104

Introdução ao e-learning

Manual de Exercícios

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

Estatística Aplicada

2

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

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

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

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

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

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

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

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

).1. 2. classe modal. Também é possível calcular as frequências (absolutas – Ni .4. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é.e relativas . Medidas de localização 2. 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. Como as classes podem ter amplitudes diferentes. Média ( X ) É a medida de localização mais usada. 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.Manual de Exercícios 1.Fi) acumuladas... . 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. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda.4. agrupados numa tabela de frequências) Variáveis contínuas x = 1 n n i =1 n i =1 ni ci = f i ci Média ponderada dos pontos médios das classes Estatística Aplicada 11 . sobretudo pela sua facilidade de cálculo.

como a moda e a mediana.2. Em casos desses. Nestes casos. a média tem o grande inconveniente de ser sensível a valores muito extremados ou aberrantes da distribuição (outliers). então fala-se em intervalo mediano. . No entanto. x2. mas a partir da posição dessas observações. Me = x n+1 2 Se n fôr par. xn + xn Me = 2 2 +1 2 Dados classificados A mediana é o valor tal que Fi = 0. xn Se n fôr ímpar.. Mediana (Me) A mediana não se calcula a partir do valor de todas as observações.4. Desta forma.5 Variáveis discretas Se existe um valor de xi para o qual Fi = 0.5. a média é muitas vezes utilizada como valor representativo da amostra. entendido como o valor em torno do qual se distribuem os valores observados. ) 2 A média é uma medida de localização que. a média deixa de ser um valor que aparece na parte central da distribuição para ser “empurrada” para os extremos. é preferível recorrer à informação complementar fornecida por outras medidas de localização.Manual de Exercícios onde ci é o ponto médio de cada classe ( lim . inf . Dados não-classificados Se tivermos n valores x1.. geralmente. + lim . sup . que se definem a seguir. 2. indica o valor central da distribuição. Estatística Aplicada 12 .

0. De uma forma geral: Me = L inf + 0.5. 2.5.. Estatística Aplicada 13 . chama-se ao quantil percentil Se p=0. isto é. determina-se o valor para o qual Fi = 0..0. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. Medidas de ordem Tal como se definiu para a mediana... é o valor mais frequente da distribuição.01..5 através de uma regra de três simples. é a classe a que corresponde maior frequência por unidade de amplitude.25. 0.5..75. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe. classe mediana FL sup − FL inf 2. 0. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo.5.3.2. chama-se ao quantil decil Se p=0.99.5 − FL inf xamp. Variáveis contínuas Em geral.02.1.9. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p.. 0.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0. A mediana é uma caso particular dos quartis (coincide com Q2) Variável discreta O quantil de ordem p é o primeiro valor de x para o qual i>p.. chama-se ao quantil QUARTIL (Q1.4. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. Q2 e Q3). então a mediana é o primeiro valor para o qual Fi > 0. 0. Se p=0. isto é.

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

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

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

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

havendo igual repartição. isto é. a concentração será máxima. de zona de concentração.1) por (0.1). Quanto mais a curva se afastar da recta. O valor de G varia entre 0 e 1. que é designada de recta de igual repartição. xn[ Total ni n1 nj nn n Quantidade Freq. A zona entre a diagonal e acurva de Lorenz designa-se.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. maior a concentração. a concentração é nula.8.relativa Proporção atributo acumuladas atrib. Nesse caso. pi=qi. x4[ [xn-1. x2[ [x2. por isso. A curva que os une é a curva de Lorenz.acumul. Caso o valor de G seja 1. Estatística Aplicada 18 . x3[ [x3. maior é a concentração. yi p1 q1 yj yn pj pn=1 qj qn=1 Os pontos (pi.qi) pertencem ao quadrado (0. a curva de Lorenz coincide com a diagonal do quadrado. 2.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. e quanto maior o seu valor. a frequência das observações deve ter uma evolução igual à proporção do atributo correspondente. Se houver igual distribuição.

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

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

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

Faça a sua representação gráfica. 50[ Total Frequência. 25[ [25.08 0.m.12 0. 5[ [5. d) Determine os quartis da distribuição.14 0.06 0. Determine a mediana da distribuição.2 0. b) Determine a média e a moda da distribuição. 3[ [3.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 .1 0.16 0.04 0.18 0. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente. 1[ [1.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. e) Analise a (as)simetria da distribuição em causa. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz.): Resultado Líquido [0. Resolução a) fi/hi 0. 15[ [15.

175.5): [3.175 0..5 2 4 10 20 37.8 0. 5[.5 x5%) = 7. 3[ [3. e 5000 u.002 Fi 10% 35% 70% 85% 95% 100% ci 0. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u.1 0. correspondente à classe [3. 5[ 3 : Fi=0. + (37. Neste caso.7 Estatística Aplicada 23 .125 0. 1[ [1.4 0.35 5 : Fi = 0. isto é. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0.6 0.. 25[ [25.m.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0.Manual de Exercícios [0.5 x10%) + (2 x 25%) + . c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.325 Em média. 5[ [5.015 0. o resultado líquido de uma empresa é de 7325 unidades monetárias. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude. 15[ [15. o maior valor de fi / hi é 0.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0.01 0.m.

7 .857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.Q3 – 5 Q3 = 5 + ((10x0.25) = 2.35) = 3.0.05)/0.7 -------------.2 A distribuição é assimétrica positiva ou enviesada à esquerda.1 3 : Fi = 0.15 .35 Cálculo do Q1: 0.1 -----------.1 0.4596 > 0 Q3 − Q1 8.1 -------------.3 .Q1 – 1 Q1 = 1 + ((2x0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.25 – 0.85 Cálculo do Q3: 0.0.333 − 2.0.Manual de Exercícios Cálculo da mediana: 0.75 – 0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.5 – 0.5 .3 0.35 . Estatística Aplicada 24 .m.25): [1.75): [5.Me – 3 Me = 3 + ((2x0.m.85 .857) − (3.5 0.15)/0.333 − 3.857 − 2.35 -----------. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.15)/0.m.15) = 8.35 -------------.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.7 -----------.2) = = 0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0. 15[ 5 : Fi=0.7 15 : Fi = 0. 3[ 1 : Fi=0.

95 − 0. 25[ [25.007 0. Analise a concentração através do Índice de Gini e da Curva de Lorenz. mas em que cada uma tem baixo resultado líquido. Por exemplo.47 0.1 0.85 + 0.266 0. 1[ [1.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.6 0.007) + ..471 0. Estatística Aplicada 25 .6 0.6% do total de resultados das empresas da 0..5 corresponde ao centro da escala possível.35 0.95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0.2 0. 0 0 0. referente aos lucros obtidos por empresas de um dado sector industrial.2 0.Manual de Exercícios f) X [0.85 0.7 0. 15[ [15.Totais G= (0. 5[ [5.4 0. + (0.8 0. 70% das empresas apresentavam resultados até 5000 u.4 amostra.7 + 0.1 − 0.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200.Liq. o que sugere um tecido empresarial com muitas PMEs.95 1 qi 0.744 1 50 + 500 + 1400 7325 Res.. entre 0 e 1).5 Atributo 100x0. mas isso representava apenas 26.5 2 4 10 20 37. expressas numa determinada unidade monetária. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.35 + 0. 3[ [3.744) = 0.1 + 0.075 0.m.

2 0 0 0. 200[ [200. Estatística Aplicada 26 .8 0.546(6) = 0.4 0.2 0. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0.4 0.6 0.95 1 qi 0. encontrandose os valores razoavelmente repartidos. a) Represente o diagrama de dispersão.1 0. 100[ [100.883(3) 1 Curva de Lorenz 1 0. uma função linear que exprima as peso em função da altura.63(3) 0. conclui-se que esta amostra apresenta concentração moderada.02 0. c) Ajuste.243 2.4 0.6 0. 50[ [50. como pelo valor do Índice de Gini.25 Tanto pela análise da Curva de Lorenz. b) Analise a correlação existente entre peso e altura.16(6) 0. pelo Método dos Mínimos Quadrados.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.Manual de Exercícios Resolução Lucros [0. 300[ [300. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.8 0.

9016x + 109.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 . isto é. c) 190 Recta de Regressão 180 Altura (cm) y = 0. r = 0. quase perfeita.90681871. existe uma correlação positiva forte entre as duas variáveis.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.

429 < CV y = sy y = 11. b) Analise a correlação existente entre volume e custo de produção.36 + 0. Resolução a) Para comparar a dispersão das duas distribuições.9408 = = 0.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6.39 x 21. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u.714 A dispersão das despesas em publicidade é superior à dispersão das vendas.m. Por cada kg de peso adicional.0651 CV x = sx 69.9016 x 70 = 172.495 6. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão.Manual de Exercícios A equação desta recta traduz-se em Altura = 109.472. pelo Método dos Mínimos Quadrados.9016 cm.36 + 0. espera-se que a altura do indivíduo aumente 0.9016 x Peso Isto é.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 = 21.9408 1 = n (yi − y ) = 11. uma função linear que exprima as vendas em função das despesas em publicidade. Estatística Aplicada 28 . a altura esperada será de 109. se um indivíduo pesar 70 kg.714 2 1 = n (xi − x ) = 69. c) Ajuste.) de uma empresa no período de 7 anos: Ano 1 2 3 4 5 6 7 Vendas 10 13 18 19 25 30 35 Desp.

