104

Introdução ao e-learning

Manual de Exercícios

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

Estatística Aplicada

2

............................. 3......8 Aplicações Estatísticas: Tratamento Estatístico de Inquéritos ......…...... 3. 3..................…...............................2................................Manual de Exercícios 3......... 3..........................5 Testes de hipóteses ...... ESTATÍSTICA INDUTIVA ....….....6...... 3............1....7 Aplicações Estatísticas: Controlo Estatístico de Qualidade .4 Estimação por Intervalos ........................... Teste de independência do qui-quadrado 45 45 48 49 76 89 105 105 105 110 114 114 Estatística Aplicada 3 ...... 3....…..........3 Funções de Probabilidade ....................................................6 Aplicações Estatísticas: Fiabilidade ................... Conceito de fiabilidade 3.......1...6................................ Fiabilidade de um sistema 3... 3...2 Probabilidade condicionada ... 3................8.1 Noções básicas de probabilidades ............ 3.

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

Definições Gerais 1. 1.3. Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade. Processo de amostragem Para conhecer de forma completa a população. Exemplo: Empresas existentes em Portugal 1.1. As variáveis podem ser de natureza qualitativa ou quantitativa.1. rácio de autonomia financeira (atributo quantitativo contínuo). etc 1.1.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada. número de trabalhadores (atributo quantitativo discreto). cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. As variáveis discretas assumem apenas um número finito numerável de valores.2. podem efectuar-se: Estatística Aplicada 5 .1.1. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores. População Fazer estatística pressupõe o estudo de um conjunto de objectos bem delimitado com alguma característica em comum sobre os quais observamos um certo número de atributos designados por variáveis. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo). Está ligada essencialmente ao cálculo de medidas e coeficientes. Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos.

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

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

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

pois permitem a comparação de amostras de diferentes dimensões). A apresentação destas amostras é semelhante às variáveis qualitativas.2. Diagrama sectorial ou circular Esta representação é constituída por um círculo.Fi) acumuladas. Variáveis Quantitativas Discretas São variáveis que assumem um número finito ou infinito numerável de valores.e relativas . 2. juntamente com a identificação da modalidade. como se pode ver no exemplo: Nº defeituosos (X) 0 1 2 3 4 Total Nº embalagens (ni) 80 60 30 20 10 200 % embalagens (fi) 40% 30% 15% 10% 5% 1 Ni 80 80+60 170 190 200 Fi 40% 40%+30% 85% 95% 100% Estatística Aplicada 9 .Manual de Exercícios Estes dados podem também ser representados graficamente através de: Diagrama de barras Para cada modalidade. em que se apresentam tantas “fatias” quantas as modalidades em estudo. fazendo corresponder o total da amostra (n) a 360º Geralmente. desenha-se uma barra de altura igual à frequência absoluta ou relativa (as frequências relativas são de preferir. 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 . fazendo-se uma tabela de frequências e uma representação gráfica recorrendo ao diagrama de barras. indica-se a frequência relativa respectiva.

o número de classes a constituir deve ser 5 Se n<25. a construção da tabela compreende duas etapas: (i) Definição de classes de valores disjuntas. sendo a amplitude de cada classe ai=ei-ei-1. isto é. uma variável (ou atributo) é contínua quando assume um número infinito não numerável de valores. x2[ [x2. isto é. Neste caso.Manual de Exercícios 2. então a amplitude de cada classe será: Valor máximo da variável observado – Valor mínimo da variável observado Nº de classes a constituir Classes de valores da variável [x1. 1.Número de classes a constituir Depende de n = dimensão da amostra Se n≥25.3. Variáveis Quantitativas Contínuas Como foi dito anteriormente. podem assumir qualquer valor dentro de um intervalo. Um histograma é uma sucessão de rectângulos adjacentes. correspondentes a intervalos de números reais fechados à esquerda e abertos à direita. 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) . x4[ [xn-1. o número de classes a constituir deve ser n .Amplitude comum a todas as classes Sendo a amplitude total dos dados dada pela diferença entre o valor máximo e o valor mínimo observados. em que a base é uma classe e a altura a frequência (relativa ou absoluta) por unidade de amplitude (ni/ai ou fi/ai). A área total do histograma é a soma das frequências relativas. Estatística Aplicada 10 . x3[ [x3. 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.

Fi) acumuladas.4. sobretudo pela sua facilidade de cálculo.4. Média ( X ) É a medida de localização mais usada. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda. É preferível representar o histograma com fi/hi do que com ni/hi uma vez que deste modo é possível comparar distribuições com diferente número de observações amostrais.1. Como as classes podem ter amplitudes diferentes.e relativas .Manual de Exercícios 1. Medidas de localização 2. Também é possível calcular as frequências (absolutas – Ni . 2.). 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. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é.. classe modal. 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 .. . 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.

a média tem o grande inconveniente de ser sensível a valores muito extremados ou aberrantes da distribuição (outliers). indica o valor central da distribuição.5 Variáveis discretas Se existe um valor de xi para o qual Fi = 0. Mediana (Me) A mediana não se calcula a partir do valor de todas as observações. 2. Em casos desses. . x2. Nestes casos. Desta forma.. a média é muitas vezes utilizada como valor representativo da amostra. xn Se n fôr ímpar. que se definem a seguir. xn + xn Me = 2 2 +1 2 Dados classificados A mediana é o valor tal que Fi = 0. sup . é preferível recorrer à informação complementar fornecida por outras medidas de localização.Manual de Exercícios onde ci é o ponto médio de cada classe ( lim . inf . Dados não-classificados Se tivermos n valores x1. Estatística Aplicada 12 . como a moda e a mediana. + lim . entendido como o valor em torno do qual se distribuem os valores observados.5.4. então fala-se em intervalo mediano. a média deixa de ser um valor que aparece na parte central da distribuição para ser “empurrada” para os extremos. No entanto. Me = x n+1 2 Se n fôr par.2. mas a partir da posição dessas observações. geralmente. ) 2 A média é uma medida de localização que..

01.5. Estatística Aplicada 13 .4.3. 0. é a classe a que corresponde maior frequência por unidade de amplitude.25.99. então a mediana é o primeiro valor para o qual Fi > 0.5.75..5 através de uma regra de três simples.0.1. Q2 e Q3). é o valor mais frequente da distribuição. 0. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe.. Se p=0... 0. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo. Variáveis contínuas Em geral.. isto é.0.. classe mediana FL sup − FL inf 2.. 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. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. chama-se ao quantil percentil Se p=0.9. chama-se ao quantil QUARTIL (Q1. isto é. determina-se o valor para o qual Fi = 0. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo.5. 2.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p. De uma forma geral: Me = L inf + 0.2. Medidas de ordem Tal como se definiu para a mediana. 0.02.5.. chama-se ao quantil decil Se p=0.5 − FL inf xamp.

