104

Introdução ao e-learning

Manual de Exercícios

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

Estatística Aplicada

2

................….5 Testes de hipóteses ......8...............2 Probabilidade condicionada ...........................2.........................….1 Noções básicas de probabilidades .................3 Funções de Probabilidade .... Conceito de fiabilidade 3..................... 3..........1.6............... 3........... 3................ 3........ 3................. ESTATÍSTICA INDUTIVA .7 Aplicações Estatísticas: Controlo Estatístico de Qualidade ... 3..................…........8 Aplicações Estatísticas: Tratamento Estatístico de Inquéritos ... 3...............................1..........6 Aplicações Estatísticas: Fiabilidade .........4 Estimação por Intervalos ....................... 3.........….. 3............Manual de Exercícios 3...... Fiabilidade de um sistema 3..................... Teste de independência do qui-quadrado 45 45 48 49 76 89 105 105 105 110 114 114 Estatística Aplicada 3 ....................6..............

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

1. As variáveis discretas assumem apenas um número finito numerável de valores. Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo).1. Processo de amostragem Para conhecer de forma completa a população. cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). 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. Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade. Está ligada essencialmente ao cálculo de medidas e coeficientes. rácio de autonomia financeira (atributo quantitativo contínuo).3. Exemplo: Empresas existentes em Portugal 1.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada.1. As variáveis podem ser de natureza qualitativa ou quantitativa.1.1. podem efectuar-se: Estatística Aplicada 5 . Definições Gerais 1.1.2. número de trabalhadores (atributo quantitativo discreto). As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. etc 1. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores.

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

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

Numa tabela de frequências. A soma de todas as frequências é igual à dimensão da amostra (n). além das frequências absolutas. j Mod. Modalidades Mod. apresentação e análise de dados amostrais denomina-se de estatística descritiva. obtida dividindo a frequência absoluta pelo número total de observações. Variáveis Qualitativas Os dados qualitativos são organizados na forma de uma tabela de frequências. O ramo da estatística que se ocupa do tratamento. 1 Mod. que representa o número ni de elementos de cada uma das categorias ou classes e que é chamado de frequência absoluta. ni: nº de vezes que cada modalidade da variável foi observada. n Estatística Aplicada 8 . n Total Frequências absolutas n1 nj nn n: dimensão da amostra Frequências relativas f1 fj fn 1 fi = ni .1. 2. também se apresentam as frequências relativas (fi). ESTATÍSTICA DESCRITIVA Os resultados da observação de um atributo sobre os elementos do conjunto a analisar constituem os dados estatísticos.Manual de Exercícios 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 . Diagrama sectorial ou circular Esta representação é constituída por um círculo. O ângulo correspondente a cada modalidade é proporcional às frequências das classes. 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 . A apresentação destas amostras é semelhante às variáveis qualitativas.Manual de Exercícios Estes dados podem também ser representados graficamente através de: Diagrama de barras Para cada modalidade. Variáveis Quantitativas Discretas São variáveis que assumem um número finito ou infinito numerável de valores.2. indica-se a frequência relativa respectiva.Fi) acumuladas. em que se apresentam tantas “fatias” quantas as modalidades em estudo. desenha-se uma barra de altura igual à frequência absoluta ou relativa (as frequências relativas são de preferir.e relativas . 2. fazendo-se uma tabela de frequências e uma representação gráfica recorrendo ao diagrama de barras. fazendo corresponder o total da amostra (n) a 360º Geralmente. pois permitem a comparação de amostras de diferentes dimensões). juntamente com a identificação da modalidade.

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

Manual de Exercícios 1.4. para que todos os rectângulos (colunas) sejam comparáveis é necessário corrigir as frequências das classes (calculando as frequências que se teria se a amplitude de todas as classes fosse igual e igual a 1) 2. Como as classes podem ter amplitudes diferentes.Fi) acumuladas. Também é possível calcular as frequências (absolutas – Ni . Medidas de localização 2.1. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda. Média ( X ) É a medida de localização mais usada.. 2.e relativas .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. 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.. . 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. classe modal. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é.

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

0.5.0. Se p=0.9.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0..75.5 através de uma regra de três simples.2..5. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe. Variáveis contínuas Em geral.02.3. é o valor mais frequente da distribuição.5. Q2 e Q3). isto é.01.. isto é.. chama-se ao quantil decil Se p=0..5 − FL inf xamp.99. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo.25.0. chama-se ao quantil QUARTIL (Q1.. Estatística Aplicada 13 . chama-se ao quantil percentil Se p=0.5. 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. determina-se o valor para o qual Fi = 0. 2..4.1. então a mediana é o primeiro valor para o qual Fi > 0. é a classe a que corresponde maior frequência por unidade de amplitude. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. 0. 0. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p. 0. De uma forma geral: Me = L inf + 0. classe mediana FL sup − FL inf 2. Medidas de ordem Tal como se definiu para a mediana..

Medidas de assimetria A assimetria é tanto maior quanto mais afastados estiverem os valores da média. Os valores da amostra compreendidos entre os 1º e 3º quartis são representados por um rectângulo (caixa) com a mediana indicada por uma barra. De uma forma geral: Q1 = L inf + Q3 = L inf + 25% maiores 0.... Concretamente.75 − FL inf xamp. pode reconhecer-se a simetria ou enviesamento dos dados e a sua maior ou menor concentração: 2.6.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. se: − − − X = Me = Mo..... 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.......a distribuição é assimétrica positiva ou “puxada” para Estatística Aplicada 14 . consideram-se duas linhas que unem os meios dos lados do rectângulo com os extremos da amostra. Seguidamente.. Se g’ > 0 .Manual de Exercícios Variável contínua Calcula-se por uma regra de três simples. mediana e moda.... 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 ..25 − FL inf xamp. classe Q1 FL sup − FL inf 0... a distribuição diz-se simétrica X > Me > Mo..... A partir deste diagrama... como a mediana.

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

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

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

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

Essa recta torna possível. como é o caso do exemplo atrás descrito. A essa recta chama-se recta de regressão de y sobre x. indicando a existência de uma tendencial correlação linear entre as duas variáveis. a correlação diz-se positiva. a correlação dizse negativa. pode ter interesse estudar as relações porventura existentes entre os dois fenómenos. (por exemplo. Não se trata de estudar relações funcionais (isto é. a representação gráfica do conjunto de dados bivariados sugere o ajustamento de uma recta a este conjunto de pontos. nomeadamente relações estatísticas. mas sim de estudar a forma como a variação de uma variável poderá afectar a variação da outra. 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. por exemplo. mas a relação não é determinística). se é traduzível por alguma lei matemática. Duas variáveis ligadas por uma relação estatística dizem-se correlacionadas. em média. Se ocorrem em sentidos opostos. conhecendo o respectivo peso. no mesmo sentido. em média ou tendencialmente. a medida em que o valor de uma variável é determinado exactamente pela outra). Obtém-se assim a Estatística Aplicada 19 . inferir (em média) a altura de um indivíduo.Manual de Exercícios 2.9. Estatística Descritiva Bidimensional Numa situação em que se observam pares de valores (xi. nem que tendencialmente A existir. se é possível medi-la Por vezes. yj). o peso e a altura normalmente estão relacionados. Se as variações ocorrem. Um dos métodos mais conhecidos de ajustar uma recta a um conjunto de dados é o Método dos Mínimos Quadrados. que permite descrever como se reflectem em y (variável dependente ou explicada) as modificações processadas em x (variável independente ou explicativa). Trata-se então de estudar se: - Se existe alguma correlação entre os fenómenos ou variáveis observadas A existir.

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

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

02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 .12 0. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz.18 0. e) Analise a (as)simetria da distribuição em causa.m.16 0. Resolução a) fi/hi 0.2 0. b) Determine a média e a moda da distribuição.06 0. 25[ [25. d) Determine os quartis da distribuição. 5[ [5.04 0. 15[ [15.): Resultado Líquido [0. 3[ [3.1 0. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente. Determine a mediana da distribuição.08 0. Faça a sua representação gráfica. 50[ Total Frequência. 1[ [1.14 0. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente.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.

5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0.5): [3.5 2 4 10 20 37. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u. o resultado líquido de uma empresa é de 7325 unidades monetárias.m. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0.8 0. e 5000 u.35 5 : Fi = 0. + (37.125 0.1 0.002 Fi 10% 35% 70% 85% 95% 100% ci 0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude. 5[. 25[ [25.4 0.. 5[ 3 : Fi=0. Neste caso.325 Em média. 3[ [3.175 0. isto é.5 x5%) = 7.Manual de Exercícios [0. 15[ [15. o maior valor de fi / hi é 0.m.6 0.015 0. 1[ [1.01 0.7 Estatística Aplicada 23 .5 x10%) + (2 x 25%) + . correspondente à classe [3.175..2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0. 5[ [5.

5 0.5 .857 − 2.1 3 : Fi = 0.7 15 : Fi = 0.3 0.1 0.Manual de Exercícios Cálculo da mediana: 0.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.05)/0.1 -------------.7 -----------.25) = 2.m.35 -----------.25): [1.15)/0.15)/0.7 .Me – 3 Me = 3 + ((2x0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.Q3 – 5 Q3 = 5 + ((10x0.857) − (3. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.3 .857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.0.7 -------------. 15[ 5 : Fi=0.5 – 0.15) = 8.m.85 Cálculo do Q3: 0.25 – 0.2 A distribuição é assimétrica positiva ou enviesada à esquerda.35 .4596 > 0 Q3 − Q1 8.0.35) = 3.Q1 – 1 Q1 = 1 + ((2x0.1 -----------.85 . d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.75 – 0.333 − 2. 3[ 1 : Fi=0.m. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.0.333 − 3.15 .35 -------------.2) = = 0. Estatística Aplicada 24 .75): [5.35 Cálculo do Q1: 0.

entre 0 e 1).95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0. + (0.5 Atributo 100x0. 1[ [1. Estatística Aplicada 25 .4 0. 15[ [15....85 0.007 0. expressas numa determinada unidade monetária.8 0.Totais G= (0.95 1 qi 0.95 − 0. 5[ [5.471 0.m.1 + 0.007) + .35 + 0.47 0. Analise a concentração através do Índice de Gini e da Curva de Lorenz.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200.7 + 0.2 0.744) = 0.6 0.4 amostra. 3[ [3.7 0.1 0.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.266 0. mas em que cada uma tem baixo resultado líquido. referente aos lucros obtidos por empresas de um dado sector industrial.5 2 4 10 20 37.Manual de Exercícios f) X [0. 0 0 0. 70% das empresas apresentavam resultados até 5000 u.2 0. Por exemplo.744 1 50 + 500 + 1400 7325 Res.Liq. 25[ [25.1 − 0.075 0. mas isso representava apenas 26.6% do total de resultados das empresas da 0.35 0. o que sugere um tecido empresarial com muitas PMEs.85 + 0.6 0.5 corresponde ao centro da escala possível.