. Public. Recta de Regressão c) 30 y = 2. quando as despesas em publicidade aumentam (diminuem). Em média.0651 Existe uma correlação positiva linear forte entre as duas variáveis.9408 x 11.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 . No quadro abaixo.. 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 . + (35 − 21.Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21.714)] 7 = = 0.429)(3 − 6.8782 Vendas 20 10 0 3 8 Desp. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.4649x + 4.429)(13 − 6.714) + . as vendas aumentam (diminuem) de forma quase exactamente proporcional.98 69.

m. c) Determine os três primeiros quartis. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente. 5[ [5. em média. b) Determine o rendimento médio e mediano. mas sim das ordenações das classificações (do 1º ao 10º classificado). Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. 50[ Nº de famílias 250 375 625 750 375 125 % de famílias 10 15 25 30 15 5 Fi (%) 10 25 50 80 95 1 ci 0.5 30 Estatística Aplicada .5 3. 15[ [15. 15[ [15. 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. 1[ [1.5 1.5 10 20 37. 5[ [5. 2[ [2.) de 2500 famílias da população de um país: Rendimento anual [0.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos. 25[ [25.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). 2[ [2. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. isto é. 1[ [1. 25[ [25. igualmente boa nota na prova final. os alunos que tiveram boa nota na prova inicial tiveram.

5 -------------. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. o rendimento anual de uma família é de 9025 unidades monetárias.Q3 – 5 Q3 = 5 + ((10x0. Classe mediana (classe a que corresponde uma frequência acumulada 0.5 0. + (37.0.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.5 x10%) + (1.3) = 13. Estatística Aplicada 31 . c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.m. 5[ 5 : Fi = 0.5.75): [5.5 x5%) = 9.Manual de Exercícios 1 0.4 0..25): [1. Logo.5 15 : Fi = 0.2 0 0 10 n i =1 20 n i =1 30 40 50 60 70 80 90 100 b) x = 1 n ni c i = f i ci = (0.8 0.m.5 x15%) + .6 0.5): [2.025 Em média. 15[ 5 : Fi=0.15 . 2[ 3 : Fi = 0. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u.8 .25)/0.75 – 0..8 Cálculo do Q3: 0.5 -----------.

7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1. 15[ [15.5 10 20 37.5 3.1 0.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13. total 125 562.1 5.95 1 qi 0.2 19.5 7. 5[ [5.6 Concentração moderada do rendimento Exercício 7 Considere a seguinte tabela que representa a distribuição dos empregados de uma instituição bancária segundo a remuneração bruta mensal (em milhares de unidades monetárias): Remuneração [60.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda.5 pi (=Fi) 0.18436 = 0. 350] Total Frequência.00554 0. 80[ [80. 100[ [100. 300[ [300.5 2187. 200[ [200.5 Rend.333 − 5) − (5 − 2) = = 0. 1[ [1.47 > 0 Q3 − Q1 13. 140[ [140. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.8 15. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82. 120[ [120.1274 0.2 8.286875 2 s x = s x = 82.6 3.071 e) Rendimento anual [0. 160[ [160.5 22562.4555 2.0305 0. 250[ [250.0 100 Estatística Aplicada 32 .286875 = 9.5 7500 7500 4687.2 31.5 0. 2[ [2.8 0. 25[ [25.5 1.4 2. Relativa (%) 7.25 0.46 0.

0.3 milhares u.m.2 8.5): [100.0.1 5.25 . 120[ 100 : Fi=0.23 -------------.28 milhares u.542 .4 2.6 3. 80[ [80.Q2 .8 23 54.5 .120 . 140[ [140.100 Q1 = 100 + ((20x0.312) = 117. 100[ [100.312) = 101.8 15. b) Analise a dispersão da distribuição em causa.5 7.542 Cálculo do Q2: 0. Relativa (%) 7. 120[ [120.100 Q2 = 100 + ((20x0.100 0.9 89 94.0.542 .02)/0.120 .28 25% dos empregados auferem remunerações inferiores a 101.2 31.2 19.100 0.23 -----------.23 -----------.23 120 : Fi = 0. Estatística Aplicada 33 .542 Cálculo do Q1: 0.23 3 : Fi = 0.m. 200[ [200.Manual de Exercícios a) Calcule os quartis da distribuição.7 80. 250[ [250. 160[ [160.0.Q1 .3 50% dos empregados auferem remunerações inferiores a 117. 350] Total Frequência.27)/0.23 -------------. 120[ 1 : Fi=0. Resolução a) Remuneração [60.25): [100.0 100 Fi (%) 7. c) Analise a assimetria da distribuição em causa.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0. 300[ [300. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.2 73.

33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143.3 − 101. 299[ [299. Exercício 8 Os dados seguintes referem-se ao peso. 301[ [301.61 − 101. 306] Total Frequência.243 > 0 Q3 − Q1 143.Q1 = 143.61(1) .737 -----------.Q3 .m.101.75 – 0.140 Q3 = 140 + ((20x0.3) − (117.809 .072) = 143. 300[ [300. 303[ [303.61 − 117.737 -------------. expresso em gramas. 160[ 120 : Fi=0.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda. saíram de uma linha de enchimento automático: Peso (em gramas) [297. b) Amplitude do intervalo inter-quartis = Q3 .28) = = 0.160 . Estatística Aplicada 34 . do conteúdo de uma série de 100 garrafas que.809 Cálculo do Q3: 0.61(1) milhares u. no decurso de um teste.28 = 42. 298[ [298.61(1) 75% dos empregados auferem remunerações inferiores a 143.013)/0.737 140 : Fi = 0.0. 304[ [304. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.75): [140. b) Calcule as frequências acumuladas e represente-as graficamente.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.140 0. 305[ [305. 302[ [302.

2 0. mediano e modal. 303[ [303. 306] Total F* 1 0.3 0.1 0. 299[ [299. Estatística Aplicada 35 ..6 0. + (305.4 0. 301[ [301. Resolução a) 0.15 0.8 0.2 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. 304[ [304. 302[ [302.11 O peso médio das garrafas é de 300.Manual de Exercícios c) Determine o peso médio..5 x 21%) + .05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297.11 kg. 305[ [305.25 0. 298[ [298.5 x8%) + (298. Qual o seu significado? d) Determine os quartis da distribuição. 300[ [300.5 x1%) = 300. e) Analise a dispersão do peso das garrafas.

21) = 299.Q2 .0.11) = 301.29 Cálculo do Q1: 0.72 302 : Fi = 0.72 -------------. 300[ 299 : Fi = 0.0. 300[.29 300 : Fi = 0.03)/0.301 0.72 -----------.08 299 : Fi = 0.75): [301.57 Cálculo do Q2: 0.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0.299 0.0357 kg.Q3 .83 .29 -----------. o maior valor de fi é 0.28 correspondente à classe [299. Neste caso.28) = 299.17)/0. Estatística Aplicada 36 .57 .298 .302 .5 .299 Q2 = 299 + ((1x0. 302[ 301 : Fi=0.08 -----------.75 kg.Q1 .0.0357 25% das garrafas têm peso inferior a 299. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.08 -----------.299 0. 299[ 298 : Fi=0.299 Q1 = 299 + ((1x0.5): [299.83 Cálculo do Q3: 0.75 50% das garrafas têm peso inferior a 299.25): [298.0.301 Q3 = 301 + ((1x0.75 – 0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.27(27) 75% das garrafas têm peso inferior a 301.21)/0.27(27) kg. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.0.29 -------------.300 .25 .29 . isto é. A classe modal é aquela a que corresponde maior frequência relativa.

1 0.5.625 1. 1.27(27) .775 1.4 1.7 1. 1.75.2 0. d) Determine os quartis da distribuição e diga qual o seu significado. e) Analise a dispersão da distribuição.05 0.8.37 0.25 0.65[ [1.05 0.45 1. f) Analise a (as)simetria da distribuição.6.75.6[ [1.8.7[ [1. 1. 1.4 4 2 0.Q1 = 301.97 1 6 5 4 3 2 1 0 Histograma 1.7.1 fi/hi 0.3 Fi 0.299. 1.05 0.4.5 1.03 1 ci 1.12 0.7.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.65. 1.8 1.0357 = 2. b) Determine a altura média e a altura modal.7[ [1.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.05 0.55[ [1.1 0. 1. 1. 1.1 0.17 0.02 0.6[ [1.02 0.5. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.85 hi 0. Resolução a) Altura (em metros) [1.05 0.65[ [1. 1.55.6 1. 1.75[ [1.67 0.9 Estatística Aplicada 37 .675 1. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1. 1.6 3.75[ [1.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.2 2 5 2.575 1.5[ [1.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .6. 1.8[ [1.525 1.5 0.5[ [1.725 1. 1.4.55. 1.05 0. 1.87 0.13 0.55[ [1.65.8[ [1.

65[ 1.6 – 1.67 1.7 1.Q1 – 1. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.65 m.65 A altura média dos alunos é de 1.55 0. 1.75 : Fi = 0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.3 1. Neste caso.576 m.5): [1.6m.8 0. 1.55 Q1 = 1.1..25 – 0.65 m. + (1. a altura mais provável de um aluno rondará 1.6 : Fi = 0.75): [1.55.25): [1.6 0.45x 2%) + (1.12 -----------.525x10%) + .4 0. 1.25) = 1.65 : Fi = 0.5 1.37 Cálculo do Q1: 0.12 1.6[.05x0.6 1.55.576 25% dos alunos têm altura inferior a 1.8 1..4 1. isto é.5 50% dos alunos têm altura inferior a 1.55 : Fi=0.75[ 1. 1.6.55m / 1.2 0 1. c) F* 1 0.12 -----------.13)/0.7.87 Estatística Aplicada 38 . correspondente à classe [1.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1. o maior valor de fi / hi é 5.55 + ((0.6[ 1.37 – 0.7 : Fi=0.85x3%) = 1.