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

havendo pouca dispersão se os desvios forem globalmente pequenos.... e havendo muita dispersão se os desvios forem globalmente grandes. (ii) Em relação à média Variância amostral: mede os desvios quadráticos de cada valor observado em relação à média.. moda).1 Medidas de dispersão absoluta (i) Em relação à mediana Amplitude inter-quartis = Q = Q3 – Q1 Significa que 50% das observações se situam num intervalo de amplitude Q. logo Q3-Q2 > Q2-Q1 Se g’ < 0 . Estatística Aplicada 15 .... maior (menor) a dispersão em torno da mediana.a distribuição é assimétrica negativa ou “puxada” para a direita (se fôr = -1. Medidas de dispersão Duas distribuições podem distinguir-se na medida em que os valores da variável se dispersam relativamente ao ponto de localização (média. mediana..... Apresentam-se de seguida algumas das mais utilizadas. logo Q2-Q1 > Q3-Q2 Q1 Q2 Q3 Assimétrica positiva Q2 Q3 Q1 Assimétrica negativa 2. Quanto maior (menor) a amplitude do intervalo.7. classificadas consoante a medida de localização usada para referenciar a dispersão das observações: 2.7. assimetria é máxima) A mediana desliza para o lado do Q3..Manual de Exercícios a esquerda (se fôr = 1. assimetria é máxima) A mediana desliza para o lado do Q1..

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

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

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 = 0.8. Se houver igual distribuição. A zona entre a diagonal e acurva de Lorenz designa-se. Quanto mais a curva se afastar da recta. Estatística Aplicada 18 . a concentração é nula. A curva que os une é a curva de Lorenz. e quanto maior o seu valor. x2[ [x2. que é designada de recta de igual repartição. Caso o valor de G seja 1. a concentração será máxima. a frequência das observações deve ter uma evolução igual à proporção do atributo correspondente. 2. yi p1 q1 yj yn pj pn=1 qj qn=1 Os pontos (pi.Manual de Exercícios O objectivo é comparar a evolução das frequências acumuladas (Fi = pi) com a evolução da soma dos valores da variável (qi) Quadro de dados Classes de valores da variável [x1.qi) pertencem ao quadrado (0.acumul. havendo igual repartição. a curva de Lorenz coincide com a diagonal do quadrado. x3[ [x3. x4[ [xn-1.1) por (0. pi=qi.relativa Proporção atributo acumuladas atrib. por isso. maior a concentração. Nesse caso. maior é a concentração.1). de zona de concentração. isto é. xn[ Total ni n1 nj nn n Quantidade Freq. O valor de G varia entre 0 e 1.

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

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

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

m.08 0. d) Determine os quartis da distribuição. Determine a mediana da distribuição.14 0.06 0. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente. 50[ Total Frequência.04 0. 15[ [15.02 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. 1[ [1.1 0.16 0.18 0.Manual de Exercícios ESTATÍSTICA DESCRITIVA Exercícios resolvidos Exercício 1 Considere a distribuição de 1000 empresas de um sector de actividade segundo os resultados líquidos (em milhares de u. e) Analise a (as)simetria da distribuição em causa.2 0.): Resultado Líquido [0. Resolução a) fi/hi 0. Faça a sua representação gráfica. 3[ [3. 25[ [25. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente. 5[ [5. b) Determine a média e a moda da distribuição.

o resultado líquido de uma empresa é de 7325 unidades monetárias. 25[ [25. o maior valor de fi / hi é 0. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u.5): [3.175 0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.002 Fi 10% 35% 70% 85% 95% 100% ci 0.1 0.125 0.5 2 4 10 20 37. 3[ [3.Manual de Exercícios [0.m.8 0.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0.5 x5%) = 7.7 Estatística Aplicada 23 .175. correspondente à classe [3.01 0. + (37.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0.35 5 : Fi = 0. 1[ [1.. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.5 x10%) + (2 x 25%) + . e 5000 u.m.015 0. 5[ [5. isto é. 5[ 3 : Fi=0.6 0. 5[. 15[ [15.325 Em média.4 0. Neste caso..

35 -------------.1 0.5 – 0.7 15 : Fi = 0.Me – 3 Me = 3 + ((2x0.05)/0.75 – 0.3 0.25 – 0.857) − (3.2 A distribuição é assimétrica positiva ou enviesada à esquerda. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.75): [5.3 .Q3 – 5 Q3 = 5 + ((10x0.5 0.333 − 3.Q1 – 1 Q1 = 1 + ((2x0.5 .Manual de Exercícios Cálculo da mediana: 0.35 -----------.0. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.0.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.25): [1. 3[ 1 : Fi=0. Estatística Aplicada 24 .857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.15 .85 Cálculo do Q3: 0.7 .7 -----------.25) = 2.7 -------------.85 .1 3 : Fi = 0.35 .15)/0.m.15) = 8.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.1 -----------.2) = = 0.857 − 2.35) = 3.35 Cálculo do Q1: 0. 15[ 5 : Fi=0.m.m.15)/0.4596 > 0 Q3 − Q1 8.1 -------------.333 − 2.

Totais G= (0. 70% das empresas apresentavam resultados até 5000 u. + (0. referente aos lucros obtidos por empresas de um dado sector industrial.m.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0. Por exemplo.744) = 0. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.Liq.47 0.5 2 4 10 20 37.Manual de Exercícios f) X [0.85 + 0.7 + 0. Analise a concentração através do Índice de Gini e da Curva de Lorenz.6 0.007) + .8 1 Exercício 2 Considere a seguinte amostra de dimensão 200. 0 0 0.95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0.4 0.95 1 qi 0.007 0.35 0.2 0.7 0.6% do total de resultados das empresas da 0. 15[ [15.85 0.35 + 0. entre 0 e 1).. 1[ [1.5 corresponde ao centro da escala possível.2 0. mas isso representava apenas 26.4 amostra. 5[ [5. Estatística Aplicada 25 .8 0.1 0.. 3[ [3. 25[ [25. expressas numa determinada unidade monetária.5 Atributo 100x0. o que sugere um tecido empresarial com muitas PMEs.95 − 0.471 0. mas em que cada uma tem baixo resultado líquido.6 0..075 0.1 − 0.1 + 0.744 1 50 + 500 + 1400 7325 Res.266 0.

243 2. b) Analise a correlação existente entre peso e altura. uma função linear que exprima as peso em função da altura.16(6) 0. pelo Método dos Mínimos Quadrados.02 0. 300[ [300.546(6) = 0.8 0. 100[ [100. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.4 0. conclui-se que esta amostra apresenta concentração moderada. como pelo valor do Índice de Gini.2 0 0 0.4 0.4 0.2 0.6 0.8 0.6 0. encontrandose os valores razoavelmente repartidos. 50[ [50. Estatística Aplicada 26 . c) Ajuste.63(3) 0. 200[ [200.883(3) 1 Curva de Lorenz 1 0.95 1 qi 0.25 Tanto pela análise da Curva de Lorenz. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0.1 0.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.Manual de Exercícios Resolução Lucros [0. a) Represente o diagrama de dispersão.

r = 0.9016x + 109.90681871. isto é.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. c) 190 Recta de Regressão 180 Altura (cm) y = 0. quase perfeita. existe uma correlação positiva forte entre as duas variáveis.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 .

