = sy y = 8.7 = 0.98 520854x 1145944 Correlação positiva quase perfeita.5 . pelo Método dos Mínimos Quadrados.965 > x 9.67 50% das chamadas têm duração a 6. + (2000 − 1358.67 minutos.3) + .7 Cálculo da Me: 0. Estatística Aplicada 41 .Manual de Exercícios 5 : Fi = 0.1)/0.0.7 . Resolução a) r = s xy s xx s yy 1 [(1500 − 1358. d) CV Dez = s x 9.10 .87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.4 -----------. b) Ajuste.Me .3)] = 12 = 0.025 = = 0.

b) Ajuste.4 − 0.8 1.4553x + 731.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.0 0.9 − 0.7)(0.92)] =9 = 0.096933 Correlação positiva moderada. + (81 − 121.4 a) Analise a correlação existente entre aqueles dois indicadores..3 0.9 1.332 x 0. Estatística Aplicada 42 . uma função linear que exprima a variável EPS em função de PBV.. pelo Método dos Mínimos Quadrados.9 1.6 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. Resolução a) r = s xy s xx s yy 1 [(191 − 121.7 0.61 3669.7)(0.5 0.8 0.92) + .

2 0.4 1.8 PBV 1 1. pelo Método dos Mínimos Quadrados.6 0.m.Manual de Exercícios b) 250 200 150 100 50 0 0 0. Estatística Aplicada 43 .04x + 7.4 0. b) Ajuste. 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.6 y = 124.) 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.2 1.

986 Correlação positiva forte. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.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 = 0.801 Rendimento Estatística Aplicada 44 .2604x + 22.

104 Introdução ao e-learning .

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

isto é. para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces. 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 . 1 Definidos como conjuntos.Manual de Exercícios (i) (ii) (iii) poder repetir-se um grande número de vezes nas mesmas condições ou em condições muito semelhantes cada vez que a experiência se realiza. num lançamento de um dado ordinário tem-se que o espaço de resultados é { . 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos. O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória. aos acontecimentos é aplicável toda a construção disponível para aqueles.5.4. Por exemplo. outros como “saída de um número ímpar” definido pelo subconjunto { . mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares.2. no lançamento de um dado podem definir-se.5}.3.6}. 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. Por exemplo. o de espaço de resultados.3. existe um paralelismo perfeito entre álgebra de conjuntos e álgebra de acontecimentos: (i) (ii) (iii) (iv) O acontecimento que contem todos os elementos do espaço de resultados chama-se acontecimento certo O acontecimento que não contem qualquer elemento do espaço de resultados chama-se acontecimento impossível Dois acontecimentos são mutuamente exclusivos se não têm em comum qualquer acontecimento do espaço de resultados A união de dois acontecimentos A e B representa-se por A ∪ B e é formado pelos elementos que pertencem a pelo menos um dos dois. obtém-se um resultado individual. que não sei mais que subconjuntos do espaço de resultados.

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

3.45 0.02 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.8 1.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”. 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”. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão. numa outra perspectiva.2. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”. sabendo que ocorreu o acontecimento “ser obeso”.2 0.53 Magro 0.15 0. a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta.2 0. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0.25 Normal 0. Repare-se que este quociente resulta da divisão entre a probabilidade de uma pessoa ser hipertensa e obesa e a probabilidade de uma pessoa ser obesa. Por outras palavras. 0.4 .1 = 0. Estatística Aplicada 48 .08 0. a da chamada teoria frequencista.1 0. convém ainda referir que.22 Total 0. isto é 0.Manual de Exercícios Após a apresentação desta definição.

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

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

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

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

a equação será: Z= X −µ σ que corresponde a uma distribuição normal estandardizada (0. e pode considerar-se como estabelecida pela experiência prática. Estatística Aplicada 53 .Manual de Exercícios (iv) Lei Normal A lei Normal tem como parâmetros caracterizadores a média µ e o desviopadrão σ. os valores observados têm uma determinada tendência central e uma determinada dispersão em torno da tendência central.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. a qual é caracterizada por uma curva de Gauss: Esta distribuição apresenta 99. Isto é. 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.1) com os valores tabelados. mas a curva normal é a forma de distribuição mais frequente nos processos industriais para características mensuráveis.

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

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

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. 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 .Manual de Exercícios PROBABILIDADES Exercícios resolvidos Exercício 1 De um baralho ordinário (52 cartas) extrai-se ao acaso 1 carta.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.

15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2. 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) = 9.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0. A e B: 5.15 = 5% c) P(A ∪ B) = P(A) + P(B) . B e C: 6%.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.8%.1%.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0.15 + 0. B: 22.4% Escolhe-se uma pessoa ao acaso.2 + 0.1% P(B) = 22.Manual de Exercícios a) B falhar b) falhar apenas A c) falhar A ou B d) não falhar nem A nem B e) A e B não falharem simultaneamente Resolução A: o subsistema A falha B: o subsistema B falha P(A)=20% P(B-A)=15% P(A ∩ B)=15% a) P(B) = P(B-A)+ P(A ∩ B) = 0. B e C. B e C: 2.2 – 0.P(A ∩ B) = 0.7%. A. A e C: 3.7% P(C) = 12.8% P(A ∩ B) = 5.9%. C: 12.9% P(A ∩ C) = 3.4% Estatística Aplicada 57 . com as seguintes percentagens de leitura: A: 9. A.3 – 0.1%.

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

A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2.02 Estatística Aplicada 61 .3P( M 2) * 0. 2 = P(M2)*10000 = ? Prod. 3 = P(M3)*10000 = ? P( M 1) = 0. A incidência de defeituosos na produção de cada máquina é: M1: 3% M2: 1% M3: 2% Extrai-se ao acaso da produção diária um parafuso. determine o número de parafusos que cada máquina produz diariamente.03 + P( M 2) * 0.65%.65% Prod. sendo a produção diária total de 10000 unidades. M2 e M3 fabricam parafusos. Sabendo que a probabilidade dele ser defeituoso é de 1.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1.01 + P( M 3) * 0.Manual de Exercícios Exercício 8 Numa fábrica.3P( M 2) P( M 1) + P ( M 2) + P( M 3) = 1 ⇔ P( D) = P( M 1) * P( D / M 1) + P( M 2) * P ( D / M 2) + P( M 3) * P( D / M 3) − 1. 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. 3 máquinas.3P( M 2) + P( M 3) = 1 ⇔ 0. M1. 1 = P(M1)*10000 = ? Prod.0165 = 0.