4 0.243 2.4 0. b) Analise a correlação existente entre peso e altura.95 1 qi 0.02 0.8 0. como pelo valor do Índice de Gini.1 0. 50[ [50.546(6) = 0.25 Tanto pela análise da Curva de Lorenz. a) Represente o diagrama de dispersão.2 0 0 0.63(3) 0.16(6) 0. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos. uma função linear que exprima as peso em função da altura. c) Ajuste. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0.2 0. 200[ [200. encontrandose os valores razoavelmente repartidos. 300[ [300.8 0. pelo Método dos Mínimos Quadrados. conclui-se que esta amostra apresenta concentração moderada.4 0.6 0. 100[ [100.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.883(3) 1 Curva de Lorenz 1 0. Estatística Aplicada 26 .Manual de Exercícios Resolução Lucros [0.6 0.

isto é.9016x + 109.Manual de Exercícios Indivíduo A B C D E F G H I J Resolução Peso (kg) 72 65 80 57 60 77 83 79 67 68 Altura (cm) 175 170 185 154 165 175 182 178 175 173 Diagrama de Dispersão 190 a) 180 Altura (cm) 170 160 150 50 60 70 Peso (kg) 80 90 b) No exemplo. existe uma correlação positiva forte entre as duas variáveis.90681871. quase perfeita. c) 190 Recta de Regressão 180 Altura (cm) y = 0. r = 0.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 .

9016 x 70 = 172.39 x 21.495 6. a altura esperada será de 109.9408 1 = n (yi − y ) = 11. é necessário calcular os coeficientes de variação (medidas de dispersão relativa): Dados não-classificados x = sx 2 1 n n i =1 n i =1 xi = 21.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6. c) Ajuste.429 < CV y = sy y = 11. espera-se que a altura do indivíduo aumente 0.714 2 1 = n (xi − x ) = 69. b) Analise a correlação existente entre volume e custo de produção.Manual de Exercícios A equação desta recta traduz-se em Altura = 109.9016 cm.0651 = 0.36 + 0.714 A dispersão das despesas em publicidade é superior à dispersão das vendas. pelo Método dos Mínimos Quadrados. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão.472. Resolução a) Para comparar a dispersão das duas distribuições.9016 x Peso Isto é. Por cada kg de peso adicional.) de uma empresa no período de 7 anos: Ano 1 2 3 4 5 6 7 Vendas 10 13 18 19 25 30 35 Desp.9408 = = 0. uma função linear que exprima as vendas em função das despesas em publicidade. se um indivíduo pesar 70 kg. Estatística Aplicada 28 .m.36 + 0. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u.0651 CV x = sx 69.

Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21. quando as despesas em publicidade aumentam (diminuem).714) + .714)] 7 = = 0.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 . as vendas aumentam (diminuem) de forma quase exactamente proporcional.429)(3 − 6. No quadro abaixo.. Em média. encontram-se as ordenações desses 10 estudantes segundo as classificações obtidas em cada uma das provas: Aluno A B C D E F G H I J Estatística Aplicada Prova inicial Rix 1 3 2 5 7 8 9 10 6 4 Prova final Riy 1 2 3 4 6 8 7 9 10 5 di Rix . 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.8782 Vendas 20 10 0 3 8 Desp. Public. + (35 − 21.429)(13 − 6.. Recta de Regressão c) 30 y = 2.98 69.4649x + 4.9408 x 11.0651 Existe uma correlação positiva linear forte entre as duas variáveis.

mas sim das ordenações das classificações (do 1º ao 10º classificado). 5[ [5. isto é. 2[ [2. Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. 1[ [1. 25[ [25. para avaliar a correlação existente entre as 2 provas calcula-se o coeficiente de correlação ordinal: n rs = 1 − 6 i =1 di 2 2 n(n − 1) = 1− 6 x(0 + 1 + 1 + 1 + 1 + 0 + 4 + 1 + 16 + 1) = 0.5 1.5 30 Estatística Aplicada . 25[ [25.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1).) de 2500 famílias da população de um país: Rendimento anual [0. c) Determine os três primeiros quartis. os alunos que tiveram boa nota na prova inicial tiveram.m. 2[ [2. 15[ [15.5 3. igualmente boa nota na prova final. b) Determine o rendimento médio e mediano.5 10 20 37. 1[ [1. 15[ [15. 50[ Nº de famílias 250 375 625 750 375 125 % de famílias 10 15 25 30 15 5 Fi (%) 10 25 50 80 95 1 ci 0. 5[ [5. em média. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente.

333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u..25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u. Logo.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 = (0.25)/0.5 15 : Fi = 0. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.15 .5 x15%) + .5): [2.5 0.3) = 13.75 – 0. + (37. 5[ 5 : Fi = 0.5 -------------. 2[ 3 : Fi = 0.8 .Manual de Exercícios 1 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias). Estatística Aplicada 31 .025 Em média.5 x10%) + (1.8 0.Q3 – 5 Q3 = 5 + ((10x0.6 0. o rendimento anual de uma família é de 9025 unidades monetárias.0. 15[ 5 : Fi=0.m.5 x5%) = 9.m.25): [1.5 -----------. Classe mediana (classe a que corresponde uma frequência acumulada 0.75): [5..8 Cálculo do Q3: 0.5.4 0.

00554 0. 300[ [300.5 pi (=Fi) 0.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda. 250[ [250.1 0.1 5.1274 0.46 0. 100[ [100.18436 = 0.0 100 Estatística Aplicada 32 .071 e) Rendimento anual [0. 160[ [160.5 0. 15[ [15.5 7.8 0.4555 2.2 8.333 − 5) − (5 − 2) = = 0.47 > 0 Q3 − Q1 13. 200[ [200. 350] Total Frequência. Relativa (%) 7.5 Rend. 25[ [25. 140[ [140.5 1.4 2.286875 2 s x = s x = 82.2 19.6 3.95 1 qi 0.5 3.0305 0.6 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 [60.286875 = 9.5 7500 7500 4687. 5[ [5.25 0. 120[ [120. total 125 562. 1[ [1.5 2187. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82.5 10 20 37. 80[ [80. 2[ [2.8 15.5 22562.2 31.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13.

300[ [300. b) Analise a dispersão da distribuição em causa. Estatística Aplicada 33 .3 milhares u.8 15. 120[ [120.1 5.0.23 -----------.25): [100.m.5 7.23 3 : Fi = 0.542 Cálculo do Q1: 0.100 Q2 = 100 + ((20x0.m. 140[ [140. 120[ 1 : Fi=0.23 -------------.100 0. 200[ [200.100 0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.2 19. 80[ [80.0.5): [100.2 8. 120[ 100 : Fi=0.9 89 94.23 120 : Fi = 0.312) = 101.28 25% dos empregados auferem remunerações inferiores a 101.542 Cálculo do Q2: 0.Manual de Exercícios a) Calcule os quartis da distribuição.5 .3 50% dos empregados auferem remunerações inferiores a 117.Q1 .100 Q1 = 100 + ((20x0.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.7 80.27)/0. Resolução a) Remuneração [60.542 .120 .25 .28 milhares u. 100[ [100.0 100 Fi (%) 7. 350] Total Frequência.312) = 117.8 23 54.23 -----------.4 2.2 31.542 .0. 160[ [160. c) Analise a assimetria da distribuição em causa.6 3.Q2 .23 -------------. Relativa (%) 7.120 .0.2 73. 250[ [250.02)/0.

33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143.61 − 117. b) Amplitude do intervalo inter-quartis = Q3 . do conteúdo de uma série de 100 garrafas que.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda. 304[ [304.013)/0.28) = = 0.61(1) milhares u.75): [140.809 Cálculo do Q3: 0.243 > 0 Q3 − Q1 143.072) = 143.Q1 = 143.737 140 : Fi = 0. 301[ [301. 160[ 120 : Fi=0. 299[ [299. 306] Total Frequência. 303[ [303. 305[ [305.101. expresso em gramas. 300[ [300.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.737 -----------. Estatística Aplicada 34 .61 − 101. 302[ [302.0.737 -------------. no decurso de um teste. saíram de uma linha de enchimento automático: Peso (em gramas) [297. 298[ [298.Q3 .809 . b) Calcule as frequências acumuladas e represente-as graficamente.160 .3) − (117.m. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.75 – 0.61(1) .140 Q3 = 140 + ((20x0.61(1) 75% dos empregados auferem remunerações inferiores a 143.28 = 42. Exercício 8 Os dados seguintes referem-se ao peso.140 0.3 − 101.

Manual de Exercícios c) Determine o peso médio. 305[ [305. 306] Total F* 1 0. e) Analise a dispersão do peso das garrafas.4 0. 301[ [301. + (305. 300[ [300.8 0. 303[ [303.. Resolução a) 0. 304[ [304.25 0.15 0.3 0. 302[ [302.1 0.2 0. Qual o seu significado? d) Determine os quartis da distribuição.5 x1%) = 300.6 0..5 x 21%) + . 299[ [299.11 kg.5 x8%) + (298.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297. Estatística Aplicada 35 . 298[ [298.2 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 = (297.11 O peso médio das garrafas é de 300. mediano e modal.