429 2 y = sy 2 1 n n i =1 n i =1 yi = 6. c) Ajuste. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão. espera-se que a altura do indivíduo aumente 0.9408 = = 0.472.714 A dispersão das despesas em publicidade é superior à dispersão das vendas.Manual de Exercícios A equação desta recta traduz-se em Altura = 109.0651 CV x = sx 69.0651 = 0. b) Analise a correlação existente entre volume e custo de produção. é necessário calcular os coeficientes de variação (medidas de dispersão relativa): Dados não-classificados x = sx 2 1 n n i =1 n i =1 xi = 21.9016 x Peso Isto é.495 6.9016 cm. Por cada kg de peso adicional.39 x 21.) de uma empresa no período de 7 anos: Ano 1 2 3 4 5 6 7 Vendas 10 13 18 19 25 30 35 Desp. a altura esperada será de 109.36 + 0.9408 1 = n (yi − y ) = 11.36 + 0.714 2 1 = n (xi − x ) = 69. pelo Método dos Mínimos Quadrados. Resolução a) Para comparar a dispersão das duas distribuições.429 < CV y = sy y = 11. se um indivíduo pesar 70 kg.m. uma função linear que exprima as vendas em função das despesas em publicidade.9016 x 70 = 172. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u. Estatística Aplicada 28 .

714)] 7 = = 0.98 69.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 ..714) + . + (35 − 21.. as vendas aumentam (diminuem) de forma quase exactamente proporcional.429)(3 − 6. Em média.4649x + 4. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.429)(13 − 6.8782 Vendas 20 10 0 3 8 Desp. No quadro abaixo. quando as despesas em publicidade aumentam (diminuem). 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 .9408 x 11.0651 Existe uma correlação positiva linear forte entre as duas variáveis.Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21. Recta de Regressão c) 30 y = 2. Public.

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 10 20 37.) de 2500 famílias da população de um país: Rendimento anual [0. mas sim das ordenações das classificações (do 1º ao 10º classificado).5 3. isto é. 1[ [1. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. em média. 2[ [2. 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.m. 25[ [25. 2[ [2. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u. 1[ [1. 5[ [5.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos. Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. 15[ [15. c) Determine os três primeiros quartis. 25[ [25. igualmente boa nota na prova final. os alunos que tiveram boa nota na prova inicial tiveram. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente. 15[ [15.5 30 Estatística Aplicada .5 1. b) Determine o rendimento médio e mediano. 5[ [5.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1).

5 0. 2[ 3 : Fi = 0. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0. 5[ 5 : Fi = 0. Estatística Aplicada 31 .5 -----------.5 -------------.25)/0.025 Em média. Logo.5 15 : Fi = 0.5): [2.8 .5 x5%) = 9.0.25): [1..5. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).4 0. 15[ 5 : Fi=0. o rendimento anual de uma família é de 9025 unidades monetárias.5 x10%) + (1.2 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.Manual de Exercícios 1 0.75): [5. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.5 x15%) + .8 0.75 – 0.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.15 .8 Cálculo do Q3: 0.3) = 13. Classe mediana (classe a que corresponde uma frequência acumulada 0. + (37.6 0.m.Q3 – 5 Q3 = 5 + ((10x0.25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u..m.

1274 0.1 0. total 125 562. 5[ [5.333 − 5) − (5 − 2) = = 0.2 19.0305 0. 25[ [25.46 0. 200[ [200.6 3.1 5.5 Rend.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. 350] Total Frequência.0 100 Estatística Aplicada 32 . 160[ [160.95 1 qi 0.2 8.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.8 15.18436 = 0.5 7. 15[ [15.5 pi (=Fi) 0.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda. Relativa (%) 7.00554 0.071 e) Rendimento anual [0.4555 2.5 3.5 1. 300[ [300.8 0.2 31. 250[ [250.5 2187. 100[ [100. 80[ [80.5 22562. 120[ [120.25 0. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.5 10 20 37. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82. 140[ [140.47 > 0 Q3 − Q1 13. 1[ [1.286875 2 s x = s x = 82.4 2.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13. 2[ [2.5 7500 7500 4687.5 0.286875 = 9.

1 5. 80[ [80.6 3.542 Cálculo do Q1: 0.100 Q2 = 100 + ((20x0.0.m.120 . 100[ [100.0.7 80.0 100 Fi (%) 7. 160[ [160.5 7. 120[ [120.542 . Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.02)/0.27)/0.3 milhares u.25): [100. c) Analise a assimetria da distribuição em causa. 350] Total Frequência.9 89 94. 200[ [200.4 2.542 Cálculo do Q2: 0.m.23 -------------.8 15.100 0. 120[ 100 : Fi=0.312) = 101.Q2 .8 23 54. Relativa (%) 7. b) Analise a dispersão da distribuição em causa.2 19.542 .2 73.0. 140[ [140.23 -----------.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.2 8.3 50% dos empregados auferem remunerações inferiores a 117.28 25% dos empregados auferem remunerações inferiores a 101.23 120 : Fi = 0.23 3 : Fi = 0.100 0.5 . 300[ [300.5): [100.23 -----------.2 31.120 . 120[ 1 : Fi=0. 250[ [250. Estatística Aplicada 33 .23 -------------.Manual de Exercícios a) Calcule os quartis da distribuição.25 .28 milhares u.312) = 117.Q1 .0.100 Q1 = 100 + ((20x0. Resolução a) Remuneração [60.

3) − (117.61(1) 75% dos empregados auferem remunerações inferiores a 143. 160[ 120 : Fi=0. 302[ [302.m.243 > 0 Q3 − Q1 143.140 0. 306] Total Frequência. 300[ [300. no decurso de um teste.737 -------------.61 − 117.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda. 298[ [298.140 Q3 = 140 + ((20x0.737 -----------. 303[ [303. b) Amplitude do intervalo inter-quartis = Q3 . Estatística Aplicada 34 .160 .072) = 143. saíram de uma linha de enchimento automático: Peso (em gramas) [297.013)/0.28) = = 0.101. 301[ [301. 305[ [305.75 – 0.61(1) milhares u. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.61(1) .Q1 = 143. 304[ [304.809 . expresso em gramas.Q3 . Exercício 8 Os dados seguintes referem-se ao peso. do conteúdo de uma série de 100 garrafas que.75): [140.61 − 101.0.28 = 42.809 Cálculo do Q3: 0.33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143. b) Calcule as frequências acumuladas e represente-as graficamente.737 140 : Fi = 0.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.3 − 101. 299[ [299.

298[ [298.25 0. 302[ [302. Estatística Aplicada 35 .11 kg. e) Analise a dispersão do peso das garrafas.6 0. 304[ [304.. 303[ [303.2 0.15 0. 306] Total F* 1 0.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297. Qual o seu significado? d) Determine os quartis da distribuição.5 x8%) + (298.. Resolução a) 0.5 x1%) = 300. 305[ [305.5 x 21%) + . 299[ [299.4 0.3 0.Manual de Exercícios c) Determine o peso médio.11 O peso médio das garrafas é de 300. mediano e modal.1 0. + (305.2 0 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 Frequência Relativa (%) 8 21 28 15 11 10 5 1 1 100 Fi (%) 8 29 57 72 83 93 98 99 100 c) x = 1 n n i =1 ni c i = n i =1 f i ci = (297.8 0. 301[ [301. 300[ [300.