65) − (1.00536875 2 s x = s x = 0. 10[ [10.75 – 0.Q1 = 1.Q3 – 1.72 m.7 Q3 = 1.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.0.65 − 1.72 − 1.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).72 – 1. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .576) = −0.7 + ((0.87.67-------------.72 − 1.75 – 1.7 0.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0. b) Determine a duração média das chamadas e respectivo desvio-padrão.67-----------. 30[ [30.00536875 = 0. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.2) = 1. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0. Exercício 9 Em determinada central telefónica.Manual de Exercícios Cálculo do Q3: 0. 20[ [20. 5[ [5.1.576 = 0.027(7) < 0 = Q3 − Q1 1. e) Amplitude do intervalo inter-quartis = Q3 .72 75% dos alunos têm altura inferior a 1.08)/0.05*0.

35 minutos.006 0. Resolução a) Duração (em minutos) [0.04 1 Histograma hi 5 5 10 10 20 fi/hi 0.002 Fi 0. 10[ Estatística Aplicada 40 .08 0.5 x 40%) + (7.4 0. 50] Total fi/hi 0. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.06 0.7 minutos.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0.06 0.4 0.2 0.5): [5.02 0.4 0.02 0 0 F* 1 0.04 0.5 7.5 x30%) + . quanto à dispersão. + (40 x 4%) = 9.35 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 = 81.96 1 ci 2.06 0.7 0.3 0. 5[ [5.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.4525 2 s x = s x = 0.. 30[ [30. 20[ [20.9 0. Compare.1 0.08 0..8 0. com desvio-padrão de 8.025 c) Classe mediana (classe a que corresponde frequência acumulada 0.5 15 25 40 10 20 30 40 50 60 30 40 50 60 70 80 90 100 b) x = 1 n i =1 n ni c i = f i ci = (2.6 0. 10[ [10.00536875 = 9.

5 0.1)/0.5 .35 CV2001 = sy y = 8.67 50% das chamadas têm duração a 6.3) + .Manual de Exercícios 5 : Fi = 0.3) = 6.0.7 Cálculo da Me: 0.4 -----------.5 Me = 5 + ((5x0.98 520854x 1145944 Correlação positiva quase perfeita. 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. Estatística Aplicada 41 . b) Ajuste.3)(3100 − 2708.3)] = 12 = 0.Me .67 minutos.0.4 10 : Fi = 0.7 = 0. uma função linear que exprima o custo em função do volume de produção. + (2000 − 1358.3)(3800 − 2708.10 .025 = = 0.4 -----------.7 . d) CV Dez = s x 9.. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358. pelo Método dos Mínimos Quadrados..87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.965 > x 9.

4 − 0.92) + .9 1.096933 Correlação positiva moderada.61 3669.9 − 0.7 0..7)(0. uma função linear que exprima a variável EPS em função de PBV.4553x + 731.7)(0.9 1.332 x 0.3 0.6 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 ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.4 a) Analise a correlação existente entre aqueles dois indicadores.8 1. + (81 − 121. pelo Método dos Mínimos Quadrados.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.8 0.92)] =9 = 0.0 0. b) Ajuste.5 0.. Estatística Aplicada 42 . Resolução a) r = s xy s xx s yy 1 [(191 − 121.

6 y = 124. b) Ajuste.04x + 7.4 1.383 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.8 PBV 1 1.4 0.2 0.) 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 1.6 0. pelo Método dos Mínimos Quadrados.Manual de Exercícios b) 250 200 150 100 50 0 0 0.m. Estatística Aplicada 43 . uma função linear que exprima a variável Gi em função de Ri.

986 Correlação positiva forte.2604x + 22.801 Rendimento Estatística Aplicada 44 .Manual de Exercícios Resolução a) rXY = Ri G i − n R G ( Ri − n R )( 2 2 G − nG ) 2 i 2 = 150270 − 17 * 2 2467 1030 * 17 17 2467 1030 2 (361073 − 17 * )(62620 − 17 * ) 17 2 17 2 = 0. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.

104 Introdução ao e-learning .

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

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.5}. 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 . para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces. mas os resultados obtidos após uma longa repetição da experiência patenteiam uma grande regularidade estatística no seu conjunto Alguns autores consideram inserido no conceito de experiência aleatória um outro. num lançamento de um dado ordinário tem-se que o espaço de resultados é { .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.3.3.2. 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos. que não sei mais que subconjuntos do espaço de resultados. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares. Por exemplo.6}. O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória. isto é.5. aos acontecimentos é aplicável toda a construção disponível para aqueles.4. obtém-se um resultado individual. Por exemplo. no lançamento de um dado podem definir-se. outros como “saída de um número ímpar” definido pelo subconjunto { . o de espaço de resultados. 1 Definidos como conjuntos.

isto é: P(A ∩ B) = P(A) x P(B) Estatística Aplicada 47 . A primeira definição foi proposta por Laplace em 1812. etc. 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. as 6 faces de um dado. Para − se analisar a probabilidade de ocorrência de determinados acontecimentos. É o que acontece com as duas faces de uma moeda. daí que ela surja muito ligada aos “jogos de azar”.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. deve ter-se em atenção o seguinte: Dois acontecimentos são ditos mutuamente exclusivos se não puderem acontecer ao mesmo tempo. 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.Manual de Exercícios Probabilidade de um acontecimento é expressa na escala de 0 a 1. sendo 0 a probabilidade associada a um acontecimento impossível e 1 a probabilidade associada a um acontecimento certo. vem que P (A ∪ B) = P(A) + P(B) . 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. se dois acontecimentos forem mutuamente exclusivos.

isto é 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.1 = 0. 3.25 Normal 0. sabendo que ocorreu o acontecimento “ser obeso”.1 0. convém ainda referir que. a da chamada teoria frequencista. Estatística Aplicada 48 . São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0. 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”. Este exemplo corresponde ao cálculo de uma probabilidade condicionada. 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.08 0.2 0.4 . 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. 0.15 0.8 1.Manual de Exercícios Após a apresentação desta definição. numa outra perspectiva.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”.2.2 0. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”.53 Magro 0. Por outras palavras.02 0. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.45 0.22 Total 0.

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

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

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

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

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

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

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

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. sabe-se que: - a probabilidade de A falhar é de 20% a probabilidade de B falhar sozinho é 15% a probabilidade de A e B falharem é 15% Determine a probabilidade de: Estatística Aplicada 56 . Determine a probabilidade dos seguintes acontecimentos: a) saída de Rei b) saída de copas c) saída de Rei ou copas d) saída de Rei mas não de copas e) não saída de Rei f) não saída de Rei nem de copas g) não saída de Rei ou não saída de copas Resolução A: saída de Rei B: saída de copas a) P(A)=1/13 b) P(B)=1/4 c) P(A ∪ B) = P(A) + P(B) . De ensaios anteriores. A e B.

15 + 0.3 – 0.8%.4% Estatística Aplicada 57 .2 + 0.Manual de Exercícios a) B falhar b) falhar apenas A c) falhar A ou B d) não falhar nem A nem B e) A e B não falharem simultaneamente Resolução A: o subsistema A falha B: o subsistema B falha P(A)=20% P(B-A)=15% P(A ∩ B)=15% a) P(B) = P(B-A)+ P(A ∩ B) = 0.4% Escolhe-se uma pessoa ao acaso. Calcule a probabilidade dessa pessoa: a) ler pelo menos um dos jornais b) ler A e B mas não C c) ler A mas não ler B nem C Resolução A: a pessoa escolhida lê o jornal A B: a pessoa escolhida lê o jornal B C: a pessoa escolhida lê o jornal C P(A) = 9.1%.15 = 5% c) P(A ∪ B) = P(A) + P(B) .2 – 0.7%. B e C: 6%. A.9%. C: 12. A e C: 3.1% P(B) = 22.8% P(A ∩ B) = 5. B: 22.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2. A e B: 5.1%.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais. B e C.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0. A. B e C: 2.9% P(A ∩ C) = 3.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.7% P(C) = 12.P(A ∩ B) = 0. com as seguintes percentagens de leitura: A: 9.

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

determine o número de parafusos que cada máquina produz diariamente.3P( M 2) + P( M 3) = 1 ⇔ 0.3P( 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. Sabendo que a probabilidade dele ser defeituoso é de 1. A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2.65%.0165 = 0.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1. 1 = P(M1)*10000 = ? Prod.02 Estatística Aplicada 61 . M1. 3 máquinas. 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.Manual de Exercícios Exercício 8 Numa fábrica. 3 = P(M3)*10000 = ? P( M 1) = 0. 2 = P(M2)*10000 = ? Prod.3P( M 2) * 0.03 + P( M 2) * 0. sendo a produção diária total de 10000 unidades.65% Prod. M2 e M3 fabricam parafusos.01 + P( M 3) * 0. Resolução M1: o parafuso foi produzido por M1 M2: o parafuso foi produzido por M2 M3: o parafuso foi produzido por M3 D: o parafuso é defeituoso n = 10000 unidades P(M1) = 0.

3 * 0.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .3P( M 2) 0.01 + (1 − 1.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1. 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. calcule a probabilidade de ter utilizado os transportes B ou C.5 = 15% P( M 3) = 1 − 1.3P( M 2) = 1 − 1.5 P(T/C) = 0.02 P( M 1) = 0.Manual de Exercícios − ⇔ P( M 3) = 1 − 1.03 + P( M 2) * 0.3P( M 2)) * 0. Resolução T: O João chega atrasado A: o João utiliza o transporte A B: o João utiliza o transporte B C: o João utiliza o transporte C P(T) = 0.3 * 0. B ou C.6 P(T/A) = 0.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A.8 P(T/B) = 0.3P( M 2) * 0.0165 = 0.