2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .Manual de Exercícios − ⇔ P( M 3) = 1 − 1.3P( M 2)) * 0.3P( M 2) * 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(T/A) = 0.03 + P( M 2) * 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A.3 * 0.0165 = 0.3 * 0. calcule a probabilidade de ter utilizado os transportes B ou C.02 P( M 1) = 0.5 P(T/C) = 0.8 P(T/B) = 0. B ou C.01 + (1 − 1. 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) = 0.3P( M 2) 0.5 = 15% P( M 3) = 1 − 1.3P( M 2) = 1 − 1.

baixo ficar apto no teste é de 20% finalmente. sabe-se que 70% dos indivíduos com Q.3 – 0.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .6 = (1-2P(B))*0.I.4 * 0.5 + P(B)*0.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0.8 + P(B)*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.I.I.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.) elevado e médio são. de 30% e de 60% a percentagem de indivíduos com Q.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.Manual de Exercícios Logo 0.I. baixo. respectivamente. 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. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q.5 + 0.4 * 0.6 = =73.3% P (T ) 0.I.

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.8 = = 17% 1 − 0. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1.7+0.5+0.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1. possuir também frigorífico 2.1 * 0.1*0.3*0. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1. não possuir nenhum daqueles três objectos Resolução A: agregado familiar possui telefone B: agregado familiar possui frigorífico C: agregado familiar possui automóvel P(A) = 35% P(B) = 50% P(C) = 25% Estatística Aplicada 64 . possuir pelo menos um daqueles três objectos 2.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0. possuir telefone ou frigorífico 2.6*0.

2-0. Todos terem idade igual ou inferior a 40 anos. um acidente por ano. P(B / C) = 2.P(A ∩ C) = 0.2 + 0.05 = 70% 2.4 = 60% P(A ∪ C) = P(A) + P(C) .5 – 0.25-0. P(A ∪ B) = P(A) + P(B) .25 – 0. todos terem idade igual ou inferior a 40 anos? 2. numa amostra de três segurados 1. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0. nenhum ter sofrido qualquer acidente durante um ano? 3. 3% têm um ou mais acidentes no mesmo período. 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.1 = = 40% P (C ) 0. dado que cada um sofreu.2 = 40% b) krysktsh1.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1.35 + 0.1+0. um acidente durante o referido período? Estatística Aplicada 65 .5+0. De entre os segurados com idade igual ou inferior a 40 anos.25 c) 1. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0. pelo menos.25 P( B ∩ C ) 0.15-0.35 + 0.35+0.1 − 0. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0. pelo menos.15 = 70% 2.05 = = 100% P (C ) 0. 1 – P( A ∪ B ∪ C ) = 1 – 0. dos quais 5% sofrem.P(A ∩ B) = 0.

97 = 95.2857*0.3% Estatística Aplicada 66 .03 = = = 28.9% 3.958*0.2857 = 2.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 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. P( A ∩ A ∩ A) = 0.958*0.57% = P(B) 1 − 0.4*0.6 = 40% P( A /I1) = 1 – 0. P( B ∩ B ∩ B ) = 0. P( I 2 ∩ I 2 ∩ I 2) = 0.958 = 87.95 + 0.958 P ( A) P ( A) c) 1.4% 2.2857*0.05 = 95% P( A /I2) = 1 – 0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0.4*0.4*0.4 = 6.6*0.6 * 0.

104 Introdução ao e-learning .

por minuto. 6. é 5. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0.5 horas.932 = 0. entre as 4 bobines necessárias a um determinado cliente. 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. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 . escolhidas ao acaso uma ser defeituosa.2 q=1-p=0.2.3.8 P(X=1)=C4p1q4-1 = 4*0.83 = 0. 8) λ=5 8 p=0.4) n=4 p=0.8 Logo P(X>8) = 1-0.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas. calcule a probabilidade de.2*0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.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 4.3.2 q=1-p=0.1.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.2. A central só pode atender um número máximo de 8 chamadas por minuto. 7.06 e −5 5 x P(X ≤ 8) = = 0. 5. por minuto (0.4.1.

28%. a) b) Qual a probabilidade de que. que esse serviço funciona ininterruptamente das 8 às 20 horas. verifica-se que o valor da função Z é P(X ≤ 2) = 0. por outro lado. esse serviço é procurado por 8 turistas interessados em alugar barcos. com desvio padrão 0. Verificou-se que. por hora.333 = 0.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. entre as 9 e as 11 horas. em média.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4.6[.5 Consultando a tabela. se aluguem 5 barcos? Qual a probabilidade de que. O número de turistas que procuram este serviço. e X: numero de avarias que ocorrem no intervalo [0. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 . vem: 121 − 120 =2 0.9772. está associado a uma variável aleatória com distribuição de Poisson. sabe-se. isto é.5. entre as 8 e as 9 horas. Z= Logo P(X>2) = 1-0. destinado aos turistas que a frequentam.9772 = 2.5 = e −1. em cada hora. num período de 6h λ=1/4.

a) Qual a probabilidade de.32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2. + 0.16% 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. no máximo. vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +.. + f(33) = 0.0057 + . num qualquer dia. Nas actuais condições.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 ..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. considerando Y1 e Y2 independentes e que todas seguem Po(8). Atingido este número. 3 petroleiros por dia.. 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 99.0001 = 1. o cais da refinaria pode atender.. os restantes que eventualmente apareçam deverão seguir para outro porto.

8571 =14. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0.E(Y) = 2 .. 2. 2.1.3 Em média.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0. é preciso enviar petroleiros para outro porto 4 a 5 dias/mês Exercício 7 Os Serviços Municipalizados de Gás e Electricidade debitam mensalemnte aos seus clientes um consumo teórico T de energia eléctrica calculado de tal modo que a probabilidade de o consumo efectivo o exceder seja de 30. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2. em média.3233 E(Y) = 0*0.1353 + … + 3*0.Y E(Z) = E(X -Y) = E(X) . Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh. p = P(X>3) = 0.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0.1429) E(W) = 30*0. 4. 6) Logo.782 São atendidos.. 2.29% (tab.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0. em média.1.218 Recorrem a outros portos. pg.85%.1353 g(1) = P(X=1) = 0. Z = X .1429 = 4.1..6767 = 0. 5.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo. com probabilidade 27.782 = 0. 3) g(0) = P(X=0) = 0. 3.3233 = 1.1. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1. 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 (0.30) W segue Bi (n = 30. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .2707 g(2) = P(X=2) = 0.