83 .08 -----------.301 Q3 = 301 + ((1x0.25): [298.299 Q1 = 299 + ((1x0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.75): [301.57 .72 -----------.0.0.Q3 .0.5): [299.0357 25% das garrafas têm peso inferior a 299.299 Q2 = 299 + ((1x0. 299[ 298 : Fi=0.29 Cálculo do Q1: 0.08 -----------.300 . d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.299 0.75 50% das garrafas têm peso inferior a 299.72 302 : Fi = 0.28 correspondente à classe [299. Neste caso.25 .75 – 0.72 -------------.0357 kg.21)/0.302 . o maior valor de fi é 0.29 300 : Fi = 0.301 0.5 . Estatística Aplicada 36 .299 0. 300[ 299 : Fi = 0.27(27) 75% das garrafas têm peso inferior a 301.03)/0.17)/0. 302[ 301 : Fi=0.Q1 .27(27) kg.28) = 299.83 Cálculo do Q3: 0.21) = 299.57 Cálculo do Q2: 0.0.298 .Q2 . isto é.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0.75 kg.0.11) = 301.08 299 : Fi = 0.29 -------------. 300[.29 -----------. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg. A classe modal é aquela a que corresponde maior frequência relativa.29 .

7 1.625 1. 1.5. 1.87 0.725 1.0357 = 2.55[ [1.5 1.05 0. 1.675 1. 1. 1.7[ [1.13 0.8[ [1.05 0. 1.55.Q1 = 301.6[ [1. e) Analise a dispersão da distribuição. 1.775 1. 1.8 1.6 3.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.4.02 0. 1.6[ [1.55[ [1.1 0.97 1 6 5 4 3 2 1 0 Histograma 1.75.6.9 Estatística Aplicada 37 .5 0.7[ [1. d) Determine os quartis da distribuição e diga qual o seu significado.8[ [1.5[ [1.05 0.3 Fi 0. 1. 1. b) Determine a altura média e a altura modal.12 0.525 1.65[ [1.27(27) .05 0.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.2 2 5 2.17 0.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .5[ [1.5.1 fi/hi 0.85 hi 0.65[ [1.6 1.8.65.45 1.67 0.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.7.299.1 0.7.4 4 2 0. 1.6. 1.25 0.2 0.75.4. 1. Resolução a) Altura (em metros) [1.02 0.03 1 ci 1.75[ [1. 1. 1.4 1. f) Analise a (as)simetria da distribuição.05 0.05 0.575 1. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1.65.75[ [1.1 0.8.37 0.55.

+ (1. c) F* 1 0.6 : Fi = 0.45x 2%) + (1.7 : Fi=0.55 + ((0. 1.525x10%) + . 1.65 m.65 A altura média dos alunos é de 1.12 -----------.2 0 1. correspondente à classe [1.6[..87 Estatística Aplicada 38 .75): [1.5 1.55 : Fi=0.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1.55. 1.37 Cálculo do Q1: 0.67 1. Neste caso.12 1.65 m.55m / 1. a altura mais provável de um aluno rondará 1.12 -----------.5): [1.75[ 1.576 m.05x0.6.6[ 1.1.6m.3 1..13)/0.55 Q1 = 1.25 – 0.6 – 1.576 25% dos alunos têm altura inferior a 1.7 1.65 : Fi = 0.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.85x3%) = 1.5 50% dos alunos têm altura inferior a 1. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.55 0. isto é.4 0.Q1 – 1.6 1.65[ 1.75 : Fi = 0.6 0.25) = 1.7. o maior valor de fi / hi é 5.25): [1.8 0.4 1.55. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.37 – 0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.8 1. 1.

65) − (1. 30[ [30.576) = −0.75 – 1. 20[ [20.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).75 – 0.00536875 2 s x = s x = 0. 5[ [5.1.72 – 1.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0.0.72 − 1.7 0.027(7) < 0 = Q3 − Q1 1.67-----------.Manual de Exercícios Cálculo do Q3: 0. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .65 − 1.05*0.72 − 1.08)/0. Exercício 9 Em determinada central telefónica.72 75% dos alunos têm altura inferior a 1.576 = 0. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.00536875 = 0.Q1 = 1. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.7 + ((0.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.7 Q3 = 1.Q3 – 1.87. e) Amplitude do intervalo inter-quartis = Q3 . b) Determine a duração média das chamadas e respectivo desvio-padrão. 10[ [10.67-------------.2) = 1.72 m.

02 0.2 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 = (2.06 0. com desvio-padrão de 8. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.08 0. 10[ [10.04 0.002 Fi 0..35 A duração média de uma chamada é de 9.9 0.02 0 0 F* 1 0.6 0.04 1 Histograma hi 5 5 10 10 20 fi/hi 0. quanto à dispersão. Compare. Resolução a) Duração (em minutos) [0.7 0.7 minutos.5 x 40%) + (7.08 0.4525 2 s x = s x = 0.5): [5. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.1 0. + (40 x 4%) = 9. 5[ [5.35 minutos. 20[ [20.5 x30%) + .2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0. 30[ [30.06 0. 10[ Estatística Aplicada 40 . 50] Total fi/hi 0.06 0.8 0..025 c) Classe mediana (classe a que corresponde frequência acumulada 0.5 7.4 0.4 0.96 1 ci 2.00536875 = 9.4 0.006 0.3 0.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.

5 0. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358..Me . 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.4 -----------.3)(3100 − 2708.965 > x 9.0.67 minutos..4 10 : Fi = 0.7 .35 CV2001 = sy y = 8.Manual de Exercícios 5 : Fi = 0.0. + (2000 − 1358.5 .4 -----------.7 Cálculo da Me: 0.5 Me = 5 + ((5x0. Estatística Aplicada 41 .98 520854x 1145944 Correlação positiva quase perfeita. d) CV Dez = s x 9.1)/0.67 50% das chamadas têm duração a 6.3) + .3)] = 12 = 0.87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento. pelo Método dos Mínimos Quadrados.10 .025 = = 0.7 = 0. b) Ajuste.3) = 6.3)(3800 − 2708. uma função linear que exprima o custo em função do volume de produção.

9 1.3 0.096933 Correlação positiva moderada. + (81 − 121.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.7)(0..9 1. Estatística Aplicada 42 . pelo Método dos Mínimos Quadrados.5 0.7)(0..332 x 0.4 a) Analise a correlação existente entre aqueles dois indicadores.0 0. uma função linear que exprima a variável EPS em função de PBV.7 0.92) + .4 − 0.6 Exercício 11 Um conjunto de empresas do sector da Construção e Obras Públicas cotadas na Bolsa de Valores foram analisadas relativamente aos seguintes indicadores: EPS (Earnings per Share): Resultado Líquido por Acção PBV (Price/Book Value): Preço / Situação Líquida por Acção Empresa 1 2 3 4 5 6 7 8 9 EPS ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.4553x + 731.8 0. b) Ajuste.9 − 0.92)] =9 = 0.61 3669. Resolução a) r = s xy s xx s yy 1 [(191 − 121.8 1.