5 + 0.3 – 0.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .6 = =73.6 = (1-2P(B))*0.I.8 + P(B)*0.I.5 + P(B)*0. respectivamente.Manual de Exercícios Logo 0.6 Exercício 10 Uma empresa que se dedica à prestação de serviços de selecção de pessoal em relação a um teste psicotécnico para uma profissão específica sabe o seguinte: - as percentagens de indivíduos com um quociente de inteligência (Q. sabe-se que 70% dos indivíduos com Q. de 30% e de 60% a percentagem de indivíduos com Q. baixo.I. 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.) elevado e médio são. baixo ficar apto no teste é de 20% finalmente. 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.I.4 * 0.I.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.4 * 0.3% P (T ) 0.

Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0.6*0.3*0.1 * 0. possuir também frigorífico 2. possuir pelo menos um daqueles três objectos 2. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0.8 = = 17% 1 − 0. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.5+0.7+0.53 P ( A) Exercício 11 Os resultados de um inquérito aos agregados familiares de uma determinada cidade forneceram os seguintes dados: - 35% dos agregados possuem telefone 50% dos agregados possuem frigorífico 25% dos agregados possuem automóvel 15% dos agregados possuem telefone e frigorífico 20% dos agregados possuem telefone e automóvel 10% dos agregados possuem frigorífico e automóvel 5% dos agregados possuem telefone.1*0. 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 telefone ou frigorífico 2.

15 = 70% 2.15-0.35 + 0.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1. Todos terem idade igual ou inferior a 40 anos.2 = 40% b) krysktsh1.5 – 0. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0.05 = = 100% P (C ) 0. todos terem idade igual ou inferior a 40 anos? 2. numa amostra de três segurados 1. 1 – P( A ∪ B ∪ C ) = 1 – 0. a) Qual a probabilidade de um segurado não sofrer qualquer acidente durante um ano? b) Qual a probabilidade de um segurado que sofreu pelo menos um acidente ter idade igual ou inferior a 40 anos? c) Qual a probabilidade de. 3% têm um ou mais acidentes no mesmo período.P(A ∩ C) = 0.5+0.25 P( B ∩ C ) 0. dos quais 5% sofrem. dado que cada um sofreu. um acidente durante o referido período? Estatística Aplicada 65 .05 = 70% 2. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0.4 = 60% P(A ∪ C) = P(A) + P(C) . pelo menos.35+0.2-0.1 = = 40% P (C ) 0.2 + 0. P(B / C) = 2. P(A ∪ B) = P(A) + P(B) .1 − 0. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0.P(A ∩ B) = 0. pelo menos.25 c) 1. nenhum ter sofrido qualquer acidente durante um ano? 3.35 + 0.25 – 0.25-0.1+0. um acidente por ano. De entre os segurados com idade igual ou inferior a 40 anos.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade.

958 = 87.4 = 6. P( B ∩ B ∩ B ) = 0.3% Estatística Aplicada 66 .4*0.958*0.2857 = 2.6*0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0. P( A ∩ A ∩ A) = 0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.2857*0.4*0.4*0.05 = 95% P( A /I2) = 1 – 0.2857*0.9% 3.03 = = = 28.57% = P(B) 1 − 0. P( I 2 ∩ I 2 ∩ I 2) = 0.6 * 0.4% 2.958*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 – 0.97 = 95.6 = 40% P( A /I1) = 1 – 0.958 P ( A) P ( A) c) 1.95 + 0.

104 Introdução ao e-learning .

2 q=1-p=0. por minuto.8 Logo P(X>8) = 1-0.1. entre as 4 bobines necessárias a um determinado cliente.4.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central. calcule a probabilidade de.06 e −5 5 x P(X ≤ 8) = = 0.2*0. 8) λ=5 8 p=0.4) n=4 p=0. por minuto (0.1.5 horas.3.2.2 q=1-p=0.2. é 5. 7.8 P(X=1)=C4p1q4-1 = 4*0. 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.3. 5.83 = 0. escolhidas ao acaso uma ser defeituosa. 6.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas.932 = 0. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 . A central só pode atender um número máximo de 8 chamadas por minuto.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. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.

isto é.9772 = 2.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. a) b) Qual a probabilidade de que. em média. vem: 121 − 120 =2 0. sabe-se. por hora. em cada hora. entre as 9 e as 11 horas. se aluguem 5 barcos? Qual a probabilidade de que. num período de 6h λ=1/4.6[.5. que esse serviço funciona ininterruptamente das 8 às 20 horas.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120. Verificou-se que. e X: numero de avarias que ocorrem no intervalo [0. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente.9772. destinado aos turistas que a frequentam.28%. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 . por outro lado.333 = 0.5 Consultando a tabela. com desvio padrão 0. verifica-se que o valor da função Z é P(X ≤ 2) = 0. Z= Logo P(X>2) = 1-0.5 = e −1. esse serviço é procurado por 8 turistas interessados em alugar barcos. O número de turistas que procuram este serviço.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4. está associado a uma variável aleatória com distribuição de Poisson. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. entre as 8 e as 9 horas.

Nas actuais condições. considerando Y1 e Y2 independentes e que todas seguem Po(8).. vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +. a) Qual a probabilidade de.Manual de Exercícios Resolução X: nº de turistas que procuram o serviço de aluguer de barcos por hora X segue Po(λ=8) a) Na tabela da Po(λ=8) vem P(X=5) = 9.. o cais da refinaria pode atender. no máximo.0057 + . 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 99.16% b) Y1: nº de turistas que procuram o serviço de aluguer na 1ª hora Y2: nº de de turistas que procuram o serviço de aluguer na 2ª hora Logo Y1+Y2: nº de turistas que procuram o serviço de aluguer em 2 horas Pelo Teorema da Aditividade da Poisson.9% dos dias? c) Qual o número esperado de petroleiros a chegarem por dia? d) Qual o número mais provável de petroleiros a chegarem por dia? e) Qual o número esperado de petroleiros a serem atendidos diariamente? f) Qual o número esperado de petroleiros que recorrerão a outros portos diariamente? Resolução X: nº de petroleiros que chegam diariamente a uma certa refinaria X segue Po (2) Capacidade máxima de atendimento da refinaria: 3 petroleiros/dia Estatística Aplicada 69 .0001 = 1. + 0. os restantes que eventualmente apareçam deverão seguir para outro porto..32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2. Atingido este número. + f(33) = 0. num qualquer dia..

3233 E(Y) = 0*0. 2.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo. 3. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.85%.782 = 0.1.1429 = 4.218 Recorrem a outros portos.1353 + … + 3*0. Z = X .6767 = 0. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0.1.Y E(Z) = E(X -Y) = E(X) . em média. 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. 3) g(0) = P(X=0) = 0. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 . 5. 2. 4.1.3 Em média. com probabilidade 27.. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh. em média.1353 g(1) = P(X=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 30.2707 g(2) = P(X=2) = 0.8571 =14.30) W segue Bi (n = 30.1429) E(W) = 30*0. 6) Logo.782 São atendidos. 2. pg.E(Y) = 2 .1. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1..2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0.29% (tab. p = P(X>3) = 0..Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0.3233 = 1.

ao fim de 3 meses. Poisson. vem que: Y=X1+X2+X3 segue N(400*3. considerando X1. X2 e X3 independentes e que todas seguem N(400. Qual a probabilidade de que.3085 ⇔ 40 40 T − 400 T − 400 ) = 0. 1600).5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico.a.3085 ⇔ P( P(N(0. existem 2 cadeias de montagem A e B. P(3*420-Y > 100) = P(Y < 1160) = P(N(0.Manual de Exercícios 2.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. N(1200. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98.3085 X segue N(400. isto é. 1600*3). com funcionamento independente. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 .1)<-0. A cadeia A opera a um ritmo médio de 2 montagens por hora.1) ≤ b) 1. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v.1)< = P(N(0. X1: consumo efectivo de energia eléctrica de um cliente no 1º mês (em kwh) X2: consumo efectivo de energia eléctrica de um cliente no 2º mês (em kwh) X3: consumo efectivo de energia eléctrica de um cliente no 3º mês (em kwh) Logo X1+X2+X3: consumo efectivo de energia eléctrica em 3 meses (em kwh) Pelo Teorema da Aditividade da Normal.6915 ⇔ = 0. 1600) a) P(X>T) = 0.58) = 28. 4800) 2.71%. o consumo teórico exceda o efectivo em mais de 100 kwh? Resolução X: consumo efectivo de energia eléctrica de um cliente por mês (em kwh) T: consumo teórico (valor fixo) debitado ao cliente por mês (em kwh) T: P(X>T) = 0.

0753 + 0..0183 + 0. numa hora. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.1954 = 3. como se sabe que P(Y ≥ 1) = 0.012*0. Logo.8893=11. percorrendo as linhas de valor = 0.9817 = 0. mas desconhece-se a média (=parâmetro λ) No entanto. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.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 . em 3 horas de trabalho.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) = 0.0902*0.0183 Na tabela da Poisson. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de. 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.9817. Y2 e Y3 independentes e que todas seguem Po(4).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.0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4. considerando Y1.Manual de Exercícios b) a probabilidade de.0001 + … + 0.1353*0. + f(10) = 0 + 0. λ = 4.1048 = 34. vem que P(Y<1) = 1 – 0.2707*0.. vem que o valor 0.1465 + 0.0009*0. Na tabela da Po(4).1954 + 0.