299[ 298 : Fi=0.Q3 .21) = 299.0.57 Cálculo do Q2: 0.0357 kg.11) = 301.83 Cálculo do Q3: 0.08 -----------.301 Q3 = 301 + ((1x0.302 .17)/0.75 kg.0.0.08 299 : Fi = 0.72 -------------.21)/0.5): [299.299 Q1 = 299 + ((1x0.72 302 : Fi = 0.75): [301. 300[.75 – 0.75 50% das garrafas têm peso inferior a 299.5 .28) = 299.299 0.29 . Estatística Aplicada 36 .29 300 : Fi = 0.299 Q2 = 299 + ((1x0. 300[ 299 : Fi = 0.301 0.27(27) kg. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.Q1 .Q2 . 302[ 301 : Fi=0.0.28 correspondente à classe [299.83 .57 .03)/0.25): [298. o maior valor de fi é 0. A classe modal é aquela a que corresponde maior frequência relativa.72 -----------.08 -----------.300 .29 -----------. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.0357 25% das garrafas têm peso inferior a 299.298 .299 0.29 -------------.29 Cálculo do Q1: 0.25 .27(27) 75% das garrafas têm peso inferior a 301. Neste caso.0.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0. isto é.

1. 1.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.3 Fi 0.03 1 ci 1.65[ [1. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1. f) Analise a (as)simetria da distribuição.575 1.7. 1.8[ [1.85 hi 0. d) Determine os quartis da distribuição e diga qual o seu significado.7[ [1.5 0.02 0.4 1. 1.75.05 0.1 fi/hi 0.6.Q1 = 301.75.75[ [1.37 0.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0. 1.75[ [1.7. 1.8. b) Determine a altura média e a altura modal.67 0.6[ [1.2 0.8 1.2 2 5 2. 1. 1.4 4 2 0.7[ [1.6 3.65.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.9 Estatística Aplicada 37 .5.02 0.775 1.675 1. 1.17 0.299.25 0.0357 = 2.05 0.45 1. 1.4.55.97 1 6 5 4 3 2 1 0 Histograma 1. 1. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.6[ [1.8. 1.55[ [1.87 0.1 0.5. 1.6.5[ [1.13 0.6 1.4.65[ [1. 1.05 0.05 0.725 1.625 1.1 0.05 0.65.55[ [1.7 1.05 0.12 0.1 0.525 1.5[ [1.55. 1.27(27) .8[ [1.5 1. e) Analise a dispersão da distribuição. Resolução a) Altura (em metros) [1. 1.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .

Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1.87 Estatística Aplicada 38 .25 – 0. 1.55.55.8 1..5 1.25) = 1.25): [1.1.4 0.05x0.55 : Fi=0.4 1.55m / 1.37 – 0. Neste caso.45x 2%) + (1.65 A altura média dos alunos é de 1.6[ 1.75[ 1.5 50% dos alunos têm altura inferior a 1.12 -----------. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.37 Cálculo do Q1: 0.75): [1. + (1.576 25% dos alunos têm altura inferior a 1.65 m..6.85x3%) = 1.525x10%) + .576 m.7 : Fi=0.55 0.7 1.6[.5): [1. 1.75 : Fi = 0. 1.12 -----------.55 + ((0.55 Q1 = 1. c) F* 1 0.12 1.13)/0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.65 : Fi = 0.Q1 – 1.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.6 0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0. 1.6 – 1.6m.65[ 1.6 : Fi = 0.65 m.8 0. correspondente à classe [1.2 0 1.7.3 1.6 1. o maior valor de fi / hi é 5. isto é. a altura mais provável de um aluno rondará 1.67 1.

7 0.72 m.Q1 = 1.0. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 . 20[ [20.72 75% dos alunos têm altura inferior a 1.00536875 2 s x = s x = 0.1.65 − 1.72 – 1.72 − 1.7 Q3 = 1. Exercício 9 Em determinada central telefónica. 10[ [10.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.Manual de Exercícios Cálculo do Q3: 0.7 + ((0. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0.08)/0.67-----------.00536875 = 0. b) Determine a duração média das chamadas e respectivo desvio-padrão.Q3 – 1.05*0. 5[ [5.2) = 1.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).576) = −0.576 = 0. e) Amplitude do intervalo inter-quartis = Q3 .75 – 1.65) − (1.67-------------.72 − 1. 30[ [30.027(7) < 0 = Q3 − Q1 1. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.75 – 0.87.

025 c) Classe mediana (classe a que corresponde frequência acumulada 0. 5[ [5. Compare. 10[ [10.35 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 = 81.02 0.35 minutos.2 0..Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.04 1 Histograma hi 5 5 10 10 20 fi/hi 0.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0.04 0.96 1 ci 2. 10[ Estatística Aplicada 40 .6 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 = (2.1 0.08 0.5 x 40%) + (7.5 7.006 0.7 0.06 0.5): [5.3 0. 30[ [30.9 0.06 0. 20[ [20. Resolução a) Duração (em minutos) [0.02 0 0 F* 1 0.4 0..002 Fi 0.4 0. + (40 x 4%) = 9. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.5 x30%) + . com desvio-padrão de 8.4 0.7 minutos.8 0.00536875 = 9.4525 2 s x = s x = 0.08 0.06 0. quanto à dispersão. 50] Total fi/hi 0.

4 -----------.4 -----------.4 10 : Fi = 0.98 520854x 1145944 Correlação positiva quase perfeita.0. b) Ajuste.67 minutos.Manual de Exercícios 5 : Fi = 0. Estatística Aplicada 41 .3)] = 12 = 0. d) CV Dez = s x 9.7 = 0.10 . pelo Método dos Mínimos Quadrados.5 . Resolução a) r = s xy s xx s yy 1 [(1500 − 1358. + (2000 − 1358.025 = = 0. uma função linear que exprima o custo em função do volume de produção.7 Cálculo da Me: 0.3)(3800 − 2708.67 50% das chamadas têm duração a 6.Me .1)/0..3) + .0.87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.5 0.35 CV2001 = sy y = 8. O volume de produção e o custo de produção de cada lote apresentam-se na tabela: Lote 1 2 3 4 5 6 7 8 9 10 11 12 Volume (unidades) 1500 800 2600 1000 600 2800 1200 900 400 1300 1200 2000 Custo (contos) 3100 1900 4200 2300 1200 4900 2800 2100 1400 2400 2400 3800 a) Analise a correlação existente entre volume e custo de produção.3)(3100 − 2708.5 Me = 5 + ((5x0.3) = 6..965 > x 9.7 .

Estatística Aplicada 42 ..4553x + 731.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.4 − 0.7)(0.92) + . uma função linear que exprima a variável EPS em função de PBV. + (81 − 121.61 3669.7 0.7)(0.8 0.0 0.92)] =9 = 0.5 0.8 1.6 Exercício 11 Um conjunto de empresas do sector da Construção e Obras Públicas cotadas na Bolsa de Valores foram analisadas relativamente aos seguintes indicadores: EPS (Earnings per Share): Resultado Líquido por Acção PBV (Price/Book Value): Preço / Situação Líquida por Acção Empresa 1 2 3 4 5 6 7 8 9 EPS ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0. pelo Método dos Mínimos Quadrados.3 0.9 − 0. Resolução a) r = s xy s xx s yy 1 [(191 − 121.096933 Correlação positiva moderada.9 1.332 x 0.4 a) Analise a correlação existente entre aqueles dois indicadores.9 1. b) Ajuste..

b) Ajuste. uma função linear que exprima a variável Gi em função de Ri.2 1.8 PBV 1 1.4 0.04x + 7.6 y = 124.Manual de Exercícios b) 250 200 150 100 50 0 0 0.383 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.2 0.4 1.) Ri 125 127 130 131 133 135 140 143 169 Dados adicionais Gi 54 56 57 57 58 58 59 59 66 Ri 144 147 150 152 154 160 162 165 Gi 61 62 62 63 63 64 65 66 EPS Ri = 2467 Gi = 62620 2 Gi = 1030 Ri Gi = 150270 Ri = 361073 2 a) Estude a correlação entre rendimento e despesas em bens de luxo. Estatística Aplicada 43 . pelo Método dos Mínimos Quadrados.m.6 0.

Manual de Exercícios Resolução a) rXY = Ri G i − n R G ( Ri − n R )( 2 2 G − nG ) 2 i 2 = 150270 − 17 * 2 2467 1030 * 17 17 2467 1030 2 (361073 − 17 * )(62620 − 17 * ) 17 2 17 2 = 0. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.986 Correlação positiva forte.2604x + 22.801 Rendimento Estatística Aplicada 44 .

104 Introdução ao e-learning .

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

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

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

numa outra perspectiva. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.45 0. a da chamada teoria frequencista.2 0. 0.8 1.1 = 0.1 0.22 Total 0. isto é 0. Repare-se que este quociente resulta da divisão entre a probabilidade de uma pessoa ser hipertensa e obesa e a probabilidade de uma pessoa ser obesa. Por outras palavras. Este exemplo corresponde ao cálculo de uma probabilidade condicionada. Pode escrever-se que a probabilidade pretendida é dada por: P( H / O) = P( H ∩ O) P (O) onde P(H/O) é a probabilidade de ocorrer o acontecimento “ser hipertenso”.2 0. sabendo que ocorreu o acontecimento “ser obeso”. a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”. 3.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”. Estatística Aplicada 48 . São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0. convém ainda referir que.Manual de Exercícios Após a apresentação desta definição.2.08 0.15 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.25 Normal 0.53 Magro 0.02 0.4 .