Manual de Exercícios b) 250 200 150 100 50 0 0 0.2 0.6 0.6 y = 124.2 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.8 PBV 1 1.4 0.4 1. Estatística Aplicada 43 . pelo Método dos Mínimos Quadrados. b) Ajuste.04x + 7.m. uma função linear que exprima a variável Gi em função de Ri.383 Exercício 12 Recolheu-se uma amostra em 17 cidades do país relativamente aos seguintes indicadores: Ri: Rendimento médio mensal na cidade i (em 106 unidades monetárias) Gi: Gasto médio mensal em bens de luxo na cidade i (em 106 u.

986 Correlação positiva forte. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.2604x + 22.801 Rendimento Estatística Aplicada 44 .Manual de Exercícios Resolução a) rXY = Ri G i − n R G ( Ri − n R )( 2 2 G − nG ) 2 i 2 = 150270 − 17 * 2 2467 1030 * 17 17 2467 1030 2 (361073 − 17 * )(62620 − 17 * ) 17 2 17 2 = 0.

104 Introdução ao e-learning .

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

mas os resultados obtidos após uma longa repetição da experiência patenteiam uma grande regularidade estatística no seu conjunto Alguns autores consideram inserido no conceito de experiência aleatória um outro. num lançamento de um dado ordinário tem-se que o espaço de resultados é { . O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória. Por exemplo. outros como “saída de um número ímpar” definido pelo subconjunto { .2. para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces. que não sei mais que subconjuntos do espaço de resultados. existe um paralelismo perfeito entre álgebra de conjuntos e álgebra de acontecimentos: (i) (ii) (iii) (iv) O acontecimento que contem todos os elementos do espaço de resultados chama-se acontecimento certo O acontecimento que não contem qualquer elemento do espaço de resultados chama-se acontecimento impossível Dois acontecimentos são mutuamente exclusivos se não têm em comum qualquer acontecimento do espaço de resultados A união de dois acontecimentos A e B representa-se por A ∪ B e é formado pelos elementos que pertencem a pelo menos um dos dois.5. 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos. isto é. obtém-se um resultado individual. no lançamento de um dado podem definir-se.3. 1 Definidos como conjuntos.5}.4. o de espaço de resultados. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares. aos acontecimentos é aplicável toda a construção disponível para aqueles.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. Por exemplo.6}. A ou B (v) A intersecção de dois acontecimentos A e B representa-se por A ∩ B e é formado pelos elementos comuns a A e B Estatística Aplicada 46 .3.

então: P(A ∩ B) = 0 − A probabilidade de união de dois acontecimentos mutuamente exclusivos é dada por P (A ∪ B) = P(A) + P(B) − − − Para dois acontecimentos quaisquer. daí que ela surja muito ligada aos “jogos de azar”. isto é: P(A ∩ B) = P(A) x P(B) Estatística Aplicada 47 . as 6 faces de um dado. Para − se analisar a probabilidade de ocorrência de determinados acontecimentos.Manual de Exercícios Probabilidade de um acontecimento é expressa na escala de 0 a 1. deve ter-se em atenção o seguinte: Dois acontecimentos são ditos mutuamente exclusivos se não puderem acontecer ao mesmo tempo. a probabilidade de ocorrência de dois ou mais acontecimentos independentes é o produto das probabilidades dos respectivos acontecimentos. 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. vem que P (A ∪ B) = P(A) + P(B) . 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. que possuem essas propriedades.P(A ∩ B) Dois acontecimentos dizem-se complementares se: P(A) = 1 – P( A ) Dois acontecimentos são ditos independentes se a ocorrência de um não afectar a probabilidade de ocorrência de outro. se dois acontecimentos forem mutuamente exclusivos. A primeira definição foi proposta por Laplace em 1812. as 52 cartas de um baralho. É o que acontece com as duas faces de uma moeda. sendo 0 a probabilidade associada a um acontecimento impossível e 1 a probabilidade associada a um acontecimento certo. etc.

Este exemplo corresponde ao cálculo de uma probabilidade condicionada.2 0.Manual de Exercícios Após a apresentação desta definição. isto é 0. 3. Por outras palavras. Estatística Aplicada 48 . Pode escrever-se que a probabilidade pretendida é dada por: P( H / O) = P( H ∩ O) P (O) onde P(H/O) é a probabilidade de ocorrer o acontecimento “ser hipertenso”.02 0.00 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.15 0.2 0. sabendo que ocorreu o acontecimento “ser obeso”. 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.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”. a da chamada teoria frequencista.22 Total 0. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”.2.25 Normal 0. 0. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0.08 0. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.53 Magro 0. numa outra perspectiva.45 0.8 1.1 0.1 = 0.4 . a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta. convém ainda referir que.

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

e o facto de um ter saído (ou não) defeituoso não influencia os outros serem (ou não). Para calcular o número exacto de combinações de x artigos defeituosos com n-x artigos não-defeituosos.Manual de Exercícios Por exemplo. x a x. A probabilidade do acontecimento complementar “artigo é nãodefeituoso” é dada por 1–p=q A probabilidade associada a x artigos defeituosos é dada por px (p x p x p x p. Vem Estatística Aplicada 50 . cada uma das quais com apenas dois estados possíveis de ocorrência e com uma probabilidade fixa de ocorrência para cada um deles. Por exemplo. 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).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. 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. com probabilidade dada por qn-x.. em relação aos quais se pretende identificar a variável X: “Nº de artigos defeituosos nos n que constituem a amostra”. contam-se a lei Binomial. para X: nº da face resultante do lançamento de um dado. No exemplo anterior. Se há x defeituosos. Entre estas. oriunda das técnicas de cálculo combinatório. consideremos uma amostra de n artigos retirados da produção total. a lei de Poisson e a lei Exponencial. restam n-x artigos não-defeituosos. A distribuição das duas classes possíveis é discreta e do tipo binomial. utiliza-se a figura “combinações de n. Algumas leis de probabilidade servem para explicar (ou aplicam-se a) um maior número de fenómenos estatísticos do que outras.

a funcionar ou avariada. para t unidades de tempo o número médio de ocorrências é λt). nº de varias que ocorrem numa máquina por dia). A expressão (λt )x e −λt x! Estatística Aplicada 51 . sendo n e p os parâmetros caracterizadores da lei. a variável X: “Nº de ocorrências do acontecimento no intervalo [0. Como o número médio de ocorrências do acontecimento é proporcional à amplitude do intervalo de tempo ou espaço a que se refere.p). O parâmetro caracterizador da distribuição de Poisson é λ.Manual de Exercícios então que a probabilidade de existência de x defeituosos (e logo n-x não defeituosos) é igual a: f ( x) = C xn p x q n − x = n! p x q n− x (n − p )! p! sendo que X segue Bi (n. quando a taxa de ocorrência é fixa (por exemplo. (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. Os números de acontecimentos de “sucesso” ocorridos em diferentes intervalos são independentes. aplicar a distribuição binomial quando se pretende calcular a fiabilidade de uma central eléctrica. nº de chamadas que chegam a uma central telefónica por minuto.t[” segue lei de Poisson de parâmetro λt (isto é. com várias unidades iguais e admitindo que cada unidade apenas pode residir em dois estados. por exemplo. Um acontecimento deve ter 4 características para que se possa associar a uma lei binomial: - número fixo de experiências (n) cada experiência ter apenas duas classes de resultados possíveis todas as experiências terem igual probabilidade de ocorrência (p) as experiências serem independentes Em sistemas eléctricos de energia é possível. que corresponde ao número médio de ocorrências por unidade de tempo ou espaço. se para 1 unidade de tempo o nº médio de ocorrências é λ.