1)< = P(N(0.3085 ⇔ P( P(N(0. X2 e X3 independentes e que todas seguem N(400.3085 ⇔ 40 40 T − 400 T − 400 ) = 0.Manual de Exercícios 2.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0.71%. P(3*420-Y > 100) = P(Y < 1160) = P(N(0. Poisson. considerando X1. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . 1600) a) P(X>T) = 0. 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. ao fim de 3 meses. Qual a probabilidade de que. com funcionamento independente. 4800) 2.58) = 28.1) ≤ b) 1. isto é.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico. existem 2 cadeias de montagem A e B. vem que: Y=X1+X2+X3 segue N(400*3.1)<-0. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98.3085 X segue N(400. 1600*3).6915 ⇔ = 0. A cadeia A opera a um ritmo médio de 2 montagens por hora. N(1200. X1: consumo efectivo de energia eléctrica de um cliente no 1º mês (em kwh) X2: consumo efectivo de energia eléctrica de um cliente no 2º mês (em kwh) X3: consumo efectivo de energia eléctrica de um cliente no 3º mês (em kwh) Logo X1+X2+X3: consumo efectivo de energia eléctrica em 3 meses (em kwh) Pelo Teorema da Aditividade da Normal. 1600). Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v.

0753 + 0. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de. λ = 4.1465 + 0.8893=11. percorrendo as linhas de valor = 0. + f(10) = 0 + 0.0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4.012*0. como se sabe que P(Y ≥ 1) = 0.1954 + 0. a cadeia A efectuar o dobro de montagens de B d) o número médio de montagens efectuadas num dia de trabalho de 8 horas com ambas as cadeiras Resolução X: nº de montagens da cadeia A por hora Y: nº de montagens da cadeia B por hora X segue Po(2) a) Y segue Poisson. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.1353*0. considerando Y1.1954 = 3.2707*0. Y2 e Y3 independentes e que todas seguem Po(4). mas desconhece-se a média (=parâmetro λ) No entanto.0183 + 0. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.9817. Logo..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 .0183 Na tabela da Poisson. em 3 horas de trabalho.1048 = 34.Manual de Exercícios b) a probabilidade de.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. vem que P(Y<1) = 1 – 0.. vem que o valor 0.0902*0. numa hora.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. Na tabela da Po(4).0009*0.0001 + … + 0.9817 = 0.

P(X=0) = 0. segue Po(6*8=48) Logo.79% b) 1.01*0. Crit.8179+0. P(X=1) = 20*0.Manual de Exercícios Pelo Teorema da Aditividade de Poisson. a companhia espera poder aproveitar se utilizar o critério: 1.8179 = 16.8179) Logo E(Y) = 20*0.1652 = 0. num volume que contém 20.9831 = 19. 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=20.36 2. p=0.9831) Logo E(Y) = 20*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=20.9919 = 16. E Z . 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.66 Estatística Aplicada 73 . determine: a) a probabilidade de um maço acabado de formar 1. p=P(X=0) = 0.52% 2. conter 0 cigarros com filtro defeituoso b) o número de maços que. p=P(X=0)+P(X=1)= 0. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos. Crit. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. vem que Xi + Yi segue também Po(2+4=6). também pelo mesmo Teorema. Numa rápida análise às condições de produção. Nestas condições. conter 1 cigarro com filtro defeituoso 2.01) a) 1.010*0. maço é aproveitável se não contiver cigarros defeituosos 2.9920 = 81. 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.

25 mm e 0. vem que σ b) P(peça não defeituosa) = P(µ . a) Calcule a média e o desvio-padrão do comprimento das peças.25) = 50% vem que P( X −µ σ < 0.05 < X < 0.2 Sendo θ (0)=0. Normal com média µ e variância σ2. E como σ tem que ser =0.392 σ )= =θ( σ ) − θ (0) = 0.a.1) < 0.2 74 θ( Estatística Aplicada .25 mm e 47.392 = 1.13% 0.5% têm comprimento entre 0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.05 − 0.642) = 47.45) = P(X<0.2 0.96 e logo σ = 0.642) = 47. Sabemos que 50% das peças produzidas têm comprimento inferior a 0.25 − 0. b) Determine a probabilidade de uma peça não ser defeituosa.25 − µ σ 0. logo µ = 0.25<X<0.25 σ ) = P (0 < N (0.392 < X − 0.475 0.975 0.25 σ 0.σ < X < µ + σ) = P(0.642 − 0.25 P(0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.25 σ < 0.475 + 0.45 − 0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.45) – P(X<0.5 = 0.25<X<0.5% a) Como P(X<0.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.5.σ P(X<0.392 ) = 0.25) = 50% P(0.25 − µ ) = 50% Na tabela. σ2) Peça defeituosa se X>µ + σ ou se X< µ .642 mm.05) = 0.25 0.5% vem que P( 0. vem que θ ( σ Na tabela 3B da Normal.

. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0. 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. Um empregado entra ao serviço às 8 horas. Calcule a probabilidade de se concluir pela ineficácia do medicamento.58% Exercício 12 Sabe-se por via experimental que.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%.4 q=1-p=0. Põe-se à prova um novo medicamento.. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de.2. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0. ainda que este eleve de facto a probabilidade de cura para 40%. pelo menos.19. em média.6 X segue Bi (20. 0.1.F(7) = 41. por cada período de 5 minutos. considerando X1 e X2 independentes e que ambas seguem Po(4). 20) n=20 p=0. que eleva a probabilidade de cura para 40%. chegam. Estatística Aplicada 75 .03%.4) P(X ≥ 8)=1. 8 doentes em 20. ministrando-o a um grupo de 20 doentes. 4 veículos a determinado posto abastecedor de combustíveis.

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

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

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

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

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

085 mg e 1. Defina um intervalo que.Lim. 0. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11. diga.2 − 2. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.X +c σ n = 1. entre que valores se situa o teor médio de nicotina de um cigarro.76 Amplitude = Lim. .576 σ n .576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina. Resolução X segue N(µ.Sup. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0.Manual de Exercícios b) Amplitude = 115.051.70m. observando-se um valor médio de 1.2 − 2.2 mg. que o teor médio de nicotina de um cigarro se situa entre 1.576 x0.Inf.12 = 11.2 20 . Estatística Aplicada 83 .2 mg. com 99% de confiança. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0.2 σ=0.085.22) n=20 e logo X −c x =1. com probabilidade 95%.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2. tendo-se obtido o valor de 1.315] Estima-se.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.88 – 104.315 mg. com 99% de confiança.1.1.576 x0.2 20 = [1. contenha o valor esperado da altura µ.