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

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

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

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

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

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

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

4% Estatística Aplicada 57 .1% P(B) = 22. B e C. A. B e C: 6%.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0. Calcule a probabilidade dessa pessoa: a) ler pelo menos um dos jornais b) ler A e B mas não C c) ler A mas não ler B nem C Resolução A: a pessoa escolhida lê o jornal A B: a pessoa escolhida lê o jornal B C: a pessoa escolhida lê o jornal C P(A) = 9. B e C: 2.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0. com as seguintes percentagens de leitura: A: 9.8%.2 + 0.2 – 0. A e B: 5.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.1%.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) = 0.7%.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.1%.9%. B: 22. C: 12.15 + 0.7% P(C) = 12. A e C: 3. A.P(A ∩ B) = 0.8% P(A ∩ B) = 5.3 – 0.15 = 5% c) P(A ∪ B) = P(A) + P(B) .1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2.9% P(A ∩ C) = 3.4% Escolhe-se uma pessoa ao acaso.

Manual de Exercícios

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

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

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

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

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

Manual de Exercícios

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

Exercício 5

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

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

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

Estatística Aplicada

59

Manual de Exercícios

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

Exercício 6

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

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

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

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

Exercício 7

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

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

Estatística Aplicada

60

A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2.02 Estatística Aplicada 61 . 1 = P(M1)*10000 = ? Prod. 2 = P(M2)*10000 = ? Prod. 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. 3 máquinas. 3 = P(M3)*10000 = ? P( M 1) = 0. Sabendo que a probabilidade dele ser defeituoso é de 1. M2 e M3 fabricam parafusos. sendo a produção diária total de 10000 unidades. 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) = 0.01 + P( M 3) * 0.Manual de Exercícios Exercício 8 Numa fábrica.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) − 1.65% Prod.3P( M 2) * 0.0165 = 0. determine o número de parafusos que cada máquina produz diariamente. M1.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1.03 + P( M 2) * 0.65%.

3 * 0.Manual de Exercícios − ⇔ P( M 3) = 1 − 1.02 P( M 1) = 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.3P( M 2) = 1 − 1.3P( M 2) * 0.3P( M 2)) * 0.01 + (1 − 1. Resolução T: O João chega atrasado A: o João utiliza o transporte A B: o João utiliza o transporte B C: o João utiliza o transporte C P(T) = 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.0165 = 0.6 P(T/A) = 0.3P( M 2) 0.5 = 15% P( M 3) = 1 − 1.03 + P( M 2) * 0. B ou C.5 P(T/C) = 0.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 . calcule a probabilidade de ter utilizado os transportes B ou C. 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.8 P(T/B) = 0.3 * 0.

I.I. baixo.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.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.5 + 0.I. baixo ficar apto no teste é de 20% finalmente.5 + P(B)*0. respectivamente.8 + P(B)*0.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0.I.4 * 0.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .6 = =73. sabe-se que 70% dos indivíduos com Q.) elevado e médio são. 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. de 30% e de 60% a percentagem de indivíduos com Q.3 – 0. elevado ficam aptos no teste a) Qual a probabilidade de um indivíduo escolhido ao acaso ficar apto no teste? b) Qual a probabilidade de um indivíduo ter Q.6 = (1-2P(B))*0.I.4 * 0.3% P (T ) 0.

1*0.1 * 0. possuir telefone ou frigorífico 2.53 P ( A) Exercício 11 Os resultados de um inquérito aos agregados familiares de uma determinada cidade forneceram os seguintes dados: - 35% dos agregados possuem telefone 50% dos agregados possuem frigorífico 25% dos agregados possuem automóvel 15% dos agregados possuem telefone e frigorífico 20% dos agregados possuem telefone e automóvel 10% dos agregados possuem frigorífico e automóvel 5% dos agregados possuem telefone. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.5+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 .6*0.3*0.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1. possuir também frigorífico 2. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.8 = = 17% 1 − 0. possuir pelo menos um daqueles três objectos 2.7+0.

25 P( B ∩ C ) 0. P(B / C) = 2. um acidente durante o referido período? Estatística Aplicada 65 . Todos terem idade igual ou inferior a 40 anos. De entre os segurados com idade igual ou inferior a 40 anos.35+0. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0.15-0.P(A ∩ B) = 0.4 = 60% P(A ∪ C) = P(A) + P(C) . 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.5 – 0.25 c) 1. um acidente por ano.05 = 70% 2.25-0. dado que cada um sofreu.5+0.2 = 40% b) krysktsh1. pelo menos.1 = = 40% P (C ) 0. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0. 3% têm um ou mais acidentes no mesmo período.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade.2-0.15 = 70% 2. P(A ∪ B) = P(A) + P(B) .P(A ∩ C) = 0.25 – 0. 1 – P( A ∪ B ∪ C ) = 1 – 0.35 + 0. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0. nenhum ter sofrido qualquer acidente durante um ano? 3. todos terem idade igual ou inferior a 40 anos? 2.2 + 0.1 − 0.05 = = 100% P (C ) 0. pelo menos.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1. dos quais 5% sofrem.1+0.35 + 0. numa amostra de três segurados 1.

Manual de Exercícios Resolução I1: o segurado tem mais de 40 anos de idade I2: o segurado tem 40 anos ou menos de idade A: o segurado sofre pelo menos 1 acidente por ano A : o segurado não sofre nenhum acidente por ano P(I1) = 60% P(A/I1) = 5% P(A/I2) = 3% P(I2) = 1 – 0. P( A ∩ A ∩ A) = 0.6 * 0.958 P ( A) P ( A) c) 1. P( B ∩ B ∩ B ) = 0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.4% 2.57% = P(B) 1 − 0.6 = 40% P( A /I1) = 1 – 0.958 = 87.97 = 95.03 = = = 28.958*0.95 + 0.2857*0.4*0.4*0.3% Estatística Aplicada 66 .6*0.4 = 6.05 = 95% P( A /I2) = 1 – 0. P( I 2 ∩ I 2 ∩ I 2) = 0.958*0.4*0.2857*0.2857 = 2.9% 3.

104 Introdução ao e-learning .

A central só pode atender um número máximo de 8 chamadas por minuto. 5.5 horas.06 e −5 5 x P(X ≤ 8) = = 0.2.3.2. é 5.83 = 0. 8) λ=5 8 p=0. por minuto (0. 7. calcule a probabilidade de. por minuto. escolhidas ao acaso uma ser defeituosa.2*0.2 q=1-p=0. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central. 6.8 P(X=1)=C4p1q4-1 = 4*0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 .932 x! x =0 Exercício 3 O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.3.1.2 q=1-p=0. entre as 4 bobines necessárias a um determinado cliente. Qual a probabilidade de não serem atendidas todas as chamadas no intervalo de tempo de 1 minuto? Resolução X: número de chamadas telefónicas atendidas numa central.932 = 0.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas.1.4) n=4 p=0.8 Logo P(X>8) = 1-0.4.

verifica-se que o valor da função Z é P(X ≤ 2) = 0.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4.28%. que esse serviço funciona ininterruptamente das 8 às 20 horas. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 . isto é.5 Consultando a tabela. Z= Logo P(X>2) = 1-0. vem: 121 − 120 =2 0. entre as 8 e as 9 horas. a) b) Qual a probabilidade de que. com desvio padrão 0. O número de turistas que procuram este serviço. em cada hora.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. esse serviço é procurado por 8 turistas interessados em alugar barcos. sabe-se. entre as 9 e as 11 horas. em média.6[.9772 = 2. está associado a uma variável aleatória com distribuição de Poisson. Verificou-se que. se aluguem 5 barcos? Qual a probabilidade de que. por outro lado. num período de 6h λ=1/4. destinado aos turistas que a frequentam.9772.333 = 0. e X: numero de avarias que ocorrem no intervalo [0. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. por hora. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120.5.5 = e −1.

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

Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh..85%.3233 = 1.1.29% (tab.1429) E(W) = 30*0. 2.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0. com probabilidade 27.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (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 30.6767 = 0. 2. 3) g(0) = P(X=0) = 0. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1. em média..3233 E(Y) = 0*0. entre 0 e 1 petroleiro por dia g) W: nº de dias em que é preciso mandar petroleiros para outro porto num mês de 30 dias (0. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0.1.218 Recorrem a outros portos. 2. 3.30) W segue Bi (n = 30.1429 = 4.782 São atendidos. 5. Z = X . p = P(X>3) = 0.Y E(Z) = E(X -Y) = E(X) .1.1353 + … + 3*0.782 = 0.1. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 . 4. 6) Logo.E(Y) = 2 .3 Em média.8571 =14.2707 g(2) = P(X=2) = 0. em média.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0.1353 g(1) = P(X=1) = 0. pg.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo..

considerando X1. 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. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . Qual a probabilidade de que.58) = 28.3085 X segue N(400.Manual de Exercícios 2.1)< = P(N(0. com funcionamento independente. 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. 4800) 2.3085 ⇔ 40 40 T − 400 T − 400 ) = 0. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98. 1600). vem que: Y=X1+X2+X3 segue N(400*3.1)<-0.71%.6915 ⇔ = 0. ao fim de 3 meses. existem 2 cadeias de montagem A e B. isto é. A cadeia A opera a um ritmo médio de 2 montagens por hora. Poisson.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. 1600*3).3085 ⇔ P( P(N(0. X2 e X3 independentes e que todas seguem N(400. 1600) a) P(X>T) = 0. P(3*420-Y > 100) = P(Y < 1160) = P(N(0. N(1200.a.1) ≤ b) 1.