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

Existem muitos tipos de distribuição. a equação será: Z= X −µ σ que corresponde a uma distribuição normal estandardizada (0.73% dos valores entre os extremos –3 e 3. Estatística Aplicada 53 . Isto é. a qual é caracterizada por uma curva de Gauss: Esta distribuição apresenta 99.1) com os valores tabelados. A expressão − 1 e 2 σ 2∏ 1 ( Xi − µ ) 2 σ2 representa a função densidade de probabilidade da distribuição Normal.Manual de Exercícios (iv) Lei Normal A lei Normal tem como parâmetros caracterizadores a média µ e o desviopadrão σ. os valores observados têm uma determinada tendência central e uma determinada dispersão em torno da tendência central. Se se fizer o valor médio µ igual a zero e todos os desvios forem medidos em relação à média. mas a curva normal é a forma de distribuição mais frequente nos processos industriais para características mensuráveis. e pode considerar-se como estabelecida pela experiência prática.

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

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

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

1% P(B) = 22.Manual de Exercícios a) B falhar b) falhar apenas A c) falhar A ou B d) não falhar nem A nem B e) A e B não falharem simultaneamente Resolução A: o subsistema A falha B: o subsistema B falha P(A)=20% P(B-A)=15% P(A ∩ B)=15% a) P(B) = P(B-A)+ P(A ∩ B) = 0. 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) = 9.15 = 5% c) P(A ∪ B) = P(A) + P(B) .2 + 0.P(A ∩ B) = 0.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0. com as seguintes percentagens de leitura: A: 9. A e C: 3.7% P(C) = 12. B e C.15 + 0.3 – 0.4% Estatística Aplicada 57 .2 – 0. C: 12.1%.9%.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0. B e C: 2.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2. A.8%.4% Escolhe-se uma pessoa ao acaso.9% P(A ∩ C) = 3. B: 22. A. A e B: 5.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.1%.8% P(A ∩ B) = 5.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.7%. B e C: 6%.

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

M1. M2 e M3 fabricam parafusos. Sabendo que a probabilidade dele ser defeituoso é de 1. 3 = P(M3)*10000 = ? P( M 1) = 0. A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2. Resolução M1: o parafuso foi produzido por M1 M2: o parafuso foi produzido por M2 M3: o parafuso foi produzido por M3 D: o parafuso é defeituoso n = 10000 unidades P(M1) = 0. sendo a produção diária total de 10000 unidades.03 + P( M 2) * 0.65%.3P( M 2) * 0.3P( M 2) + P( M 3) = 1 ⇔ 0.Manual de Exercícios Exercício 8 Numa fábrica. 1 = P(M1)*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.65% Prod.02 Estatística Aplicada 61 .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. determine o número de parafusos que cada máquina produz diariamente.01 + P( M 3) * 0.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1. 2 = P(M2)*10000 = ? Prod.0165 = 0.

calcule a probabilidade de ter utilizado os transportes B ou C. Resolução T: O João chega atrasado A: o João utiliza o transporte A B: o João utiliza o transporte B C: o João utiliza o transporte C P(T) = 0.8 P(T/B) = 0.6 P(T/A) = 0.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A. 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.5 = 15% P( M 3) = 1 − 1.02 P( M 1) = 0.3P( M 2) = 1 − 1.3 * 0.Manual de Exercícios − ⇔ P( M 3) = 1 − 1.3 * 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1. B ou C.01 + (1 − 1.0165 = 0.3P( M 2) * 0.5 P(T/C) = 0.3P( M 2) 0.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .3P( M 2)) * 0.03 + P( M 2) * 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.I. 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.Manual de Exercícios Logo 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. de 30% e de 60% a percentagem de indivíduos com Q.4 * 0.I. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q. baixo ficar apto no teste é de 20% finalmente.3% P (T ) 0.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.3 – 0.6 = (1-2P(B))*0.5 + 0.) elevado e médio são.5 + P(B)*0.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0.6 = =73.8 + P(B)*0.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .I.I. baixo. sabe-se que 70% dos indivíduos com Q.I. respectivamente.4 * 0.

possuir pelo menos um daqueles três objectos 2.1*0.7+0.53 P ( A) Exercício 11 Os resultados de um inquérito aos agregados familiares de uma determinada cidade forneceram os seguintes dados: - 35% dos agregados possuem telefone 50% dos agregados possuem frigorífico 25% dos agregados possuem automóvel 15% dos agregados possuem telefone e frigorífico 20% dos agregados possuem telefone e automóvel 10% dos agregados possuem frigorífico e automóvel 5% dos agregados possuem telefone. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1.6*0. não possuir nenhum daqueles três objectos Resolução A: agregado familiar possui telefone B: agregado familiar possui frigorífico C: agregado familiar possui automóvel P(A) = 35% P(B) = 50% P(C) = 25% Estatística Aplicada 64 . possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1. possuir também frigorífico 2.8 = = 17% 1 − 0.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0. possuir telefone ou frigorífico 2.5+0.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0.3*0.1 * 0. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.

P(A ∪ B) = P(A) + P(B) . P(B / C) = 2.5+0.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0.4 = 60% P(A ∪ C) = P(A) + P(C) . um acidente por ano. um acidente durante o referido período? Estatística Aplicada 65 . pelo menos.25-0. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0.P(A ∩ C) = 0.2-0. 1 – P( A ∪ B ∪ C ) = 1 – 0. De entre os segurados com idade igual ou inferior a 40 anos.5 – 0.2 + 0.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1. pelo menos.25 c) 1. Todos terem idade igual ou inferior a 40 anos.05 = 70% 2. a) Qual a probabilidade de um segurado não sofrer qualquer acidente durante um ano? b) Qual a probabilidade de um segurado que sofreu pelo menos um acidente ter idade igual ou inferior a 40 anos? c) Qual a probabilidade de.1 − 0. todos terem idade igual ou inferior a 40 anos? 2.35 + 0.05 = = 100% P (C ) 0.25 P( B ∩ C ) 0.15 = 70% 2.1+0.25 – 0.35+0.35 + 0. dos quais 5% sofrem. numa amostra de três segurados 1.15-0. dado que cada um sofreu.2 = 40% b) krysktsh1.1 = = 40% P (C ) 0. nenhum ter sofrido qualquer acidente durante um ano? 3.P(A ∩ B) = 0. 3% têm um ou mais acidentes no mesmo período. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0.