Crit. maço é aproveitável se não contiver cigarros defeituosos 2.Manual de Exercícios Pelo Teorema da Aditividade de Poisson.1652 = 0. vem que Xi + Yi segue também Po(2+4=6).66 Estatística Aplicada 73 . p=P(X=0)+P(X=1)= 0. 2: maço é aproveitável se contiver no máximo 1 cigarro defeituoso Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20. P(X=1) = 20*0.01*0. determine: a) a probabilidade de um maço acabado de formar 1. P(X=0) = 0. também pelo mesmo Teorema.9831) Logo E(Y) = 20*0.010*0. Nestas condições. conter 0 cigarros com filtro defeituoso b) o número de maços que. p=P(X=0) = 0.9919 = 16. maço é aproveitável se contiver no máximo 1 cigarro defeituoso Resolução X: nº de cigarros com filtro defeituoso em 20 cigarros de um maço X segue Bi(n=20. conter 1 cigarro com filtro defeituoso 2.8179 = 16.9831 = 19. 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. E Z .36 2. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. Crit. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. 1: maço é aproveitável se não contiver cigarros defeituosos Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20.01) a) 1. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos. Numa rápida análise às condições de produção. segue Po(6*8=48) Logo.8179+0. a companhia espera poder aproveitar se utilizar o critério: 1.79% b) 1.9920 = 81.52% 2. p=0. num volume que contém 20.8179) Logo E(Y) = 20*0.

5.392 = 1.25<X<0. E como σ tem que ser =0.642 − 0.975 0.642) = 47.45 − 0.475 + 0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.25 σ < 0.5% têm comprimento entre 0.05 < X < 0.96 e logo σ = 0.25 mm e 0.25) = 50% vem que P( X −µ σ < 0.05) = 0.392 ) = 0.25 σ 0. a) Calcule a média e o desvio-padrão do comprimento das peças.a.13% 0.1) < 0.2 0.5 = 0.25 − µ σ 0.25 σ ) = P (0 < N (0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ. Sabemos que 50% das peças produzidas têm comprimento inferior a 0. Normal com média µ e variância σ2.05 − 0.25 − µ ) = 50% Na tabela.2 Sendo θ (0)=0. logo µ = 0.25 mm e 47. vem que σ b) P(peça não defeituosa) = P(µ .25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.25<X<0. b) Determine a probabilidade de uma peça não ser defeituosa.642) = 47.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.σ < X < µ + σ) = P(0.25) = 50% P(0.642 mm.25 P(0.2 74 θ( Estatística Aplicada .25 0. vem que θ ( σ Na tabela 3B da Normal.392 σ )= =θ( σ ) − θ (0) = 0. σ2) Peça defeituosa se X>µ + σ ou se X< µ .σ P(X<0.25 − 0.5% vem que P( 0.5% a) Como P(X<0.475 0.392 < X − 0.45) = P(X<0.45) – P(X<0.

4 veículos a determinado posto abastecedor de combustíveis. Qual a probabilidade de ter de aguardar mais de 10 minutos até à chegada de um veículo? Resolução X: nº de veículos que chegam ao posto abastecedor por período de 5 minutos X segue Po(4) Se X1: nº de veículos que chegam ao posto no 1º período de 5 minutos X2: nº de veículos que chegam ao posto no 2º período de 5 minutos então X1+X2: nº de veículos que chegam ao posto abastecedor em 10 minutos Pelo Teorema da Aditividade de Poisson.2. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0. 20) n=20 p=0. que eleva a probabilidade de cura para 40%. ainda que este eleve de facto a probabilidade de cura para 40%. 0. Estatística Aplicada 75 ..Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%.4) P(X ≥ 8)=1.1. por cada período de 5 minutos.19. Calcule a probabilidade de se concluir pela ineficácia do medicamento. 8 doentes em 20. Um empregado entra ao serviço às 8 horas. chegam.F(7) = 41. em média. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0. considerando X1 e X2 independentes e que ambas seguem Po(4).03%. ministrando-o a um grupo de 20 doentes. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de.58% Exercício 12 Sabe-se por via experimental que.4 q=1-p=0.6 X segue Bi (20.. Põe-se à prova um novo medicamento. pelo menos.

Caberia depois à empresa julgar se esses seriam ou não valores aceitáveis e proceder aos eventuais reajustes necessários. suponhamos que numa fábrica produtora de açúcar se pretende averiguar se o peso dos pacotes produzidos está. é até provável que não coincida e. Assim. a partir da observação de uma única amostra. a estatística permite que. aferir entre que valores seria de esperar que variasse o parâmetro de interesse se nos empenhássemos a recolher um número infinito de amostras.92 kg e 1. Estatística Aplicada 76 . dentro das normas de qualidade exigíveis. para cada amostra de dimensão n recolhida. como retirar conclusões? Como garantir algum nível de rigor? O método a estudar neste capítulo – a estimação por intervalos – permite. tal significa que. por exemplo. pela morosidade e dispêndio de recursos que tal implicaria.02 kg. De facto. em média. Isto é. Claro que nada nos garante que esse valor coincide com o valor do parâmetro da população em estudo. E esse resultado tem um determinado nível de confiança associado: por exemplo. este método poderia. Isto é. por exemplo. se nos fosse possível observar um número infinito de amostras. caso o valor amostral fosse de 1. é possível calcular o peso médio de acordo com as técnicas de estatística descritiva apreendidas atrás. se recolhermos outro conjunto idêntico de pacotes. o intervalo de valores apresentado corresponderia aos resultados obtidos em 95% delas (os valores mais usualmente utilizados são 90%. se dissermos que o nível de confiança ou certeza implicado é de 95%. a estimativa do parâmetro assumiria valores distintos. o valor seja diferente. Estimação por intervalos Conhecendo-se uma amostra em concreto. é possível estimar os valores dos seus parâmetros caracterizadores através de métodos probabilísticos. Então. Na impossibilidade de medição do peso de todos os pacotes. 95% ou 99% de confiança). a partir da recolha de uma única amostra. Por exemplo. ao recolher um determinado número de pacotes da produção total aleatoriamente. permitir afirmar que seria altamente provável que o peso dos pacotes produzidos estivesse a variar entre 0.Manual de Exercícios 3.4. seja possível inferir entre que valores varia o peso médio com um grau de confiança ou probabilidade elevado. mais.12 kg.

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

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

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

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

Lim. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11. com 99% de confiança. entre que valores se situa o teor médio de nicotina de um cigarro. diga.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.051.1. . Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0. Defina um intervalo que. observando-se um valor médio de 1.085 mg e 1. com 99% de confiança.X +c σ n = 1.576 x0.76 Amplitude = Lim.2 − 2.12 = 11.70m.2 mg.2 σ=0.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.085.88 – 104.Sup.22) n=20 e logo X −c x =1. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.315] Estima-se.315 mg.Manual de Exercícios b) Amplitude = 115.Inf.1.2 − 2.2 20 . Resolução X segue N(µ.2 mg.576 x0. contenha o valor esperado da altura µ.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina.2 20 = [1. que o teor médio de nicotina de um cigarro se situa entre 1. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0. Estatística Aplicada 83 . 0. com probabilidade 95%.576 σ n . tendo-se obtido o valor de 1.

X +c σ n = 1.051 25 . Construa um intervalo Estatística Aplicada 84 . com 90% de confiança.1 − 1.96 x 0. onde 10% dos artigos são defeituosos. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).645 = 1600 1600 n n = [0. com 95% de confiança.96 σ n . Determine o intervalo de confiança para a referida proporção com 90% de confiança.1.9 p (1 − p ) p (1 − p ) ˆ .0876.9 0.085 mg e 1.1x0.70 σ2=0.96 x 0. 0.0.1 − 1. Para tanto. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.1123] Estima-se.Manual de Exercícios Resolução X segue N(µ.645 = 0. Exercício 6 Numa fábrica.7 − 1.051) n=25 e logo X −c x =1.2 − 1. que o teor médio de nicotina de um cigarro se situa entre 1.051 25 = [1.788] Estima-se.0.1x0.23%.611.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança. Passada uma semana.315 mg.76% e 11.1. procura conhecer-se a incidência de defeituosos na produção de uma máquina. que a proporção de artigos defeituosos na produção se situa entre 8.p+c .

25 x0.25 − 1.0. 0.96 .645 e logo Estatística Aplicada 85 . com 95% de confiança. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.9%. verificando que 960 a conheciam.1% e 29.034. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20. Resolução n=300 ˆ p= 75 = 0. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.833].75 0.201.96 = n n 300 300 = [0.0. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0.p+c = 0. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.25 x0.767.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.75 ˆ .299] Estima-se.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0. Nesse sentido.25 − 1. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.

Sup.645 * ≤ 0.1% e 81.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .p+c = 0.2 = 0.833 ⇔ c = 2. estima-se que o desvio .833 n 0.645 = n n 1200 1200 Estima-se.0.781. = ( p + c Logo ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c n n n 2c ˆ ˆ p(1 − p) 0.Inf.2 ˆ .1) vem igual a 99.86) na tabela N(0. com 90% de confiança.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.2 0. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.6%.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.8 * 0.8 − 1.-Lim. 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.=Lim. Com base num vasto conjunto de ensaios realizados no passado.2 = 2 *1.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.Manual de Exercícios ˆ p−c = [0.8 + c E D(2.645 .padrão da tensão de ruptura do material em causa é de 70 psi. que a proporção de indivíduos conhecedores da marca se situa entre 78.8 x0. pretendendo-se que a sua amplitude não exceda 60 psi. ˆ b) Amp.8 * 0.0. Qual o número de ensaios necessário para definir tal intervalo? Resolução n=? σ=70 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.86 1200 Logo 0.8 − 1.9%.8 x0.