0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4.1954 + 0. percorrendo as linhas de valor = 0. em 3 horas de trabalho.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 . + f(10) = 0 + 0.0902*0. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.0001 + … + 0. vem que P(Y<1) = 1 – 0.2707*0. como se sabe que P(Y ≥ 1) = 0. λ = 4. Logo.0183 Na tabela da Poisson..1954 = 3. Y2 e Y3 independentes e que todas seguem Po(4).Manual de Exercícios b) a probabilidade de. considerando Y1.1048 = 34. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.1353*0.9817.0009*0. numa hora.012*0. mas desconhece-se a média (=parâmetro λ) No entanto.8893=11.07% 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. vem que o valor 0.9817 = 0.0183 + 0. a cadeia A efectuar o dobro de montagens de B d) o número médio de montagens efectuadas num dia de trabalho de 8 horas com ambas as cadeiras Resolução X: nº de montagens da cadeia A por hora Y: nº de montagens da cadeia B por hora X segue Po(2) a) Y segue Poisson.0753 + 0.1465 + 0..72% c) P(X=2Y) = P(X=0 ∩ Y=0) + P(X=2 ∩ Y=1) + P(X=4 ∩ Y=2) + P(X=6 ∩ Y=3) + P(X=8 ∩ Y=4) = 0. Na tabela da Po(4). se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de.

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. P(X=1) = 20*0.01) a) 1. E Z . p=0.66 Estatística Aplicada 73 . P(X=0) = 0. conter 0 cigarros com filtro defeituoso b) o número de maços que.8179) Logo E(Y) = 20*0.79% b) 1. p=P(X=0)+P(X=1)= 0. p=P(X=0) = 0. conter 1 cigarro com filtro defeituoso 2. 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.9831) Logo E(Y) = 20*0. Crit. também pelo mesmo Teorema. Numa rápida análise às condições de produção.36 2. Nestas condições.8179 = 16.8179+0.01*0. a companhia espera poder aproveitar se utilizar o critério: 1. vem que Xi + Yi segue também Po(2+4=6).52% 2.Manual de Exercícios Pelo Teorema da Aditividade de Poisson. determine: a) a probabilidade de um maço acabado de formar 1.9919 = 16. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos. num volume que contém 20. Crit.9831 = 19. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. segue Po(6*8=48) Logo.9920 = 81. 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=20.010*0. maço é aproveitável se não contiver cigarros defeituosos 2.1652 = 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.

45 − 0. vem que θ ( σ Na tabela 3B da Normal.642) = 47. a) Calcule a média e o desvio-padrão do comprimento das peças.25 − µ ) = 50% Na tabela.25 0.1) < 0.5 = 0.392 = 1.5.642) = 47.5% a) Como P(X<0.642 − 0.05) = 0.642 mm.2 0.392 < X − 0.05 − 0.25 mm e 47. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ. σ2) Peça defeituosa se X>µ + σ ou se X< µ .5% vem que P( 0.2 74 θ( Estatística Aplicada . vem que σ b) P(peça não defeituosa) = P(µ .13% 0.475 + 0.25 − 0.45) = P(X<0.25 mm e 0.25) = 50% P(0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ. E como σ tem que ser =0.25 P(0.475 0.a.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.25<X<0.392 σ )= =θ( σ ) − θ (0) = 0.5% têm comprimento entre 0.392 ) = 0.05 < X < 0.σ < X < µ + σ) = P(0. b) Determine a probabilidade de uma peça não ser defeituosa.975 0.25) = 50% vem que P( X −µ σ < 0. logo µ = 0.96 e logo σ = 0. Sabemos que 50% das peças produzidas têm comprimento inferior a 0. Normal com média µ e variância σ2.45) – P(X<0.25 σ < 0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.25<X<0.25 − µ σ 0.25 σ 0.2 Sendo θ (0)=0.σ P(X<0.25 σ ) = P (0 < N (0.

58% Exercício 12 Sabe-se por via experimental que.F(7) = 41.4) P(X ≥ 8)=1.. que eleva a probabilidade de cura para 40%.03%.. ministrando-o a um grupo de 20 doentes. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de. por cada período de 5 minutos.2. pelo menos. Um empregado entra ao serviço às 8 horas. 8 doentes em 20.6 X segue Bi (20. Qual a probabilidade de ter de aguardar mais de 10 minutos até à chegada de um veículo? Resolução X: nº de veículos que chegam ao posto abastecedor por período de 5 minutos X segue Po(4) Se X1: nº de veículos que chegam ao posto no 1º período de 5 minutos X2: nº de veículos que chegam ao posto no 2º período de 5 minutos então X1+X2: nº de veículos que chegam ao posto abastecedor em 10 minutos Pelo Teorema da Aditividade de Poisson. chegam. ainda que este eleve de facto a probabilidade de cura para 40%. em média. 20) n=20 p=0.4 q=1-p=0. 0. 4 veículos a determinado posto abastecedor de combustíveis.19.1. Estatística Aplicada 75 .Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%. Calcule a probabilidade de se concluir pela ineficácia do medicamento. Põe-se à prova um novo medicamento. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0. 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).

Então. por exemplo. a estatística permite que. é até provável que não coincida e. a partir da observação de uma única amostra. Assim. Na impossibilidade de medição do peso de todos os pacotes. ao recolher um determinado número de pacotes da produção total aleatoriamente. o intervalo de valores apresentado corresponderia aos resultados obtidos em 95% delas (os valores mais usualmente utilizados são 90%. Isto é. seja possível inferir entre que valores varia o peso médio com um grau de confiança ou probabilidade elevado.4.92 kg e 1. é possível calcular o peso médio de acordo com as técnicas de estatística descritiva apreendidas atrás. o valor seja diferente. para cada amostra de dimensão n recolhida. Claro que nada nos garante que esse valor coincide com o valor do parâmetro da população em estudo. aferir entre que valores seria de esperar que variasse o parâmetro de interesse se nos empenhássemos a recolher um número infinito de amostras.Manual de Exercícios 3. tal significa que.02 kg. Caberia depois à empresa julgar se esses seriam ou não valores aceitáveis e proceder aos eventuais reajustes necessários. Estatística Aplicada 76 . se dissermos que o nível de confiança ou certeza implicado é de 95%. pela morosidade e dispêndio de recursos que tal implicaria. Por exemplo. Isto é. se nos fosse possível observar um número infinito de amostras. E esse resultado tem um determinado nível de confiança associado: por exemplo. mais. a estimativa do parâmetro assumiria valores distintos. é possível estimar os valores dos seus parâmetros caracterizadores através de métodos probabilísticos. suponhamos que numa fábrica produtora de açúcar se pretende averiguar se o peso dos pacotes produzidos está.12 kg. permitir afirmar que seria altamente provável que o peso dos pacotes produzidos estivesse a variar entre 0. Estimação por intervalos Conhecendo-se uma amostra em concreto. dentro das normas de qualidade exigíveis. este método poderia. De facto. 95% ou 99% de confiança). caso o valor amostral fosse de 1. como retirar conclusões? Como garantir algum nível de rigor? O método a estudar neste capítulo – a estimação por intervalos – permite. por exemplo. se recolhermos outro conjunto idêntico de pacotes. a partir da recolha de uma única amostra. em média.

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

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

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

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

com 99% de confiança.085 mg e 1.1.2 20 = [1. contenha o valor esperado da altura µ.576 x0.X +c σ n = 1.1. tendo-se obtido o valor de 1.76 Amplitude = Lim. .085.Manual de Exercícios b) Amplitude = 115.Lim.70m.2 mg.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.2 20 . Estatística Aplicada 83 . que o teor médio de nicotina de um cigarro se situa entre 1. entre que valores se situa o teor médio de nicotina de um cigarro.22) n=20 e logo X −c x =1.Inf.88 – 104.12 = 11. Defina um intervalo que. com probabilidade 95%.051.315] Estima-se. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11.2 − 2. 0. Resolução X segue N(µ. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0. diga.2 mg.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina.315 mg.576 x0.576 σ n . com 99% de confiança. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.2 − 2.Sup. observando-se um valor médio de 1.2 σ=0.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.

0876.0. procura conhecer-se a incidência de defeituosos na produção de uma máquina.051) n=25 e logo X −c x =1.96 x 0.1x0.7 − 1.2 − 1.645 = 0. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.1 − 1. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.23%.1x0.085 mg e 1. que o teor médio de nicotina de um cigarro se situa entre 1. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. onde 10% dos artigos são defeituosos.051 25 . que a proporção de artigos defeituosos na produção se situa entre 8. Passada uma semana.611.p+c .X +c σ n = 1.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. 0.788] Estima-se.9 0.9 p (1 − p ) p (1 − p ) ˆ .1.1.70 σ2=0.645 = 1600 1600 n n = [0.051 25 = [1. Determine o intervalo de confiança para a referida proporção com 90% de confiança. Construa um intervalo Estatística Aplicada 84 . seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.0. com 95% de confiança. Para tanto.1123] Estima-se.1 − 1.96 σ n .315 mg.76% e 11.Manual de Exercícios Resolução X segue N(µ.96 x 0. Exercício 6 Numa fábrica. com 90% de confiança.

9%.25 x0. Nesse sentido.25 − 1.767.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0. Resolução n=300 ˆ p= 75 = 0.034. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20.833].25 − 1.0.1% e 29.75 ˆ .25 x0.299] Estima-se.0. 0.96 .p+c = 0.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. com 95% de confiança. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.Manual de Exercícios de confiança a 95% para a proporção de operários que conheciam adequadamente o conjunto das normas uma semana após a sua emissão. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.201. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0. verificando que 960 a conheciam.75 0. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.96 = n n 300 300 = [0.645 e logo Estatística Aplicada 85 .96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.

que a proporção de indivíduos conhecedores da marca se situa entre 78.2 = 2 *1.8 − 1.1) vem igual a 99.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.781.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.6%.645 = n n 1200 1200 Estima-se. pretendendo-se que a sua amplitude não exceda 60 psi. com 90% de confiança.8 * 0.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 . Com base num vasto conjunto de ensaios realizados no passado.86) na tabela N(0.1% e 81.645 * ≤ 0.8 − 1.Inf.9%.2 0.padrão da tensão de ruptura do material em causa é de 70 psi. 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. ˆ b) Amp.645 .p+c = 0.2 = 0.8 x0. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura. estima-se que o desvio .2 ˆ .=Lim. 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. = ( p + c Logo ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c n n n 2c ˆ ˆ p(1 − p) 0.8 + c E D(2.833 n 0.8 x0.833 ⇔ c = 2.0.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.0.Sup.Manual de Exercícios ˆ p−c = [0.8 * 0.86 1200 Logo 0.