3% Estatística Aplicada 66 .4*0. P( I 2 ∩ I 2 ∩ I 2) = 0.6 = 40% P( A /I1) = 1 – 0.4 = 6.2857 = 2.2857*0.958 = 87. P( B ∩ B ∩ B ) = 0.Manual de Exercícios Resolução I1: o segurado tem mais de 40 anos de idade I2: o segurado tem 40 anos ou menos de idade A: o segurado sofre pelo menos 1 acidente por ano A : o segurado não sofre nenhum acidente por ano P(I1) = 60% P(A/I1) = 5% P(A/I2) = 3% P(I2) = 1 – 0.6*0.95 + 0.4*0.9% 3.958 P ( A) P ( A) c) 1.03 = = = 28.05 = 95% P( A /I2) = 1 – 0.57% = P(B) 1 − 0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.4*0. P( A ∩ A ∩ A) = 0.4% 2.2857*0.958*0.97 = 95.958*0.6 * 0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0.

104 Introdução ao e-learning .

932 x! x =0 Exercício 3 O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.4.1.06 e −5 5 x P(X ≤ 8) = = 0. Qual a probabilidade de não serem atendidas todas as chamadas no intervalo de tempo de 1 minuto? Resolução X: número de chamadas telefónicas atendidas numa central.8 P(X=1)=C4p1q4-1 = 4*0. entre as 4 bobines necessárias a um determinado cliente.1. escolhidas ao acaso uma ser defeituosa. A central só pode atender um número máximo de 8 chamadas por minuto.83 = 0. 6.3.2. por minuto (0.2 q=1-p=0. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 .932 = 0. 8) λ=5 8 p=0. por minuto.8 Logo P(X>8) = 1-0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas. 7.3. 5.4) n=4 p=0.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas.5 horas. é 5.2*0.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.2 q=1-p=0.2. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0. calcule a probabilidade de.

em cada hora. Z= Logo P(X>2) = 1-0. Verificou-se que. a) b) Qual a probabilidade de que. por outro lado. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. verifica-se que o valor da função Z é P(X ≤ 2) = 0. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente. por hora.5.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina.5 = e −1.9772 = 2. O número de turistas que procuram este serviço.6[. isto é.333 = 0.28%. com desvio padrão 0. destinado aos turistas que a frequentam. sabe-se. entre as 9 e as 11 horas. que esse serviço funciona ininterruptamente das 8 às 20 horas. esse serviço é procurado por 8 turistas interessados em alugar barcos. se aluguem 5 barcos? Qual a probabilidade de que. vem: 121 − 120 =2 0. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 .9772. num período de 6h λ=1/4. e X: numero de avarias que ocorrem no intervalo [0. entre as 8 e as 9 horas. está associado a uma variável aleatória com distribuição de Poisson.5 Consultando a tabela. em média.

vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +.. ser preciso mandar petroleiros para outro porto? b) De quanto deveriam ser aumentadas as instalações de forma a assegurar cais a todos os petroleiros em 99. no máximo.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 . o cais da refinaria pode atender.32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2. + 0. 3 petroleiros por dia. num qualquer dia.. considerando Y1 e Y2 independentes e que todas seguem Po(8). Atingido este número.0001 = 1.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) = 9.16% 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. + f(33) = 0. Nas actuais condições...0057 + . a) Qual a probabilidade de.

em média.1.1. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .2707 g(2) = P(X=2) = 0.782 São atendidos. Z = X .1429 = 4. 5..Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0. com probabilidade 27. p = P(X>3) = 0.29% (tab. 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. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh.1353 g(1) = P(X=1) = 0.1429) E(W) = 30*0.782 = 0.8571 =14. 4. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1. 2.85%.E(Y) = 2 . 3) g(0) = P(X=0) = 0.1.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0.3 Em média.1353 + … + 3*0.6767 = 0. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.30) W segue Bi (n = 30.. em média.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0. 6) Logo.Y E(Z) = E(X -Y) = E(X) .218 Recorrem a outros portos. 3. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0. 2.. 2.3233 = 1. pg.3233 E(Y) = 0*0.1. 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.

71%.1)<-0. 1600). Poisson.1) ≤ b) 1. 1600*3). isto é.a. com funcionamento independente.3085 X segue N(400. 1600) a) P(X>T) = 0. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . A cadeia A opera a um ritmo médio de 2 montagens por hora.Manual de Exercícios 2. 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. 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. ao fim de 3 meses.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico. X2 e X3 independentes e que todas seguem N(400. N(1200. 4800) 2. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98. existem 2 cadeias de montagem A e B.3085 ⇔ 40 40 T − 400 T − 400 ) = 0. Qual a probabilidade de que. P(3*420-Y > 100) = P(Y < 1160) = P(N(0. considerando X1. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v.1)< = P(N(0.58) = 28.3085 ⇔ P( P(N(0. vem que: Y=X1+X2+X3 segue N(400*3.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0.6915 ⇔ = 0.

Manual de Exercícios b) a probabilidade de. percorrendo as linhas de valor = 0.0902*0. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.0001 + … + 0. λ = 4. + f(10) = 0 + 0..07% b) Y1: nº de montagens da cadeia B na 1ª hora Y2: nº de montagens da cadeia B na 2ª hora Y3: nº de montagens da cadeia B na 3ª hora Logo Y1+Y2+Y3: nº de montagens da cadeia B em 3 horas Pelo Teorema da Aditividade da Poisson.8893=11.0183 + 0.9817 = 0.0009*0. vem que o valor 0.9817.0183 Na tabela da Poisson. vem que P(Y<1) = 1 – 0. como se sabe que P(Y ≥ 1) = 0. considerando Y1.1353*0. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +. Na tabela da Po(4).0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4. numa hora. Logo.1048 = 34.0753 + 0.1954 = 3. Y2 e Y3 independentes e que todas seguem Po(4).1465 + 0.1954 + 0.012*0. em 3 horas de trabalho. 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..72% c) P(X=2Y) = P(X=0 ∩ Y=0) + P(X=2 ∩ Y=1) + P(X=4 ∩ Y=2) + P(X=6 ∩ Y=3) + P(X=8 ∩ Y=4) = 0.8% d) W: nº de montagens das 2 cadeias num dia de trabalho de 8 horas W= 8 i =1 ( X i + Yi ) onde Xi + Yi corresponde ao nº de montagens das 2 cadeias por hora Estatística Aplicada 72 . mas desconhece-se a média (=parâmetro λ) No entanto.2707*0.

maço é aproveitável se não contiver cigarros defeituosos 2. conter 0 cigarros com filtro defeituoso b) o número de maços que.9920 = 81. Crit.1652 = 0. p=P(X=0)+P(X=1)= 0. 2: maço é aproveitável se contiver no máximo 1 cigarro defeituoso Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20. 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. E Z . p=0. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. segue Po(6*8=48) Logo. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos.9831) Logo E(Y) = 20*0.66 Estatística Aplicada 73 . a companhia espera poder aproveitar se utilizar o critério: 1.01*0.8179) Logo E(Y) = 20*0. conter 1 cigarro com filtro defeituoso 2. P(X=0) = 0. 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. vem que Xi + Yi segue também Po(2+4=6).52% 2.8179 = 16.8179+0.79% b) 1. num volume que contém 20.9831 = 19.01) a) 1.36 2.9919 = 16. também pelo mesmo Teorema.010*0. Numa rápida análise às condições de produção.Manual de Exercícios Pelo Teorema da Aditividade de Poisson. P(X=1) = 20*0. p=P(X=0) = 0. determine: a) a probabilidade de um maço acabado de formar 1. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. Nestas condições. Crit. 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.