1123] Estima-se. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).051 25 . Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.9 p (1 − p ) p (1 − p ) ˆ .051) n=25 e logo X −c x =1.2 − 1.0.0876.1.0.1 − 1.76% e 11.645 = 1600 1600 n n = [0. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.051 25 = [1.96 x 0. Passada uma semana.1 − 1. Construa um intervalo Estatística Aplicada 84 . Para tanto. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa. 0. com 90% de confiança. que o teor médio de nicotina de um cigarro se situa entre 1.70 σ2=0.315 mg.23%.645 = 0. Determine o intervalo de confiança para a referida proporção com 90% de confiança.7 − 1.611.1x0.1x0. com 95% de confiança.p+c . que a proporção de artigos defeituosos na produção se situa entre 8.9 0.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.085 mg e 1.96 σ n .788] Estima-se.1.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.96 x 0. onde 10% dos artigos são defeituosos. procura conhecer-se a incidência de defeituosos na produção de uma máquina. Exercício 6 Numa fábrica.Manual de Exercícios Resolução X segue N(µ.X +c σ n = 1.

25 − 1. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.25 x0.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.25 − 1. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0.1% e 29.833].0.767.75 0. 0.p+c = 0.299] Estima-se. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.96 = n n 300 300 = [0. verificando que 960 a conheciam. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.75 ˆ .034.96 . calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0. com 95% de confiança.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. Nesse sentido.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.645 e logo Estatística Aplicada 85 .25 x0.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20.0. Resolução n=300 ˆ p= 75 = 0.201.9%. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.

781.8 − 1.2 ˆ .-Lim.9%.8 + c E D(2. ˆ b) Amp.833 n 0. com 90% de confiança.86) na tabela N(0.0.2 0.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.833 ⇔ c = 2.Sup.8 − 1.2 = 0. 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.645 = n n 1200 1200 Estima-se.p+c = 0.1) vem igual a 99.0.8 * 0.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .8 x0.645 .819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.645 * ≤ 0.=Lim.Inf.Manual de Exercícios ˆ p−c = [0.6%.8 * 0.padrão da tensão de ruptura do material em causa é de 70 psi. Qual o número de ensaios necessário para definir tal intervalo? Resolução n=? σ=70 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2. Com base num vasto conjunto de ensaios realizados no passado.2 = 2 *1. que a proporção de indivíduos conhecedores da marca se situa entre 78.86 1200 Logo 0. estima-se que o desvio . pretendendo-se que a sua amplitude não exceda 60 psi. = ( 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 x0. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.1% e 81.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.

36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. foram seleccionados aleatoriamente e sujeitos a um teste de impacto.96 e logo Estatística Aplicada 87 . a 95%. Exercício 11 Uma amostra de 50 capacetes de protecção. e em 18 foram observados alguns danos.5 kg/cm2. a 95%. foram analisadas as tensões de ruptura de 10 cabos SCB-33R.96 σ n .Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos. para a verdadeira proporção p de capacetes que sofre danos com este teste. 112) n=10 e logo X −c x =4537 σ=10.58 10 = [4530.96 x10. O director comercial pretende saber qual o intervalo de confiança. Recentemente. Defina esse intervalo. seleccionados aleatoriamente a partir de um lote de grandes dimensões.5.4537 − 1. Existe uma norma de 112 kg/cm2 em relação à variância. usados por trabalhadores de uma empresa de construção civil. Resolução a) n=50 ˆ p= 18 = 0.58 10 . para o valor esperado da tensão de ruptura dos cabos do lote em causa. com 95% de confiança.96 x10. Construa um intervalo de confiança. que o tensão média de ruptura dos cabos se situa entre 4530.X +c σ n = 4537 − 1. Interprete o resultado obtido.4543.5 kg/cm2 e 4543. tendo sido obtida uma média de 4537 kg/cm2.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. que é respeitada.5] Estima-se. Resolução X segue N(µ.

36 − 1.5 = 2 * 1.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.5 * 0.36 x0.64 0.36 x0.64 ˆ .08 ⇔ n > 600 n n Estatística Aplicada 88 .0.p+c = 0.Manual de Exercícios ˆ p−c = [0.96 = n n 50 50 Estima-se.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos).0. vem que: 2c ˆ ˆ p(1 − p) 0.22695. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ). Exercício 12 Qual deve ser o número de habitantes da cidade do Porto a seleccionar aleatoriamente para estudar a proporção de portuenses que usam óculos.96 * < 0.96 .= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0. que a proporção de capacetes que sofre danos se situa entre 22.36 − 1. 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.3%.7% e 49. com 95% de confiança. isto é.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.

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

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

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

isto é.05 ⇔ P ( X −µ σ > c − 600 ) = 0. Se tal não acontecer. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande.83(3) Isto é. sendo P(Rejeitar Ho / Ho) = α = 5%. isto é. a Região Crítica deste teste. grandes valores de X são improváveis. Estatística Aplicada 92 .83(3) 3 A regra de decisão é. se o valor amostral fôr superior a 654. pelo que a decisão é conservar H0 . isto é. a seguinte: - rejeitar H0 em favor de H1.83(3). por falta de provas suficientes para não o fazer. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. conserva-se Ho.05 ⇔ 100 9 n ⇔ c = 600 + 1.83(3) X µ = 600 Os dados recolhidos indicavam X =610.645 x 100 = 654.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. vem que P ( X > c / µ = 600) = 0. Logo. então. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado.2 mm.Manual de Exercícios Em princípio. opta-se por H1 com probabilidade 5% de se estar a cometer um erro. considerar que o processo científico não produz efeitos.