X +c σ n = 4537 − 1.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Construa um intervalo de confiança. tendo sido obtida uma média de 4537 kg/cm2.96 e logo Estatística Aplicada 87 . a 95%.96 x10.58 10 .5] Estima-se.96 x10.96 σ n . que é respeitada. 112) n=10 e logo X −c x =4537 σ=10. foram seleccionados aleatoriamente e sujeitos a um teste de impacto. foram analisadas as tensões de ruptura de 10 cabos SCB-33R.5 kg/cm2 e 4543. que o tensão média de ruptura dos cabos se situa entre 4530. Interprete o resultado obtido.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Resolução a) n=50 ˆ p= 18 = 0. e em 18 foram observados alguns danos.5.4543. Resolução X segue N(µ.Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos. Defina esse intervalo. Recentemente. com 95% de confiança.5 kg/cm2.4537 − 1. para o valor esperado da tensão de ruptura dos cabos do lote em causa. Exercício 11 Uma amostra de 50 capacetes de protecção. para a verdadeira proporção p de capacetes que sofre danos com este teste.58 10 = [4530. a 95%. usados por trabalhadores de uma empresa de construção civil. seleccionados aleatoriamente a partir de um lote de grandes dimensões. Existe uma norma de 112 kg/cm2 em relação à variância. O director comercial pretende saber qual o intervalo de confiança.

0.0.5 = 2 * 1.= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.96 * < 0.7% e 49. com 95% de confiança.64 0.5 * 0.p+c = 0.96 = n n 50 50 Estima-se.3%.36 x0. de modo a garantir que um intervalo de confiança a 95% para essa proporção tenha uma amplitude não superior a 8 pontos percentuais? Resolução n=? ˆ Amp.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.08 ⇔ n > 600 n n Estatística Aplicada 88 .Manual de Exercícios ˆ p−c = [0.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos).49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.22695. que a proporção de capacetes que sofre danos se situa entre 22. vem que: 2c ˆ ˆ p(1 − p) 0. Exercício 12 Qual deve ser o número de habitantes da cidade do Porto a seleccionar aleatoriamente para estudar a proporção de portuenses que usam óculos.64 ˆ .36 x0.36 − 1. isto é. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).36 − 1.96 .

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

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. estamos a lidar com leis de probabilidades. Compete ao investigador decidir qual a dose de risco de se enganar em que está disposto a incorrer. pode-se manter pequena a probabilidade de os cometer.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. 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. em função dos resultados de uma amostra. 5%. é natural que envolvam alguma margem de erro e que ocorram em situação de incerteza. no entanto. logo não é possível de saber se a hipótese nula é verdadeira ou falsa. em que está em causa aceitar ou rejeitar a hipótese nula. Vamos supor uma probabilidade de erro de. Podem-se definir 2 formas de especificar Ho e H1: (i) hipótese simples contra hipótese simples Ho: θ = θ0 H1: θ = θ1 (ii) hipótese simples contra hipótese composta Ho: θ = θ0 H1: θ > θ0 ou θ < θ0 ou θ ≠ θ0 Estes testes designam-se respectivamente de teste unilateral à direita. teste unilateral à esquerda e teste bilateral Sendo os testes de hipóteses. 5 chances em 100 de Estatística Aplicada 90 . por exemplo. portanto. Nesse caso. e avançada a hipótese nula Ho. mas apenas medir as probabilidades envolvidas na tomada de decisão. um processo de inferência estatística onde se procuram tomar decisões sobre a população com base numa amostra. por exemplo. ou este aumentava de facto o nível médio das chuvas em 50 mm. Ao utilizar uma amostra de uma população.

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

05 ⇔ 100 9 n ⇔ c = 600 + 1. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654. considerar que o processo científico não produz efeitos. se o valor amostral fôr superior a 654.Manual de Exercícios Em princípio. a Região Crítica deste teste.645 x 100 = 654. por falta de provas suficientes para não o fazer. pelo que a decisão é conservar H0 . isto é.2 mm.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. conserva-se Ho. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. a seguinte: - rejeitar H0 em favor de H1. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. Logo. Estatística Aplicada 92 . Se tal não acontecer. grandes valores de X são improváveis.05 ⇔ P ( X −µ σ > c − 600 ) = 0.83(3) 3 A regra de decisão é. isto é. vem que P ( X > c / µ = 600) = 0. isto é.83(3). opta-se por H1 com probabilidade 5% de se estar a cometer um erro. sendo P(Rejeitar Ho / Ho) = α = 5%. então.83(3) Isto é.83(3) X µ = 600 Os dados recolhidos indicavam X =610.

os erros incorridos não se ficam apenas pelos de 1ª espécie. No entanto. No entanto. O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β. Estatística Aplicada 93 .Manual de Exercícios No entanto. Isto é. Supondo então que H1 é verdadeira (µ=650 mm). tal não é possível. Existem também erros de 2ª espécie. sendo o teste ideal o que minimiza simultaneamente ambos os valores. é possível alternativamente partir do princípio que é H1 que é verdadeira.83(3) / µ = 650) = P ( X −µ σ ≤ n 654. infelizmente. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. então vem que: X ∩ N (650. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses. mas que. ou seja. e como α e β se referem a realidades opostas e variam em sentido contrário.83(3) − 650 ) = P ( N (0.1) ≤ 0. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas. isto é. de se cometer um erro de 2ª espécie.14) = 55.

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

05 ⇔ 0. sendo P(Rejeitar Ho / Ho) = α = 5%.05 ⇔ P ( X −µ σ < n 0.97 1.012 ) e que se conhece a seguinte amostra: 1.98 0. Logo.97 1.645 x c −1 ) = 0.02 0. Seja X a variável que representa o peso de um pacote de arroz.01 = 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%.01 9 Estatística Aplicada 95 .02 0.99 0. vem que P ( X < c / µ = 1) = 0. RC = ]− ∞.98 1.00 Será que. determinar a região de rejeição e aceitação.01 0.0.9945] ⇔ c = 1 − 1.9945 3 Logo.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. Suponha que X ∩ N ( µ .

9945 para 0.5 H1: p < 0.9933 e é menor que o valor crítico 0.9933 Como o valor da amostra foi 0. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade. consideraremos que não há qualquer anomalia na produção. Faz-se um inquérito a 200 pessoas. Exercício 2 Numa cidade. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0. No entanto. rejeita-se Ho Ou seja. considera-se que o arroz contido em cada pacote era inferior ao indicado. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. Neste caso.9945.5 Estatística Aplicada 96 . e 45% declaram-se favoráveis.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0. ou seja.9922.9922 0.9933 A única mudança será no Valor Crítico. que de 0. pretende-se saber se metade da população é favorável à construção de um centro comercial. aceitaremos Ho. Reduzindo a probabilidade de isso ocorrer de 5% para 1%.9945 +∞ Valor da amostra: 0.

5) 200 ) = 0.442 200 Logo.5(1 − 0. Estatística Aplicada 97 . determinar a região de rejeição e aceitação.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.5) = 0.5) = 0. Passo 3 A região crítica é formada por todos os valores menores ou iguais a c Passo 4 Assumir um nível de significância de 5% Passo 5 Para α=5%.442. 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 − 0. sendo P(Rejeitar Ho / Ho) = α = 5%. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial.5 − 1. Logo.5 0. RC = ]− ∞.45 0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.442] Passo 7 Como o valor amostral 0.0.05 ⇔ ⇔ c = 0.442 Ou seja. essa margem não é suficiente para decidir deixar de o construir. vem que ˆ P ( p < c / p = 0. onde o cuidado deve ser trabalhar com grandes amostras.45 é maior que o valor crítico 0.45 0.645 x Passo 6 ˆ p =0.

Da produção de determinado dia é retirada uma amostra de 49 pacotes. produzidos por uma fábrica.997 0. qual seria a dimensão da amostra a partir da qual aquela percentagem permitiria afirmar que a cmapnha atingiu o fim em vista? Estatística Aplicada 98 . realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos.997.326 ⇔ c = 0.01 σ ≤ n 49 49 Como x = 0.01 ⇔ P ( X −µ c −1 c −1 ) = 0. 0.01 ⇔ = −2.01. Pode-se afirmar. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0. a) Com 1% de significância. é lançada uma intensa campanha anti-tabaco. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo.01 0.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg.998 Kg. 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). não pertence à região crítica. registando-se 45 fumadores. a um nível de significância de 1%.012) n = 49 x = 0. é uma variável normalmente distribuída. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ. Ao fim de três meses. com peso médio de 0. com desvio padrão 0.998 > c = 0.

5 (a campanha não surtiu efeito) H1: p < 0.5 * 0. a 5% de significância.5 0.5 100 = −2. com desvio-padrão de 20 horas.5 ≤ ) = 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.45 α = 1% H0: p = 0.5) = 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.5 * 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.326 ⇔ c = 0.384 ˆ Como p = 0.01 ⇔ p(1 − p) 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas.5 n n ⇔ 0.45 − 0. Uma amostra de 18 baterias forneceu os seguintes valores: 237 242 244 262 225 218 242 248 243 234 236 228 232 230 254 220 232 240 Supondo que o tempo de vida das baterias se distribui normalmente. não pertence à região crítica.384.45 − 0.5 100 ) = 0.45 > c = 0.5) = 0. poder-se-á concluir.01 ⇔ P( ˆ p− p 0.326 ⇔ n = 541 0. b) P( X ≤ 0.5 0.5 * 0.45 / p = 0.5 * 0. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .01 ⇔ c − 0.5 = −2.