96 σ n . foram analisadas as tensões de ruptura de 10 cabos SCB-33R. usados por trabalhadores de uma empresa de construção civil.Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos. 112) n=10 e logo X −c x =4537 σ=10. que o tensão média de ruptura dos cabos se situa entre 4530. para o valor esperado da tensão de ruptura dos cabos do lote em causa.96 e logo Estatística Aplicada 87 . Recentemente.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.58 10 = [4530. com 95% de confiança.5.4537 − 1.96 x10. Resolução X segue N(µ.5 kg/cm2 e 4543. Defina esse intervalo. a 95%.5] Estima-se. Existe uma norma de 112 kg/cm2 em relação à variância. e em 18 foram observados alguns danos. tendo sido obtida uma média de 4537 kg/cm2. Construa um intervalo de confiança.X +c σ n = 4537 − 1. Interprete o resultado obtido.58 10 . a 95%. Resolução a) n=50 ˆ p= 18 = 0. O director comercial pretende saber qual o intervalo de confiança. Exercício 11 Uma amostra de 50 capacetes de protecção. que é respeitada.96 x10. foram seleccionados aleatoriamente e sujeitos a um teste de impacto.4543.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. para a verdadeira proporção p de capacetes que sofre danos com este teste. seleccionados aleatoriamente a partir de um lote de grandes dimensões.5 kg/cm2.

7% e 49. com 95% de confiança.Manual de Exercícios ˆ p−c = [0.= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.p+c = 0.3%.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos). isto é.08 ⇔ n > 600 n n Estatística Aplicada 88 .96 * < 0.96 .08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.36 − 1.96 = n n 50 50 Estima-se. 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.0.36 − 1. que a proporção de capacetes que sofre danos se situa entre 22.36 x0.64 0.0.36 x0.5 = 2 * 1. Exercício 12 Qual deve ser o número de habitantes da cidade do Porto a seleccionar aleatoriamente para estudar a proporção de portuenses que usam óculos. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).64 ˆ . vem que: 2c ˆ ˆ p(1 − p) 0.22695.5 * 0.

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

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

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

645 x 100 = 654. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. Se tal não acontecer. isto é. vem que P ( X > c / µ = 600) = 0. se o valor amostral fôr superior a 654. isto é. grandes valores de X são improváveis. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654.83(3). a seguinte: - rejeitar H0 em favor de H1.83(3) X µ = 600 Os dados recolhidos indicavam X =610. por falta de provas suficientes para não o fazer.05 ⇔ P ( X −µ σ > c − 600 ) = 0.05 ⇔ 100 9 n ⇔ c = 600 + 1. Estatística Aplicada 92 . pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande. opta-se por H1 com probabilidade 5% de se estar a cometer um erro.Manual de Exercícios Em princípio. a Região Crítica deste teste. conserva-se Ho. Logo.83(3) 3 A regra de decisão é.83(3) Isto é. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. considerar que o processo científico não produz efeitos. sendo P(Rejeitar Ho / Ho) = α = 5%. isto é.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. pelo que a decisão é conservar H0 . então.2 mm.

Isto é. os erros incorridos não se ficam apenas pelos de 1ª espécie. isto é. de se cometer um erro de 2ª espécie. Supondo então que H1 é verdadeira (µ=650 mm). O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. é possível alternativamente partir do princípio que é H1 que é verdadeira. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654.14) = 55.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses. infelizmente. ou seja. Existem também erros de 2ª espécie. No entanto. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente.1) ≤ 0. tal não é possível. então vem que: X ∩ N (650.83(3) − 650 ) = P ( N (0. Estatística Aplicada 93 . e como α e β se referem a realidades opostas e variam em sentido contrário. No entanto. sendo o teste ideal o que minimiza simultaneamente ambos os valores.Manual de Exercícios No entanto.83(3) / µ = 650) = P ( X −µ σ ≤ n 654. mas que.

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

01 9 Estatística Aplicada 95 . vem que P ( X < c / µ = 1) = 0.Manual de Exercícios TESTES DE HIPÓTESES Exercícios Exercício 1 Suponha que o director de qualidade pretende averiguar se o peso dos pacotes de arroz produzidos corresponde ao valor assinalado na embalagem.97 1.98 1.98 0. Logo.97 1. Suponha que X ∩ N ( µ .9945] ⇔ c = 1 − 1.99 0.01 = 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%. Seja X a variável que representa o peso de um pacote de arroz.02 0.0. RC = ]− ∞.012 ) e que se conhece a seguinte amostra: 1.0.01 0.9945 3 Logo.02 0.00 Será que. sendo P(Rejeitar Ho / Ho) = α = 5%.05 ⇔ 0. determinar a região de rejeição e aceitação.645 x c −1 ) = 0.05 ⇔ P ( X −µ σ < n 0.

vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. Exercício 2 Numa cidade.9922 0.5 Estatística Aplicada 96 .9945 para 0. rejeita-se Ho Ou seja. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade. e 45% declaram-se favoráveis. considera-se que o arroz contido em cada pacote era inferior ao indicado.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0.9922.9933 A única mudança será no Valor Crítico. Faz-se um inquérito a 200 pessoas.9933 e é menor que o valor crítico 0.9945 +∞ Valor da amostra: 0.9933 Como o valor da amostra foi 0. pretende-se saber se metade da população é favorável à construção de um centro comercial. que de 0. No entanto. Reduzindo a probabilidade de isso ocorrer de 5% para 1%. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0. Neste caso. consideraremos que não há qualquer anomalia na produção. aceitaremos Ho.9945.5 H1: p < 0. ou seja.

Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.442 Ou seja. 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%.442.5(1 − 0.5) 200 ) = 0. determinar a região de rejeição e aceitação.0.645 x Passo 6 ˆ p =0.5(1 − 0.45 0. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial.05 ⇔ ⇔ c = 0.45 0. onde o cuidado deve ser trabalhar com grandes amostras.5) = 0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.5) = 0. RC = ]− ∞.5 0. vem que ˆ P ( p < c / p = 0. Estatística Aplicada 97 .442] Passo 7 Como o valor amostral 0.5 − 1. não se rejeita Ho RR: Não construir o centro comercial RR: Parar a construção α=5% RA: Decidir pela construção -∞ 0 +∞ Valor amostral: 0.45 é maior que o valor crítico 0. Logo. sendo P(Rejeitar Ho / Ho) = α = 5%.442 200 Logo. essa margem não é suficiente para decidir deixar de o construir.

realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos.01 ⇔ = −2. 0. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo. com peso médio de 0.998 > c = 0.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. 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 . a um nível de significância de 1%. 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). a) Com 1% de significância. não pertence à região crítica.01 0. registando-se 45 fumadores. Da produção de determinado dia é retirada uma amostra de 49 pacotes.998 Kg. com desvio padrão 0.01 σ ≤ n 49 49 Como x = 0.01 ⇔ P ( X −µ c −1 c −1 ) = 0.326 ⇔ c = 0. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ. produzidos por uma fábrica. Pode-se afirmar. Ao fim de três meses.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0.997.997 0. é lançada uma intensa campanha anti-tabaco.012) n = 49 x = 0.01. é uma variável normalmente distribuída.

5 (a campanha não surtiu efeito) H1: 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. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 . com desvio-padrão de 20 horas.5 * 0.5 * 0.5) = 0.5 0. não pertence à região crítica.45 − 0.45 / p = 0.45 > c = 0. Uma amostra de 18 baterias forneceu os seguintes valores: 237 242 244 262 225 218 242 248 243 234 236 228 232 230 254 220 232 240 Supondo que o tempo de vida das baterias se distribui normalmente.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.384.01 ⇔ P( ˆ p− p 0.326 ⇔ c = 0. poder-se-á concluir.5 0.45 α = 1% H0: p = 0. a 5% de significância.5 ≤ ) = 0.5) = 0.5 = −2.01 ⇔ c − 0.5 100 = −2.5 100 ) = 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).5 * 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.326 ⇔ n = 541 0.5 * 0.384 ˆ Como p = 0.45 − 0.01 ⇔ p(1 − p) 0. b) P( X ≤ 0.5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.

não pertence à região crítica.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas).Manual de Exercícios Resolução X segue N(µ. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados.25 20 20 σ ≤ n 18 18 Como x = 237. em dada secção.25.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0. 202) n = 18 1 18 x = xi = 237. Exercício 6 Uma empresa de cerâmica tem. Foram registadas 5 medidas de temperatura de fornos regulados para 600º.05 > c = 232.05 ⇔ = −1.645 ⇔ c = 232. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.360) n=5 Estatística Aplicada 100 . que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado.

ou se. 90. se a afirmação do fabricante pode ser considerada verdadeira.97 5 n Como x = 602 < c = 613.96 18.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0.645 ⇔ c = 613.95 ⇔ c − 600 = 1. a um nível de significância de 1%. Teste.96.25) n = 100 x = 158.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. Foi recolhida uma amostra de 100 ovos. 437 g.25.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 . Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90. pelo contrário. cujo peso médio foi de 158. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado). não pertence à região crítica. o verdadeiro peso dos ovos será menor. a) O fabricante diz que o peso médio é de 160 g. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ.