1) ≤ 0. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas.83(3) / µ = 650) = P ( X −µ σ ≤ n 654. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses.14) = 55. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente. Supondo então que H1 é verdadeira (µ=650 mm). então vem que: X ∩ N (650. No entanto. sendo o teste ideal o que minimiza simultaneamente ambos os valores. ou seja. e como α e β se referem a realidades opostas e variam em sentido contrário. Existem também erros de 2ª espécie. infelizmente. O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β.83(3) − 650 ) = P ( N (0. isto é.Manual de Exercícios No entanto. é possível alternativamente partir do princípio que é H1 que é verdadeira. mas que. Isto é. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. No entanto. tal não é possível. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. os erros incorridos não se ficam apenas pelos de 1ª espécie. de se cometer um erro de 2ª espécie. Estatística Aplicada 93 .

maior a sua qualidade (diz-se que o teste é mais potente) . a potência do teste é variável. logo. Logo. dependendo do valor do parâmetro que não é fixo. < ou ≠ ). quanto menor o erro de 2ª espécie. maior será o valor da potência do teste e. e é complementar do erro de 2ª espécie. não implica erro. 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 . Esta é uma decisão certa. Quando H1 é uma hipótese composta (>.Manual de Exercícios Região de rejeição e de aceitação da hipótese nula Unilateral à esquerda H1: µ < 600 RA Bilateral H1: µ ≠ 600 RA Unilateral à direita H1: µ > 600 RA RR α RR α/2 1−α RR α/2 1−α RR 1−α α Chama-se potência de um teste à probabilidade de rejeitar H0 quando esta é falsa. 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.

Suponha que X ∩ N ( µ .02 0.0. 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%. vem que P ( X < c / µ = 1) = 0. determinar a região de rejeição e aceitação.01 9 Estatística Aplicada 95 .99 0. Seja X a variável que representa o peso de um pacote de arroz.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.97 1.02 0.00 Será que.9945] ⇔ c = 1 − 1.9945 3 Logo. Logo.05 ⇔ 0.0.98 0.645 x c −1 ) = 0.01 0. RC = ]− ∞. sendo P(Rejeitar Ho / Ho) = α = 5%.05 ⇔ P ( X −µ σ < n 0.98 1.97 1.012 ) e que se conhece a seguinte amostra: 1.

5 H1: p < 0. que de 0. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade.9933 Como o valor da amostra foi 0. ou seja. aceitaremos Ho.9933 e é menor que o valor crítico 0. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. Faz-se um inquérito a 200 pessoas.9922.9922 0. Reduzindo a probabilidade de isso ocorrer de 5% para 1%.5 Estatística Aplicada 96 . consideraremos que não há qualquer anomalia na produção. e 45% declaram-se favoráveis. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0. pretende-se saber se metade da população é favorável à construção de um centro comercial. considera-se que o arroz contido em cada pacote era inferior ao indicado.9945 para 0. Neste caso.9933 A única mudança será no Valor Crítico.9945. rejeita-se Ho Ou seja. Exercício 2 Numa cidade.9945 +∞ Valor da amostra: 0. No entanto.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0.

5 0.5) 200 ) = 0.0. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial. não se rejeita Ho RR: Não construir o centro comercial RR: Parar a construção α=5% RA: Decidir pela construção -∞ 0 +∞ Valor amostral: 0.5 − 1.45 0. vem que ˆ P ( p < c / p = 0. sendo P(Rejeitar Ho / Ho) = α = 5%. Logo.645 x Passo 6 ˆ p =0.05 ⇔ ⇔ c = 0.5(1 − 0. determinar a região de rejeição e aceitação. onde o cuidado deve ser trabalhar com grandes amostras.5) = 0. essa margem não é suficiente para decidir deixar de o construir.5) = 0.442 200 Logo.45 é maior que o valor crítico 0. Estatística Aplicada 97 .5(1 − 0.45 0.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.442] Passo 7 Como o valor amostral 0.442 Ou seja. RC = ]− ∞.442. 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%.

998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0.01 ⇔ P ( X −µ c −1 c −1 ) = 0. Pode-se afirmar. 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 . pode concluir-se que a campanha surtiu efeito? b) Em caso negativo. 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). é lançada uma intensa campanha anti-tabaco. é uma variável normalmente distribuída. registando-se 45 fumadores. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ.997 0.01 ⇔ = −2.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. a) Com 1% de significância.997. a um nível de significância de 1%.01 0. 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 Kg.012) n = 49 x = 0. Ao fim de três meses. com peso médio de 0. não pertence à região crítica. 0.326 ⇔ c = 0. produzidos por uma fábrica.01.998 > c = 0. com desvio padrão 0.01 σ ≤ n 49 49 Como x = 0.

5 = −2.384 ˆ Como p = 0.5 0.5 * 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.326 ⇔ n = 541 0.5 n n ⇔ 0.01 ⇔ c − 0.5 (a campanha não surtiu efeito) H1: p < 0.45 α = 1% H0: p = 0.5) = 0.384.326 ⇔ c = 0. 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 = 0.5 * 0.5 * 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).5) = 0.5 * 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0. b) P( X ≤ 0.45 > c = 0.5 ≤ ) = 0.5 0. a 5% de significância.01 ⇔ P( ˆ p− p 0.45 − 0. com desvio-padrão de 20 horas.01 ⇔ p(1 − p) 0. não pertence à região crítica.45 / p = 0.45 − 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas. poder-se-á concluir.5 100 ) = 0.5 100 = −2. 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.

A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360. em dada secção. não pertence à região crítica. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados.25 20 20 σ ≤ n 18 18 Como x = 237. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância.25.360) n=5 Estatística Aplicada 100 .05 ⇔ = −1. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado. Exercício 6 Uma empresa de cerâmica tem.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas).645 ⇔ c = 232. Foram registadas 5 medidas de temperatura de fornos regulados para 600º. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador.05 > c = 232.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0. 202) n = 18 1 18 x = xi = 237.Manual de Exercícios Resolução X segue N(µ.

97 5 n Como x = 602 < c = 613. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90. o verdadeiro peso dos ovos será menor. a) O fabricante diz que o peso médio é de 160 g.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 . Foi recolhida uma amostra de 100 ovos. pelo contrário.25) n = 100 x = 158. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado). cujo peso médio foi de 158. 90.Manual de Exercícios x = 1 5 xi = 602 α = 5% H0: µ = 600 H1: µ > 600 P(Rejeitar Ho/Ho verdadeira) = α = 5% P( X ≥ c / µ = 600) = 0. se a afirmação do fabricante pode ser considerada verdadeira. a um nível de significância de 1%. não pertence à região crítica.95 ⇔ c − 600 = 1.645 ⇔ c = 613. Teste. 437 g.96 18.96.25. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ. ou se.