A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.25 20 20 σ ≤ n 18 18 Como x = 237. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância.Manual de Exercícios Resolução X segue N(µ. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas). 202) n = 18 1 18 x = xi = 237. Foram registadas 5 medidas de temperatura de fornos regulados para 600º.05 ⇔ = −1. em dada secção. Exercício 6 Uma empresa de cerâmica tem.360) n=5 Estatística Aplicada 100 .645 ⇔ c = 232. não pertence à região crítica.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0.05 > c = 232.25. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador.

a um nível de significância de 1%. o verdadeiro peso dos ovos será menor.645 ⇔ c = 613.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0. cujo peso médio foi de 158.95 ⇔ c − 600 = 1. a) O fabricante diz que o peso médio é de 160 g.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) = 0.96. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado).437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 .97 5 n Como x = 602 < c = 613. Foi recolhida uma amostra de 100 ovos. Teste. pelo contrário.96 18. não pertence à região crítica. 437 g. 90. ou se. se a afirmação do fabricante pode ser considerada verdadeira.25) n = 100 x = 158. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90.25.

pertence à região crítica. não pertence à região crítica.6 0.55 < c = 0.5 n 100 Como x = 158. a percentagem. Resolução n = 600 H0: p = 0. Adoptando um nível de significância de 1%. pronuncie-se quanto à projecção que o semanário reclama.5535.6 * 0.6 ˆ p = 0. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira).645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido.6 H1: p < 0. o semanário em causa. Efectuando um inquérito junto de 600 leitores. de 60% de leitores que regularmente compram um jornal desse tipo.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.4 600 = −2. até então nunca atingida por qualquer semanário.4 600 ) = 0.437 > c = 157.326 ⇔ c = 0.25 100 ) = 0.Manual de Exercícios P ( X ≤ c / µ = 160) = 0.79.01 ⇔ c − 0. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama).326 ⇔ c = 157.01 ⇔ P ( X −µ σ ≤ c − 160 90. por hábito. 55% declararam adquirir. b) P ( X ≤ 158.6 0.6) = 0. Estatística Aplicada 102 .437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158.79 9.6 * 0.5535 ˆ Como p = 0. numa região.437 − 160 90.01 ⇔ c −1 = −2.25 100 ) = α ⇔ F (−1.

admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.0625 12 ) = 0.6% n Estatística Aplicada 103 .18 > c = 5. a um nível de significância de 5%. a) Poder-se-á afirmar.061 0.645 ⇔ c = 5.5040 = 49.0625) n = 12 x = 4. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.9) = P ( X −µ σ > 5.18) = 0.9 0. não pertence à região crítica.18 kg/cm2 e variância 0. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual).Manual de Exercícios Exercício 9 Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência à compressão com valor esperado de 5.18 H1: µ < 5.01) = 1 − 0.061.061 / µ = 4.18 = −1.061 − 4.95 kg/cm2.0625 (kg/cm2)2.0625 12 ) = 1 − F (0.05 ⇔ n 12 Como x = 5. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.25 σ ≤ 0. 0.18 c − 5.05 ⇔ P ( X −µ c − 5.90 kg/cm ? Resolução a) X segue N(µ.95 α = 5% H0: µ = 5. tendo-se obtido para a resistência média à compressão o valor de 4. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.

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

por exemplo. 2. (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante. a funcionar).9). a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. vai considerar-se de novo um sistema composto por quatro componentes em paralelo. para um nº mínimo de 3 componentes necessárias. Para o efeito.77%. se todos os componentes tivessem fiabilidade 0. no caso de sistemas redundantes. as condições de funcionamento e de avaria para o sistema têm de ser definidos. 3 ou 4 componentes. vem: Rs = P(pelo menos 3 componentes a funcionar) = P(funcionarem as 4) + P (funcionarem 3) 4 = C 4 p 4 q 4− 4 + C 34 p 3 q 4−3 = p 4 + 4 p3q Por exemplo. Se as componentes forem todas iguais. com probabilidade de funcionamento p e de indisponibilidade q. 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. Assim. é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva.9 (p=0. no mínimo. então a fiabilidade de um sistema deste tipo seria 94. a probabilidade associada a cada um dos estados possíveis (1. Estatística Aplicada 107 . isto é.Manual de Exercícios Veja-se que. a fiabilidade do sistema aumenta à medida que aumenta o número de componentes ligadas ao sistema (que representam como garantias de funcionamento adicionais).

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

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.

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

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

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

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

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

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

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

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

Manual de Exercícios Se o obtido fôr maior ou igual ao crítico. concluindo-se que.991 (cruzamento da linha 2 com a coluna 0. não há associação entre as variáveis. Estatística Aplicada 118 .7) com o valor do crítico. a hipótese Ho não pode ser rejeitada.5 25 Farmácia 20 17. Em média. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni.5 120 2. a proporção de alunos que usam ou não drogas não varia entre os cursos.5 35 Biologia 30 30.0 60 120 Total 60 60 3. Por último. Ho deverá ser rejeitada. Vem que o obsv. Para o cálculo do recomendam-se os seguintes passos: n i . * n.7 4. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. Calcular as frequências esperadas eij = Por exemplo. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa).5 15 17.05). compara-se o valor do observado obtido (1. j n = 25 * 60 = 12.0 30 30. 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 5.7 é menor do que o valor obtido a partir da tabela.5 15 12. se as duas variáveis fossem independentes. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. Assim sendo. j n 1. no grupo estudado. que é 5. * n.=1.

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

337 33.113 43.801 37.240 20.064 23.364 42.484 0.588 5.479 38.007 35.735 2.819 34.211 0.264 6.741 40.643 9.301 30 13.646 44.338 27.832 15.982 14.336 36.659 23.343 14.340 18.267 39.344 13.017 14.434 8.266 9.047 19.591 12.308 18.314 46.601 5.336 37.340 19.001 0.588 52.252 120 .987 18.757 31.337 28.338 24.728 12.963 49.412 0.251 7.928 52.994 56.615 32.582 43.796 10.188 29.892 53.204 2.339 21.207 0.475 28 12.666 23.275 19.916 41.507 17.141 31.034 8.217 28.725 26.337 26.216 0.645 55.773 46.337 29.337 34.671 35.Manual de Exercícios 0.023 21.247 3.307 24.351 2.005 0.210 10.787 16.312 15.689 14.064 1.566 39.124 8.209 25.697 6.337 32.338 23.587 30.01 0.009 5.932 41.143 13.001 0.262 6.156 2.869 31.026 23.475 20.362 15.268 11.989 28.599 29.688 29.260 9.980 45.592 14.144 32.845 32.191 38.256 43.461 48.473 24.924 36.885 41.578 32.016 0.357 4.321 7.000 0.672 59.841 5.404 5.292 25.578 10.989 1.675 21.342 15.181 49.312 8.610 2.449 16.769 27.812 22.718 40.488 11.838 16.346 12.010 0.991 7.278 50.000 34.344 1.170 37.074 3.808 14.378 6.920 24.443 19.120 16.527 7.676 0.041 12.975 0.791 20.815 5.584 1.750 20.827 9.844 7.939 27.852 36.341 17.907 11.603 3.013 18.979 50.119 29.336 39.172 38.466 9.348 10.362 24.412 31.304 11.296 28.382 37.833 3.879 10.831 1.645 12.549 21.791 8.865 17.041 21.179 25 10.816 4.025 0.075 4.573 18.700 3.848 22.339 22.345 12.348 11.563 38.779 3.877 9.860 18.651 18.410 34.488 30.156 42.307 20.386 2.547 14.314 10.196 36.051 27 11.085 16.781 40.072 0.5 0.515 5.892 29 13.124 8.542 26.319 36.908 7.558 51.548 22.335 58.605 6.619 26 11.997 45.142 5.706 4.909 7.819 9.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.638 44.300 32.684 16.919 19.565 4.265 6.290 54.923 45.336 40.283 13.067 16.490 4.289 42.9 0.204 30.526 34.535 20.087 42.236 11.337 30.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.805 37.642 48.629 6.1 0.722 49.768 28.589 27.409 35.366 3.996 27.231 10.455 1.457 6.191 33.070 12.277 14.090 21.690 2.520 13.168 4.886 0.815 9.278 24.557 45.564 10.736 27.635 7.812 18.865 0.024 7.483 23.698 9.338 25.237 1.086 16.114 26.790 13.415 39.955 26.121 16.336 35.05 0.796 48.401 46.401 15.461 15.195 46.597 13.051 0.813 33.652 40.160 13.180 2.685 26.337 44.076 41.844 17.

15 = 1 (aproximadamente) 2.5 = 60. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%. 25 = 77.. 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D).. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0. está instalado um sistema de 10 máquinas para utilização de cartão multibanco.15*0..e maq 10 não funcionar) = 1 – 0.8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 . Quatro componentes de um sistema encontram-se associados de acordo com a figura junta..15*.*0. Resolução P(avaria) = 1-0.85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e.6531% = e −0. Calcule a probabilidade do sistema estar em funcionamento. B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas.Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A).