326 ⇔ c = 157. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama).01 ⇔ c −1 = −2.6 0.6) = 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0. 55% declararam adquirir. numa região. b) P ( X ≤ 158. Efectuando um inquérito junto de 600 leitores.6 H1: p < 0. de 60% de leitores que regularmente compram um jornal desse tipo. por hábito. Estatística Aplicada 102 .5535. Resolução n = 600 H0: p = 0.25 100 ) = 0. pronuncie-se quanto à projecção que o semanário reclama. até então nunca atingida por qualquer semanário.6 0.Manual de Exercícios P ( X ≤ c / µ = 160) = 0.79.4 600 = −2. pertence à região crítica.5 n 100 Como x = 158. o semanário em causa.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido.437 > c = 157.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira).326 ⇔ c = 0.79 9.6 ˆ p = 0.01 ⇔ P ( X −µ σ ≤ c − 160 90.4 600 ) = 0. a percentagem.6 * 0.437 − 160 90. não pertence à região crítica.01 ⇔ c − 0. Adoptando um nível de significância de 1%.6 * 0.5535 ˆ Como p = 0.55 < c = 0.25 100 ) = α ⇔ F (−1.

061. a) Poder-se-á afirmar.18 = −1. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.25 σ ≤ 0.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 5.061 − 4. tendo-se obtido para a resistência média à compressão o valor de 4.6% n Estatística Aplicada 103 .18 > c = 5. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.05 ⇔ n 12 Como x = 5.18 H1: µ < 5.0625 12 ) = 0. não pertence à região crítica.061 / µ = 4.18) = 0.0625 12 ) = 1 − F (0.95 α = 5% H0: µ = 5.18 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).95 kg/cm2.9) = P ( X −µ σ > 5. a um nível de significância de 5%.061 0.0625) n = 12 x = 4.01) = 1 − 0. 0.645 ⇔ c = 5.9 0. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.5040 = 49.18 c − 5.0625 (kg/cm2)2.90 kg/cm ? Resolução a) X segue N(µ.05 ⇔ P ( X −µ c − 5.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.

Manual de Exercícios

Exercício 10

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

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

ˆ p = 0,6

α = 10%

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

ˆ p− p
p (1 − p ) n

c − 0,5

0,5 * 0,5 400

) = 0,9 ⇔

c − 0,5

0,5 * 0,5 400

= 1,282 ⇔ c = 0,53205

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

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

Estatística Aplicada

104

Manual de Exercícios

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

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

3.6.2 Fiabilidade de um sistema

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

Estatística Aplicada

105

Manual de Exercícios

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

(i) Associação em paralelo

Consideremos vários componentes redundantes e independentes:

1

2

3

4

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

∏q
i

i

Estatística Aplicada

106

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

. terão que ser analisadas técnicas mais gerais. a fiabilidade do sistema é dada por Rs = e (iv) Outros sistemas − n i =1 λi t Quando a estrutura do sistema não puder ser enquadrada em nenhuma das anteriores. 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. Estatística Aplicada 108 . tais como a árvore de avarias. O método consiste basicamente em identificar todos os modos possíveis de avaria e controlá-los. para que o sistema funcione torna-se necessário que todos os componentes se encontrem em bom estado de funcionamento.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. A distribuição exponencial é a mais usada em estudos de fiabilidade.. Assim. a fiabilidade do sistema é dada por Rs = p1 x p2 x p3 x . supondo que se pretende analisar a fiabilidade da iluminação de uma sala com uma lâmpada. 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.

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

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

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

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

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

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

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

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

Neste caso.f. 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. pois cada aluno entrevistado foi classificado sob uma determinada categoria.Manual de Exercícios Tome-se o caso de GL (d.) = 4: Para o nível de significância de 5%. a distribuição entre os vários cursos não ocorre de forma homogénea. for maior que o valor crítico fornecido na Resolução: Como pode ser observado. entre os 120 alunos incluídos no estudo há um número igual (60) que afirma usar e não usar drogas. No entanto. pode usar-se o teste do quiquadrado com duas hipóteses de trabalho: Ho: Não há associação entre tipo de curso e dependência de drogas H1: Há associação entre tipo de curso e dependência de droga Estatística Aplicada 117 .

Para o cálculo do recomendam-se os seguintes passos: n i . concluindo-se que. a hipótese Ho não pode ser rejeitada. se as duas variáveis fossem independentes. 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. Calcular as frequências esperadas eij = Por exemplo.5 25 Farmácia 20 17.5 120 2. a proporção de alunos que usam ou não drogas não varia entre os cursos.5 15 17.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni.0 30 30. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. * n.7) com o valor do crítico.05).5 15 12. que é 5.5 35 Biologia 30 30. compara-se o valor do observado obtido (1. no grupo estudado. não há associação entre as variáveis. Em média.7 4. j n 1.991 (cruzamento da linha 2 com a coluna 0. j n = 25 * 60 = 12. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. Ho deverá ser rejeitada. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa). Estatística Aplicada 118 . * n.7 é menor do que o valor obtido a partir da tabela. Por último. Vem que o obsv.0 60 120 Total 60 60 3. Assim sendo.=1.

não se deve usar o teste do . Estatística Aplicada 119 . Uma boa alternativa para estes casos é o agrupamento de linhas e colunas adjacentes. ou haja uma ou mais frequências esperadas com valores menores ou igual a 1. 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.

007 35.638 44.247 3.251 7.357 4.997 45.217 28.741 40.236 11.919 19.813 33.240 20.362 15.231 10.672 59.337 30.120 16.343 14.833 3.124 8.404 5.932 41.301 30 13.312 8.047 19.996 27.336 37.087 42.256 43.160 13.736 27.188 29.340 19.142 5.845 32.584 1.5 0.05 0.064 23.9 0.666 23.337 33.013 18.252 120 .180 2.025 0.549 21.067 16.652 40.566 39.010 0.337 32.558 51.812 22.955 26.172 38.685 26.412 31.619 26 11.268 11.341 17.547 14.401 46.841 5.051 27 11.989 28.698 9.342 15.645 12.578 10.345 12.072 0.651 18.443 19.156 2.757 31.401 15.090 21.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.520 13.975 0.207 0.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.348 11.507 17.892 29 13.314 46.610 2.017 14.860 18.143 13.455 1.676 0.191 33.264 6.457 6.434 8.848 22.Manual de Exercícios 0.728 12.718 40.337 28.515 5.338 27.204 30.292 25.362 24.119 29.319 36.378 6.688 29.410 34.527 7.141 31.283 13.289 42.124 8.796 10.041 12.916 41.565 4.832 15.920 24.479 38.779 3.290 54.114 26.336 36.348 10.615 32.475 28 12.000 0.344 13.275 19.074 3.589 27.781 40.987 18.578 32.885 41.009 5.689 14.815 5.535 20.991 7.877 9.908 7.564 10.526 34.816 4.722 49.819 34.070 12.01 0.844 17.265 6.573 18.643 9.181 49.963 49.336 40.591 12.337 34.156 42.557 45.415 39.684 16.196 36.338 24.787 16.791 20.659 23.307 24.819 9.026 23.588 5.001 0.488 11.277 14.307 20.204 2.337 29.216 0.852 36.335 58.121 16.346 12.113 43.1 0.209 25.461 48.989 1.364 42.336 39.076 41.412 0.490 4.339 22.805 37.075 4.005 0.645 55.466 9.928 52.024 7.267 39.808 14.939 27.790 13.366 3.304 11.827 9.085 16.909 7.629 6.563 38.605 6.278 50.034 8.773 46.337 44.812 18.321 7.488 30.582 43.195 46.831 1.000 34.344 1.312 15.892 53.801 37.796 48.179 25 10.382 37.339 21.587 30.210 10.168 4.635 7.768 28.769 27.041 21.484 0.296 28.725 26.338 25.338 23.542 26.601 5.473 24.706 4.671 35.308 18.980 45.340 18.064 1.791 8.278 24.351 2.700 3.879 10.144 32.211 0.051 0.907 11.262 6.642 48.690 2.592 14.170 37.266 9.237 1.675 21.697 6.001 0.337 26.086 16.865 17.475 20.386 2.923 45.336 35.016 0.750 20.815 9.979 50.735 2.982 14.449 16.603 3.886 0.599 29.844 7.588 52.865 0.869 31.023 21.483 23.548 22.994 56.597 13.409 35.924 36.314 10.838 16.260 9.300 32.646 44.461 15.191 38.

..e maq 10 não funcionar) = 1 – 0. está instalado um sistema de 10 máquinas para utilização de cartão multibanco.6531% = e −0. Calcule a probabilidade do sistema estar em funcionamento. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%.. Resolução P(avaria) = 1-0. 25 = 77. B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas.. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A).8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 . 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D).5 = 60.*0. Quatro componentes de um sistema encontram-se associados de acordo com a figura junta.15*.15*0.85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona.Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial.15 = 1 (aproximadamente) 2.

606531*0.778801 = 46. sem que se verificasse qualquer avaria.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0.990944*0.25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.8% Exercício 3 Foram ensaiadas durante 3 000 horas.171429 = 84. P(sistema estar em funcionamento após 5 000 horas) = = 0.1 = 90. 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 .Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0. a) Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? b) Admitindo que a máquina se encontrava em funcionamento no instante t=4 horas.904837)2 = 99.5 horas. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0. Calcule a fiabilidade do equipamento.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0. com um MTBF de 17 500 horas.0944% Logo. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.

num conjunto de 10. estarão provavelmente em funcionamento após 2 000 horas de utilização.0.302 = 73.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.P(falhar nenhuma) = 1 . 0.4% 2! Exercício 5 Sabe-se que um determinado modelo de lâmpadas apresenta no período de vida útil (3625 horas) um MTBF de 12 000 horas.5)t = e-(6/4. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.1667 = 84.5) MTBF = 4.5 6 0 − 1 − 4.5 = 26. Resolução a) Rs = e − 3625 12000 = e −0.5) = 26.12% b) Rs = e − 2000 12000 = e −0. no período de vida útil.5 c) Y: nº de avarias no intervalo [0.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.6] horas.5) 2 = 23.846x1000 lâmpadas = 846 Estatística Aplicada 123 .5 x(6 / 4.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .0488 = 95.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.4% 4.6] horas P(Y=2) = e − − 6 4. 1 .9% Em 10. b) Quantas lâmpadas. de um conjunto de 1 000.73910 = 1 – 0.5 e dx = e 4.6% Logo. como Y segue Po(1/4.5). tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.