6 ˆ p = 0. de 60% de leitores que regularmente compram um jornal desse tipo.5535.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158. até então nunca atingida por qualquer semanário.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.437 > c = 157.6 0.4 600 = −2.79 9.01 ⇔ c − 0.25 100 ) = 0. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama). Efectuando um inquérito junto de 600 leitores. não pertence à região crítica.01 ⇔ c −1 = −2. o semanário em causa.326 ⇔ c = 0.5 n 100 Como x = 158.4 600 ) = 0.01 ⇔ P ( X −µ σ ≤ c − 160 90.5535 ˆ Como p = 0.6 0. Estatística Aplicada 102 . 55% declararam adquirir. Adoptando um nível de significância de 1%. pertence à região crítica.6 H1: p < 0.25 100 ) = α ⇔ F (−1.326 ⇔ c = 157.6 * 0.437 − 160 90. numa região. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira).55 < c = 0.79. pronuncie-se quanto à projecção que o semanário reclama. b) P ( X ≤ 158.6 * 0.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido. Resolução n = 600 H0: p = 0. a percentagem.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.Manual de Exercícios P ( X ≤ c / µ = 160) = 0. por hábito.6) = 0.

061 − 4. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.25 σ ≤ 0.18 c − 5.9 0.6% n Estatística Aplicada 103 .0625 12 ) = 1 − F (0.01) = 1 − 0. tendo-se obtido para a resistência média à compressão o valor de 4.061. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.05 ⇔ P ( X −µ c − 5. a) Poder-se-á afirmar. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.061 0.9) = P ( X −µ σ > 5.90 kg/cm ? Resolução a) X segue N(µ.18 = −1. a um nível de significância de 5%.95 kg/cm2.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual).05 ⇔ n 12 Como x = 5.061 / µ = 4.18 > c = 5.18) = 0. 0.0625) n = 12 x = 4.0625 (kg/cm2)2.5040 = 49.Manual de Exercícios Exercício 9 Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência à compressão com valor esperado de 5.0625 12 ) = 0.18 kg/cm2 e variância 0.645 ⇔ c = 5.18 H1: µ < 5. não pertence à região crítica.95 α = 5% H0: µ = 5.

Manual de Exercícios

Exercício 10

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

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

ˆ p = 0,6

α = 10%

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

ˆ p− p
p (1 − p ) n

c − 0,5

0,5 * 0,5 400

) = 0,9 ⇔

c − 0,5

0,5 * 0,5 400

= 1,282 ⇔ c = 0,53205

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

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

Estatística Aplicada

104

Manual de Exercícios

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

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

3.6.2 Fiabilidade de um sistema

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

Estatística Aplicada

105

Manual de Exercícios

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

(i) Associação em paralelo

Consideremos vários componentes redundantes e independentes:

1

2

3

4

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

∏q
i

i

Estatística Aplicada

106

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. 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. 3 ou 4 componentes. vai considerar-se de novo um sistema composto por quatro componentes em paralelo. por exemplo. Assim. a fiabilidade do sistema aumenta à medida que aumenta o número de componentes ligadas ao sistema (que representam como garantias de funcionamento adicionais). no caso de sistemas redundantes. então a fiabilidade de um sistema deste tipo seria 94. é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva.77%.9 (p=0. Para o efeito. isto é. se todos os componentes tivessem fiabilidade 0. as condições de funcionamento e de avaria para o sistema têm de ser definidos. 2.Manual de Exercícios Veja-se que. no mínimo. Se as componentes forem todas iguais. (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante. a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. Estatística Aplicada 107 . com probabilidade de funcionamento p e de indisponibilidade q. a probabilidade associada a cada um dos estados possíveis (1. a funcionar).9). para um nº mínimo de 3 componentes necessárias.

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

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

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

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

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

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

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

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

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

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

0 60 120 Total 60 60 3. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. a proporção de alunos que usam ou não drogas não varia entre os cursos. Ho deverá ser rejeitada. Por último. * n. não há associação entre as variáveis.05). j n = 25 * 60 = 12. * n. Calcular as frequências esperadas eij = Por exemplo. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa).5 25 Farmácia 20 17. Em média. Vem que o obsv.7) com o valor do crítico. Assim sendo.991 (cruzamento da linha 2 com a coluna 0.=1.5 15 17. no grupo estudado. compara-se o valor do observado obtido (1. concluindo-se que. Estatística Aplicada 118 . j n 1.5 120 2. que é 5.7 é menor do que o valor obtido a partir da tabela.5 35 Biologia 30 30.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico. Para o cálculo do recomendam-se os seguintes passos: n i . 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. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni. se as duas variáveis fossem independentes. a hipótese Ho não pode ser rejeitada. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1.0 30 30.5 15 12.7 4.

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

191 33.160 13.362 24.916 41.924 36.170 37.869 31.378 6.535 20.488 11.156 42.275 19.336 37.812 18.124 8.619 26 11.319 36.584 1.700 3.307 24.001 0.041 12.000 34.252 120 .484 0.283 13.564 10.260 9.262 6.877 9.304 11.348 11.266 9.457 6.343 14.085 16.009 5.473 24.141 31.483 23.237 1.689 14.549 21.588 52.801 37.005 0.357 4.191 38.204 30.706 4.928 52.597 13.666 23.808 14.685 26.301 30 13.769 27.409 35.466 9.339 22.074 3.718 40.401 15.736 27.172 38.865 0.939 27.659 23.351 2.728 12.415 39.067 16.819 9.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.345 12.996 27.515 5.342 15.779 3.773 46.645 12.651 18.698 9.791 20.845 32.338 25.542 26.144 32.565 4.341 17.827 9.652 40.337 29.404 5.336 40.672 59.051 27 11.989 1.337 28.251 7.113 43.750 20.601 5.980 45.582 43.989 28.013 18.587 30.338 23.339 21.346 12.410 34.675 21.558 51.573 18.142 5.5 0.908 7.815 5.340 19.047 19.312 8.591 12.735 2.479 38.Manual de Exercícios 0.589 27.475 20.268 11.975 0.768 28.209 25.599 29.041 21.336 39.982 14.892 53.256 43.697 6.796 48.527 7.265 6.805 37.124 8.180 2.196 36.086 16.643 9.210 10.267 39.557 45.168 4.264 6.336 35.217 28.722 49.991 7.290 54.051 0.090 21.017 14.994 56.247 3.364 42.337 33.231 10.064 23.461 15.024 7.337 34.615 32.813 33.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.412 31.955 26.963 49.566 39.796 10.787 16.684 16.812 22.865 17.461 48.321 7.340 18.336 36.831 1.300 32.143 13.034 8.023 21.335 58.312 15.070 12.016 0.292 25.638 44.401 46.815 9.548 22.642 48.289 42.879 10.449 16.920 24.645 55.179 25 10.507 17.362 15.860 18.848 22.676 0.892 29 13.781 40.907 11.216 0.488 30.278 50.026 23.852 36.025 0.338 27.195 46.366 3.885 41.000 0.204 2.236 11.629 6.588 5.344 13.064 1.688 29.412 0.181 49.844 7.833 3.819 34.05 0.725 26.207 0.007 35.646 44.979 50.592 14.578 10.690 2.578 32.9 0.382 37.344 1.307 20.526 34.610 2.075 4.886 0.386 2.919 19.121 16.455 1.923 45.605 6.01 0.338 24.337 44.337 32.909 7.932 41.987 18.841 5.119 29.790 13.838 16.844 17.635 7.314 10.816 4.671 35.791 8.278 24.603 3.087 42.076 41.1 0.434 8.211 0.741 40.348 10.296 28.001 0.072 0.156 2.337 30.240 20.010 0.490 4.832 15.337 26.475 28 12.547 14.443 19.308 18.188 29.757 31.520 13.997 45.314 46.120 16.277 14.563 38.114 26.

Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial.5 = 60. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona. 25 = 77.6531% = e −0..8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 . B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0.e maq 10 não funcionar) = 1 – 0. está instalado um sistema de 10 máquinas para utilização de cartão multibanco.15*0..85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e.15 = 1 (aproximadamente) 2. Resolução P(avaria) = 1-0.. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%..*0. Quatro componentes de um sistema encontram-se associados de acordo com a figura junta. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A). 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D).15*. Calcule a probabilidade do sistema estar em funcionamento.

3000] horas Rs = e Exercício 4 − 3000 17500 = e −0.0944% Logo. qual a probabilidade de não ocorrerem avarias até t=6 horas? c) Qual a probabilidade de se verificarem 2 avarias durante as primeiras 6 horas de funcionamento da máquina? Estatística Aplicada 122 .904837)2 = 99. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. Calcule a fiabilidade do equipamento.171429 = 84. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial. com um MTBF de 17 500 horas. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.778801 = 46.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 4.5 horas. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0. sem que se verificasse qualquer avaria.1 = 90. P(sistema estar em funcionamento após 5 000 horas) = = 0.4837% 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.606531*0.8% Exercício 3 Foram ensaiadas durante 3 000 horas.990944*0.

73910 = 1 – 0. Resolução a) Rs = e − 3625 12000 = e −0. num conjunto de 10.6% Logo.5 x(6 / 4.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.1667 = 84. b) Quantas lâmpadas. 1 .5 = 26.5).5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.5) 2 = 23.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.12% b) Rs = e − 2000 12000 = e −0.4% 4.5 e dx = e 4. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.5)t = e-(6/4.302 = 73. 0.6] horas.846x1000 lâmpadas = 846 Estatística Aplicada 123 .5 c) Y: nº de avarias no intervalo [0.4% 2! Exercício 5 Sabe-se que um determinado modelo de lâmpadas apresenta no período de vida útil (3625 horas) um MTBF de 12 000 horas. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.5) MTBF = 4. no período de vida útil.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.P(falhar nenhuma) = 1 .0488 = 95. como Y segue Po(1/4.0. de um conjunto de 1 000.9% Em 10.5) = 26.5 6 0 − 1 − 4. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.6] horas P(Y=2) = e − − 6 4.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 . estarão provavelmente em funcionamento após 2 000 horas de utilização.

7 = 0. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones. sendo 0.25 e que as avarias são independentes. 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) = 0.25 Estatística Aplicada 124 .954*0.25+0.095+0.2*0. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia.2*0.75+0. se um dos elementos avariar o sistema funciona com probabilidade 0.05)*0. 0.05=0. 0.1425 = 91. T1.5% P(3 sem avarias) = 0.15.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.7738 + 0.2 e 0. respectivamente. No caso de nenhum elemento avariar o sistema funciona normalmente.8*0.8*0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais. colocados estrategicamente a fim de satisfazer adequadamente os utentes.15*0.51=60.15*0.7. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias. indicando o valor médio de tal distribuição.63% b) Bi(n=5.5% P(2 sem avarias) = 0.85*0.955)* 1 + (5*0.25=9.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos.05) Valor médio=5*0. T2 e T3 se encontrarem avariados são.p=0. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.85*0. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0. se mais de um elemento avariar o sistema não funciona. Resolução a) P(sist.

530. (0. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de.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 . 470] Nestas condições. se produzir um artigo defeituoso. estando a norma a ser cumprida.25 Proceder-se-á à paragem da produção sempre que os limites de controlo sejam desrespeitados Um condutor é considerado não defeituoso se a sua resistência em Ω estiver compreendida entre [49.1225 n=16 σ=0.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: 49.8775 LSC = µ + = 50. Resolução X: resistência de um componente em Ω X ∩ N ( µ .25) 2 ) a) LIC = µ − cσ n cσ n = 49. 50.8775 LSC: 50.

25 0.96) = 0.8775 ≤ X ≤ 50.9399 = 6. vem D(1. 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.25 0.01% Exercício 2 A empresa “TRADECHO. SA” mantém um diferendo com os seus principais clientes.96 ≤ X ≤ 1.53 − 50 50.96.9399 donde 1 – 0.P(49.P( 49. que afirmam que os produtos produzidos (em série) por esta empresa não obedecem às normas de qualidade estabelecidas e que são: - a norma para o comprimento médio das peças é de 20 cm. sendo a norma respeitada) = 49. vem D(1.88) = Na tabela da Normal.53 ≤ X ≤ 50.1225 sendo µ=50) = 1 .25 16 16 1 – P(49.47 − 50 ≤X ≤ )= 0.P(-1. a norma para a variância é de 4 e está a ser cumprida.1225 − 50 ≤X ≤ )= 0.8775 − 50 50.95 = 5% c) P(produzir um artigo defeituoso.P(-1.88) = 0. a amplitude do intervalo de controle para a média deve ser de 1.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .88 ≤ X ≤ 1.P( 1 .96) = Na tabela da Normal.95 donde 1 – 0. Estatística Aplicada 126 .47 sendo µ=50) = 1 .25 16 16 1.

00 20.15 • • • • • 19.P(20-1.96) = Na tabela da Normal.95 = 5% b) e c) Média Amostral (cm) 20.90 • • • • • 20 • • • •20.90 20. Estatística Aplicada 127 .02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).96/2 ≤ X ≤ 20+1.5 • • • • 19.96) = 0.95 donde 1 – 0.3 • • • • •20.30 20.98 ≤X ≤ )= 2 2 16 16 1.Manual de Exercícios a) Determine a probabilidade referida.98 0.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.P(-1. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.P( − 0.96/2 sendo µ=20) = 1 . vem D(1.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ . 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .96 ≤ X ≤ 1.05 19.