Calcule a fiabilidade do equipamento. 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 . tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0.778801 = 46.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. com um MTBF de 17 500 horas.8% Exercício 3 Foram ensaiadas durante 3 000 horas.0944% Logo.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0.990944*0. P(sistema estar em funcionamento após 5 000 horas) = = 0.5 horas.171429 = 84. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial.25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.606531*0.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0.1 = 90.904837)2 = 99. 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. sem que se verificasse qualquer avaria.

b) Quantas lâmpadas.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.846x1000 lâmpadas = 846 Estatística Aplicada 123 . 0.5 = 26.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.0. num conjunto de 10. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.5 x(6 / 4.4% 4.302 = 73.P(falhar nenhuma) = 1 .5)t = e-(6/4.5).5 6 0 − 1 − 4.9% Em 10.6] horas P(Y=2) = e − − 6 4.5) 2 = 23. como Y segue Po(1/4.6% Logo.5) MTBF = 4.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.0488 = 95.12% b) Rs = e − 2000 12000 = e −0. 1 .1667 = 84.4% 2! Exercício 5 Sabe-se que um determinado modelo de lâmpadas apresenta no período de vida útil (3625 horas) um MTBF de 12 000 horas.6] horas.5 e dx = e 4.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4. no período de vida útil. estarão provavelmente em funcionamento após 2 000 horas de utilização. de um conjunto de 1 000.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .5 c) Y: nº de avarias no intervalo [0.73910 = 1 – 0.5) = 26. Resolução a) Rs = e − 3625 12000 = e −0.

2*0.25 e que as avarias são independentes.05)*0. T2 e T3 se encontrarem avariados são.15.8*0. No caso de nenhum elemento avariar o sistema funciona normalmente. T1.954*0.2*0.15*0.p=0.5% P(2 sem avarias) = 0.7.25 Estatística Aplicada 124 . Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia. 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. indicando o valor médio de tal distribuição.8*0.25+0. sendo 0.05) Valor médio=5*0.15*0.1425 = 91.85*0.85*0. respectivamente.25=9.2 e 0.75+0.7738 + 0. se um dos elementos avariar o sistema funciona com probabilidade 0.63% b) Bi(n=5. 0.5% P(3 sem avarias) = 0. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias.05=0.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos.955)* 1 + (5*0. colocados estrategicamente a fim de satisfazer adequadamente os utentes.7 = 0. se mais de um elemento avariar o sistema não funciona. Resolução a) P(sist.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.51=60. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia. 0. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.095+0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0.

1225 n=16 σ=0.530.8775 LSC = µ + = 50. 50. Resolução X: resistência de um componente em Ω X ∩ N ( µ . se produzir um artigo defeituoso.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. (0. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de. 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.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: 50.25) 2 ) a) LIC = µ − cσ n cσ n = 49.

88) = Na tabela da Normal.P(-1.88 ≤ X ≤ 1. vem D(1.53 − 50 50.P(-1.25 16 16 1.P(49.96) = Na tabela da Normal.P( 1 . que afirmam que os produtos produzidos (em série) por esta empresa não obedecem às normas de qualidade estabelecidas e que são: - a norma para o comprimento médio das peças é de 20 cm.9399 donde 1 – 0.88) = 0. SA” mantém um diferendo com os seus principais clientes. a norma para a variância é de 4 e está a ser cumprida.8775 ≤ X ≤ 50.53 ≤ X ≤ 50.8775 − 50 50.96 ≤ X ≤ 1.25 0.95 = 5% c) P(produzir um artigo defeituoso.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .25 0. a amplitude do intervalo de controle para a média deve ser de 1. vem D(1.25 16 16 1 – P(49.96) = 0. Estatística Aplicada 126 .47 sendo µ=50) = 1 .1225 sendo µ=50) = 1 .9399 = 6.1225 − 50 ≤X ≤ )= 0. sendo a norma respeitada) = 49.96. 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.95 donde 1 – 0.01% Exercício 2 A empresa “TRADECHO.47 − 50 ≤X ≤ )= 0.P( 49.

96/2 ≤ X ≤ 20+1.P(-1.96 ≤ X ≤ 1. vem D(1.30 20.P(20-1.00 20.3 • • • • •20.5 • • • • 19.96) = 0.96) = Na tabela da Normal.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ . Estatística Aplicada 127 .15 • • • • • 19.95 = 5% b) e c) Média Amostral (cm) 20.96/2 sendo µ=20) = 1 .98 ≤X ≤ )= 2 2 16 16 1.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.95 donde 1 – 0.98 0.P( − 0.90 20.Manual de Exercícios a) Determine a probabilidade referida.90 • • • • • 20 • • • •20.05 19. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).

645 ≤ X ≤ 1.P( 983.45 − 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 . (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983. 1016.55 cσ = 1016. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .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). a partir de uma amostra de dimensão 100: [983. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.645) = Estatística Aplicada 128 .55.55 − 1000 1016. Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.P(983.55 ≤ X ≤ 1016.P(-1.

9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.96 * 4 n ≤ 1.8 - = 9. ( 4) 2 ) cσ n a) LSC = µ + = 10. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ .645) = 0. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.96 2 cσ n ≤ 1. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas. vem D(1.82 Exercício 5 O director de produção da empresa DISLIX. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série. procede à verificação da produção de energia Estatística Aplicada 129 .9 donde 1 – 0.8 milhares de horas a amplitude do intervalo não deve exceder 1.8 logo µ = 10.96 * 4 64 b) LSC = µ + = 10. 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 10.96 logo 2 cσ n 1. b) Calcule a norma.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.8 D(c)= 5% logo c= 1. Para tal.96 ⇔ n ≥ 64 1.Manual de Exercícios Na tabela da Normal. Assim.

96 * 4 Estatística Aplicada 130 . Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ . ( 4) 2 ) a) D(c)= 5% logo c= 1. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.96 * 4 n ≤ 3.92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.04 LIC = µ − cσ n cσ n • • • = 10 − 1.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 * 4 16 16 = 8.92 logo 2 1.96 2 cσ n ≤ 3. b) Represente a carta de controle para a média.92 A probabilidade de se parar indevidamente a produção não deve exceder 5% Sabe-se que o desvio padrão da produção da energia eléctrica de um gerador é de 4 kws/hora e que a variável segue distribuição Normal.96 LSC = µ + = 10 + 1.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.04 = 11.

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

que é 5.8 285 233. considerado razoável face aos valores normalmente utilizados. no grupo estudado. há associação entre as variáveis. Estatística Aplicada 132 . Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos.05). α=0. O número de aprovações foi de 33.991 (cruzamento da linha 2 com a coluna 0.=31. procedeu-se à aplicação de eij = n i .6 1126 Preço Baixo 212 189.2 376 Refrigerante 186 237. Para o cálculo das frequências esperadas.4 528 557. Assim sendo.991 observado = 31.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. Em média. das quais 3 foram de alunos que não tinham efectuado provas durante o ano. o poder de compra do consumidor influencia a sensibilidade ao preço.141 é maior do que o valor obtido a partir da tabela. j n . para os quais se convencionou a adopção de um nível de significância de 5%. a hipótese Ho será rejeitada. concluindo-se que. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568.8 164 186. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação. dos quais 20 não tinham prestado qualquer prova durante o ano. * n.141 Vem que o obsv.Manual de Exercícios de segmentar o mercado.05)=5.

Manual de Exercícios Diga. se.= 3. 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. Logo.05)=3. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 .122 Vem que o obsv. para um nível de significância de 5%. com base nestes elementos. se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame.84 observado = 3. construiu-se a seguinte tabela de contingência. α=0. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”.122 é menor do que o valor obtido a partir da tabela. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol. a hipótese Ho não será rejeitada (há independência).

o ano foi dividido em duas épocas: Época de Ponta.2876 > 9. + = 2. est..21 observado = 2. a hipótese Ho será rejeitada. deu-se particular atenção à influência exercida pelas remessas de emigrantes. que pode concluir? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 134 . tendo-se obtido: Volume DLX Baixo/Médio 150 20 Elevado 50 80 Época Normal Ponta A um nível de significância de 5%. Assim sendo. Exercício 4 Pretendendo-se analisar o comportamento do volume de divisas ao longo do ano. concluindo-se que há associação entre as variáveis. Negócios Baixo Médio Elevado crítico (GL=2.21 48 53 Média 48 49 53 Superior 48 49 53 Valor obsv.Manual de Exercícios Valores esperados: Formação Gerente Vol. Assim. observou-se o nível de Disponibilidades Líquidas sobre o Exterior (DLX) para cada mês. α=0.2876 é maior do que o valor obtido a partir da tabela.2876 (44 − 48) 2 (55 − 53) 2 + . teste = Vem que o obsv.= 2. compreendendo os meses de vinda de emigrantes (Verão e Natal) e Época Normal (restantes meses).. Assim.01)=9.

+ = 85.33 crítico (GL=1. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro.069 Valor obsv.33 6. Moeda 0-10 10-45 45-70 Reduzida 72.66 Elevado 86. α=0. construindo-se a seguinte tabela de contingência: Taxa juro Proc.. a hipótese Ho será rejeitada.= 85.5 130.5 75 Estatística Aplicada 135 .33 43. est. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc. concluindo-se que há associação entre as variáveis..66 43.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113.991 observado = 85. Assim sendo. 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%.069 > 3.84 113. teste = Vem que o (150 − 113.5 112.33) 2 (80 − 43.33) 2 + .5 87 Média 115 207 138 Elevada 62.33 obsv.05)=5.069 é maior do que o valor obtido a partir da tabela. procedeu-se à recolha periódica de elementos sobre essas variáveis.

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%.05)=9. concluindo-se que há associação entre as variáveis. B e C. concluindo-se que há associação entre as variáveis.49 observado = 1183.05)=3. a hipótese Ho será rejeitada. Exercício 6 Um investigador seleccionou três amostras de estudantes. Estatística Aplicada 136 . que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 20 20 B 25 25 C 25 25 crítico (GL=2.= 30 é maior do que o valor obtido a partir da tabela.= 1183. Assim sendo. A. α=0.84 observado = 30 Vem que o obsv. 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.Manual de Exercícios crítico (GL=4. a hipótese Ho será rejeitada. Assim sendo.7 Vem que o obsv.7 é maior do que o valor obtido a partir da tabela. α=0.