095+0. 0. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.2*0.8*0.75+0.63% b) Bi(n=5.7738 + 0. Qual a probabilidade de pelo menos dois destes telefones estarem sem avarias? Resolução P(pelo menos dois destes telefones estarem sem avarias ) = P(2 ou 3 estarem sem avarias) = 0. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.05=0. indicando o valor médio de tal distribuição. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0.25=9. No caso de nenhum elemento avariar o sistema funciona normalmente.85*0.954*0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais.5% P(2 sem avarias) = 0. 0.05) Valor médio=5*0.85*0. sendo 0.955)* 1 + (5*0.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.25 e que as avarias são independentes. T2 e T3 se encontrarem avariados são.5% P(3 sem avarias) = 0.7 = 0.15*0.2*0.25+0.15.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias.7. Resolução a) P(sist.p=0. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia. colocados estrategicamente a fim de satisfazer adequadamente os utentes.2 e 0. se mais de um elemento avariar o sistema não funciona.15*0.25 Estatística Aplicada 124 .8*0. T1.51=60. respectivamente. se um dos elementos avariar o sistema funciona com probabilidade 0.05)*0.1425 = 91.

530.25) 2 ) a) LIC = µ − cσ n cσ n = 49. estando a norma a ser cumprida. se produzir um artigo defeituoso.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. 50. Resolução X: resistência de um componente em Ω X ∩ N ( µ . (0.1225 n=16 σ=0. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de.1225 cσ n Como LIC + LSC = 100 vem que µ − Logo µ=100/2 = 50 Ω + µ+ cσ n = 2 µ = 100 Estatística Aplicada 125 .8775 LSC = µ + = 50.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. 470] Nestas condições.8775 LSC: 50.

Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 . a norma para a variância é de 4 e está a ser cumprida.P( 49.P( 1 .96) = Na tabela da Normal.95 donde 1 – 0.88 ≤ X ≤ 1.53 − 50 50. sendo a norma respeitada) = 49.01% Exercício 2 A empresa “TRADECHO.25 16 16 1.88) = Na tabela da Normal. a amplitude do intervalo de controle para a média deve ser de 1.88) = 0.47 − 50 ≤X ≤ )= 0.8775 ≤ X ≤ 50.96 ≤ X ≤ 1.1225 sendo µ=50) = 1 .1225 − 50 ≤X ≤ )= 0.96.95 = 5% c) P(produzir um artigo defeituoso.96) = 0.47 sendo µ=50) = 1 . Estatística Aplicada 126 . vem D(1.9399 donde 1 – 0.9399 = 6.53 ≤ X ≤ 50.P(-1.25 16 16 1 – P(49.25 0.8775 − 50 50. a dimensão das amostras a extrair é de 16 Afirmam os clientes que a probabilidade de parar indevidamente o processo produtivo é superior àquela que decorre das normas.P(-1.25 0.P(49. vem D(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. SA” mantém um diferendo com os seus principais clientes.

96/2 ≤ X ≤ 20+1.3 • • • • •20. vem D(1.90 • • • • • 20 • • • •20.96) = 0. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ .95 = 5% b) e c) Média Amostral (cm) 20.02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo). b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.15 • • • • • 19.95 donde 1 – 0.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.P(-1.90 20.00 20.5 • • • • 19.P( − 0.30 20.98 ≤X ≤ )= 2 2 16 16 1.P(20-1.98 0.96/2 sendo µ=20) = 1 .96) = Na tabela da Normal.05 19. Estatística Aplicada 127 .Manual de Exercícios a) Determine a probabilidade referida.96 ≤ X ≤ 1.

Resolução X: duração das lâmpadas em horas X ∩ N ( µ .45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.P(983.55 − 1000 1016.45 − 1000 ≤X ≤ )= 100 100 100 100 1. Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.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 .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).55 cσ = 1016. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo. 1016.55.55 ≤ X ≤ 1016. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.645) = Estatística Aplicada 128 .45 sendo µ=1000) = 1 .P( 983. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983. a partir de uma amostra de dimensão 100: [983.645 ≤ X ≤ 1.P(-1.

8 milhares de horas a amplitude do intervalo não deve exceder 1.96 * 4 64 b) LSC = µ + = 10.96 ⇔ n ≥ 64 1.9 donde 1 – 0.8 - = 9.96 logo 2 cσ n 1. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ . SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.8 logo µ = 10. vem D(1. Assim. b) Calcule a norma.96 * 4 n ≤ 1. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas.645) = 0. procede à verificação da produção de energia Estatística Aplicada 129 .96 2 cσ n ≤ 1.8 D(c)= 5% logo c= 1.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.82 Exercício 5 O director de produção da empresa DISLIX. 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. ( 4) 2 ) cσ n a) LSC = µ + = 10. Para tal.Manual de Exercícios Na tabela da Normal.96 milhares de horas a probabilidade de se parar indevidamente a produção é de 5% Sabe-se ainda que o desvio padrão da duração de uma componente é de 4 mil horas.

04 LIC = µ − cσ n cσ n • • • = 10 − 1.96 * 4 Estatística Aplicada 130 .92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.92 A probabilidade de se parar indevidamente a produção não deve exceder 5% Sabe-se que o desvio padrão da produção da energia eléctrica de um gerador é de 4 kws/hora e que a variável segue distribuição Normal.04 = 11. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção. ( 4) 2 ) a) D(c)= 5% logo c= 1.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.96 * 4 16 16 = 8. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .96 2 cσ n ≤ 3.96 * 4 n ≤ 3.96 LSC = µ + = 10 + 1. b) Represente a carta de controle para a média.92 logo 2 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.

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

das quais 3 foram de alunos que não tinham efectuado provas durante o ano.991 observado = 31. dos quais 20 não tinham prestado qualquer prova durante o ano.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. no grupo estudado. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568.2 376 Refrigerante 186 237. que é 5. o poder de compra do consumidor influencia a sensibilidade ao preço.141 Vem que o obsv.=31. procedeu-se à aplicação de eij = n i .05). α=0. há associação entre as variáveis. a hipótese Ho será rejeitada.6 1126 Preço Baixo 212 189.141 é maior do que o valor obtido a partir da tabela.05)=5. concluindo-se que. j n .991 (cruzamento da linha 2 com a coluna 0.Manual de Exercícios de segmentar o mercado.4 528 557. para os quais se convencionou a adopção de um nível de significância de 5%. * n. Assim sendo. considerado razoável face aos valores normalmente utilizados. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação.8 164 186. O número de aprovações foi de 33. Para o cálculo das frequências esperadas. Estatística Aplicada 132 . Em média. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos.8 285 233.

= 3.84 observado = 3. α=0. 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. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. para um nível de significância de 5%.122 Vem que o obsv. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 . Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”.Manual de Exercícios Diga. Logo. a hipótese Ho não será rejeitada (há independência). construiu-se a seguinte tabela de contingência. se. Resolução Aprovações Comparecem Sim Não Total Aprovado 30 3 33 Reprovado 55 17 72 Total 85 20 105 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol.05)=3.122 é menor do que o valor obtido a partir da tabela.

Exercício 4 Pretendendo-se analisar o comportamento do volume de divisas ao longo do ano. compreendendo os meses de vinda de emigrantes (Verão e Natal) e Época Normal (restantes meses). Assim.2876 (44 − 48) 2 (55 − 53) 2 + .= 2. tendo-se obtido: Volume DLX Baixo/Médio 150 20 Elevado 50 80 Época Normal Ponta A um nível de significância de 5%. deu-se particular atenção à influência exercida pelas remessas de emigrantes. + = 2. o ano foi dividido em duas épocas: Época de Ponta..21 48 53 Média 48 49 53 Superior 48 49 53 Valor obsv. α=0. Assim sendo. observou-se o nível de Disponibilidades Líquidas sobre o Exterior (DLX) para cada mês. Negócios Baixo Médio Elevado crítico (GL=2. est.2876 é maior do que o valor obtido a partir da tabela. concluindo-se que há associação entre as variáveis..Manual de Exercícios Valores esperados: Formação Gerente Vol. que pode concluir? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 134 .2876 > 9.21 observado = 2.01)=9. Assim. a hipótese Ho será rejeitada. teste = Vem que o obsv.

concluindo-se que há associação entre as variáveis.069 > 3. Moeda 0-10 10-45 45-70 Reduzida 72. teste = Vem que o (150 − 113.33 6.33 obsv.33 crítico (GL=1.069 é maior do que o valor obtido a partir da tabela.84 113.. + = 85.5 130.5 75 Estatística Aplicada 135 .33) 2 (80 − 43. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.069 Valor obsv.66 Elevado 86.5 87 Média 115 207 138 Elevada 62. a hipótese Ho será rejeitada.66 43. est. construindo-se a seguinte tabela de contingência: Taxa juro Proc.5 112.05)=5.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113.991 observado = 85. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro. Assim sendo. α=0. 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%.= 85.33 43. procedeu-se à recolha periódica de elementos sobre essas variáveis..33) 2 + .

Manual de Exercícios crítico (GL=4.= 1183. a hipótese Ho será rejeitada. Assim sendo.05)=9. α=0.49 observado = 1183. B e C. concluindo-se que há associação entre as variáveis. Estatística Aplicada 136 .7 é maior do que o valor obtido a partir da tabela. 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. Os resultados de uma amostra de 140 estudantes foram os seguintes: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 30 10 B 30 20 C 10 40 Utilizando um nível de significância de 5%. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 20 20 B 25 25 C 25 25 crítico (GL=2. Exercício 6 Um investigador seleccionou três amostras de estudantes. Assim sendo. A. concluindo-se que há associação entre as variáveis.84 observado = 30 Vem que o obsv.= 30 é maior do que o valor obtido a partir da tabela.05)=3.7 Vem que o obsv. α=0. a hipótese Ho será rejeitada.

Sign up to vote on this title
UsefulNot useful