(100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.55.P(983.55 ≤ X ≤ 1016. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.P(-1.45 sendo µ=1000) = 1 .Manual de Exercícios Exercício 3 Numa empresa procede-se ao exame das condições de produção relativas à duração (em horas) das lâmpadas fabricadas (produção em série). Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.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 . 1016.55 cσ = 1016. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .55 − 1000 1016.645 ≤ X ≤ 1. a partir de uma amostra de dimensão 100: [983.P( 983.645) = Estatística Aplicada 128 . O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.

vem D(1. ( 4) 2 ) cσ n a) LSC = µ + = 10.96 * 4 n ≤ 1.8 milhares de horas a amplitude do intervalo não deve exceder 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 10.82 Exercício 5 O director de produção da empresa DISLIX.Manual de Exercícios Na tabela da Normal.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. b) Calcule a norma. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.96 logo 2 cσ n 1.96 2 cσ n ≤ 1.96 * 4 64 b) LSC = µ + = 10.645) = 0. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ . Para tal.8 D(c)= 5% logo c= 1.8 - = 9. procede à verificação da produção de energia Estatística Aplicada 129 .96 ⇔ n ≥ 64 1. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas. Assim.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.8 logo µ = 10.9 donde 1 – 0.

04 = 11.92 logo 2 1.96 * 4 16 16 = 8. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.96 2 cσ n ≤ 3.Manual de Exercícios eléctrica (em kws/hora) tendo e vista a construção de um intervalo de controle para a produção média de energia de um gerador que cumpra os seguintes objectivos: - Norma de produção para a média: 10 A amplitude do intervalo não deve exceder 3.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.96 * 4 Estatística Aplicada 130 .96 LSC = µ + = 10 + 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 − 1.96 * 4 n ≤ 3. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .92 ⇔ n ≥ 16 b) Média Amostral (cm) 11. ( 4) 2 ) a) D(c)= 5% logo c= 1. b) Represente a carta de controle para a média.

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

141 é maior do que o valor obtido a partir da tabela. o poder de compra do consumidor influencia a sensibilidade ao preço.8 164 186.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. Estatística Aplicada 132 . para os quais se convencionou a adopção de um nível de significância de 5%.141 Vem que o obsv.05)=5.4 528 557.8 285 233.991 (cruzamento da linha 2 com a coluna 0. * n. Assim sendo. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos. Em média. j n .05). considerado razoável face aos valores normalmente utilizados. procedeu-se à aplicação de eij = n i . das quais 3 foram de alunos que não tinham efectuado provas durante o ano. concluindo-se que. há associação entre as variáveis.2 376 Refrigerante 186 237. a hipótese Ho será rejeitada. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação.991 observado = 31. α=0. Para o cálculo das frequências esperadas.Manual de Exercícios de segmentar o mercado.6 1126 Preço Baixo 212 189. dos quais 20 não tinham prestado qualquer prova durante o ano. que é 5. O número de aprovações foi de 33. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568.=31. no grupo estudado.

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. construiu-se a seguinte tabela de contingência. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”. Logo. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame. para um nível de significância de 5%.122 é menor do que o valor obtido a partir da tabela. se. α=0.05)=3. com base nestes elementos.= 3.122 Vem que o obsv.Manual de Exercícios Diga. a hipótese Ho não será rejeitada (há independência). a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 .84 observado = 3. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol.

α=0.21 48 53 Média 48 49 53 Superior 48 49 53 Valor obsv. Exercício 4 Pretendendo-se analisar o comportamento do volume de divisas ao longo do ano. a hipótese Ho será rejeitada. tendo-se obtido: Volume DLX Baixo/Médio 150 20 Elevado 50 80 Época Normal Ponta A um nível de significância de 5%. Assim sendo. Negócios Baixo Médio Elevado crítico (GL=2. deu-se particular atenção à influência exercida pelas remessas de emigrantes.Manual de Exercícios Valores esperados: Formação Gerente Vol. est.01)=9..= 2. observou-se o nível de Disponibilidades Líquidas sobre o Exterior (DLX) para cada mês. + = 2..2876 (44 − 48) 2 (55 − 53) 2 + .2876 > 9. o ano foi dividido em duas épocas: Época de Ponta. compreendendo os meses de vinda de emigrantes (Verão e Natal) e Época Normal (restantes meses). teste = Vem que o obsv.21 observado = 2. que pode concluir? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 134 . Assim. Assim. concluindo-se que há associação entre as variáveis.2876 é maior do que o valor obtido a partir da tabela.

5 130.5 87 Média 115 207 138 Elevada 62.33) 2 (80 − 43.84 113.66 Elevado 86.069 é maior do que o valor obtido a partir da tabela.33 obsv.5 112.05)=5.. a hipótese Ho será rejeitada. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.66 43.991 observado = 85.069 Valor obsv. α=0. procedeu-se à recolha periódica de elementos sobre essas variáveis.33 6.069 > 3. construindo-se a seguinte tabela de contingência: Taxa juro Proc. Assim sendo. teste = Vem que o (150 − 113. concluindo-se que há associação entre as variáveis.= 85. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro. + = 85.5 75 Estatística Aplicada 135 . est.33 43..33) 2 + .33 crítico (GL=1. Moeda 0-10 10-45 45-70 Reduzida 72.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113. 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%.

B e C. Os resultados de uma amostra de 140 estudantes foram os seguintes: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 30 10 B 30 20 C 10 40 Utilizando um nível de significância de 5%. a hipótese Ho será rejeitada. concluindo-se que há associação entre as variáveis.Manual de Exercícios crítico (GL=4.= 1183.= 30 é maior do que o valor obtido a partir da tabela. Estatística Aplicada 136 .84 observado = 30 Vem que o obsv. 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. α=0. concluindo-se que há associação entre as variáveis. Assim sendo. A.7 é maior do que o valor obtido a partir da tabela. Assim sendo. que fazem parte de um determinado projecto de estudo e aplicou-lhes uma escala de atitudes com o objectivo de conhecer as suas opiniões em relação ao projecto.05)=3. Exercício 6 Um investigador seleccionou três amostras de estudantes.49 observado = 1183. a hipótese Ho será rejeitada.05)=9.7 Vem que o obsv. α=0.

Sign up to vote on this title
UsefulNot useful