05) = 0.392 σ )= =θ( σ ) − θ (0) = 0.642) = 47.2 74 θ( Estatística Aplicada .975 0.25 mm e 0.2 0.25 σ 0.σ < X < µ + σ) = P(0.642 − 0.45 − 0.05 < X < 0.642 mm. Sabemos que 50% das peças produzidas têm comprimento inferior a 0.25) = 50% vem que P( X −µ σ < 0.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.05 − 0. vem que σ b) P(peça não defeituosa) = P(µ .25 − µ ) = 50% Na tabela.25 0.96 e logo σ = 0. σ2) Peça defeituosa se X>µ + σ ou se X< µ .2 Sendo θ (0)=0.25<X<0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.5% têm comprimento entre 0.a.5% vem que P( 0.5.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84. vem que θ ( σ Na tabela 3B da Normal. a) Calcule a média e o desvio-padrão do comprimento das peças. b) Determine a probabilidade de uma peça não ser defeituosa.25) = 50% P(0.642) = 47.1) < 0.475 + 0. Normal com média µ e variância σ2.392 ) = 0.45) – P(X<0.392 = 1.25 mm e 47.σ P(X<0.25 − 0.13% 0.45) = P(X<0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.5 = 0.5% a) Como P(X<0.25 − µ σ 0.25<X<0.25 σ < 0.475 0. logo µ = 0.25 σ ) = P (0 < N (0.25 P(0. E como σ tem que ser =0.392 < X − 0.

. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0.2. em média.19. 4 veículos a determinado posto abastecedor de combustíveis.03%. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de.1. Calcule a probabilidade de se concluir pela ineficácia do medicamento. Estatística Aplicada 75 .4) P(X ≥ 8)=1. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0. Um empregado entra ao serviço às 8 horas.6 X segue Bi (20. pelo menos. que eleva a probabilidade de cura para 40%. ainda que este eleve de facto a probabilidade de cura para 40%. Põe-se à prova um novo medicamento. 20) n=20 p=0. chegam. 0.58% Exercício 12 Sabe-se por via experimental que..F(7) = 41. 8 doentes em 20. por cada período de 5 minutos.4 q=1-p=0.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%. ministrando-o a um grupo de 20 doentes. 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. considerando X1 e X2 independentes e que ambas seguem Po(4).

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

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

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

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

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

observando-se um valor médio de 1.315] Estima-se.315 mg.2 − 2. Estatística Aplicada 83 .2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.085. com 99% de confiança.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.1.576 x0.2 σ=0.2 20 . . 0.X +c σ n = 1.Manual de Exercícios b) Amplitude = 115.Lim.70m. tendo-se obtido o valor de 1.76 Amplitude = Lim.051. diga. que o teor médio de nicotina de um cigarro se situa entre 1. Defina um intervalo que. entre que valores se situa o teor médio de nicotina de um cigarro. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0.2 mg. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0.Sup.2 20 = [1. Resolução X segue N(µ.Inf. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.576 σ n .88 – 104.085 mg e 1. com probabilidade 95%.2 mg. com 99% de confiança.1.576 x0. contenha o valor esperado da altura µ.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina.2 − 2.22) n=20 e logo X −c x =1. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11.12 = 11.

Construa um intervalo Estatística Aplicada 84 . onde 10% dos artigos são defeituosos.p+c .X +c σ n = 1.1 − 1.Manual de Exercícios Resolução X segue N(µ. que a proporção de artigos defeituosos na produção se situa entre 8. Determine o intervalo de confiança para a referida proporção com 90% de confiança.051 25 .051 25 = [1.96 σ n .1x0.2 − 1.1123] Estima-se.1. Exercício 6 Numa fábrica.611.96 x 0. Para tanto. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.96 x 0.23%.0.1. procura conhecer-se a incidência de defeituosos na produção de uma máquina. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. Passada uma semana. com 95% de confiança.0876. 0.645 = 1600 1600 n n = [0. que o teor médio de nicotina de um cigarro se situa entre 1.788] Estima-se.051) n=25 e logo X −c x =1.1 − 1.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.315 mg.0.9 p (1 − p ) p (1 − p ) ˆ . colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).9 0.1x0.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.7 − 1. com 90% de confiança. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.085 mg e 1.76% e 11.645 = 0.70 σ2=0.

25 x0.201.75 ˆ . Resolução n=300 ˆ p= 75 = 0.833].25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20.p+c = 0. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.25 x0.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.1% e 29. com 95% de confiança. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0.96 .96 = n n 300 300 = [0. Nesse sentido.9%.75 0.25 − 1. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.0.645 e logo Estatística Aplicada 85 . verificando que 960 a conheciam.0.25 − 1.299] Estima-se.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.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. 0. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.034.767. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0.

a que corresponde o nível de confiança utilizado Exercício 9 O gabinete de projectos de uma empresa de material de construção civil pretende estimar a tensão de ruptura do material usado num determinado tipo de tubos.-Lim.6%.padrão da tensão de ruptura do material em causa é de 70 psi.2 ˆ .8 − 1.p+c = 0.1% e 81. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.86) na tabela N(0.8 + c E D(2.8 * 0. estima-se que o desvio .8 * 0. que a proporção de indivíduos conhecedores da marca se situa entre 78.833 n 0.0.=Lim.8 − 1. ˆ b) Amp.8 x0.Sup.2 = 0. Com base num vasto conjunto de ensaios realizados no passado.86 1200 Logo 0.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.Manual de Exercícios ˆ p−c = [0.1) vem igual a 99.833 ⇔ c = 2.9%. com 90% de confiança.8 x0. 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.Inf.645 * ≤ 0.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 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) 0.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .645 . pretendendo-se que a sua amplitude não exceda 60 psi.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.781.2 = 2 *1.645 = n n 1200 1200 Estima-se.0.2 0.

96 x10. Defina esse intervalo. para o valor esperado da tensão de ruptura dos cabos do lote em causa. O director comercial pretende saber qual o intervalo de confiança. foram analisadas as tensões de ruptura de 10 cabos SCB-33R. tendo sido obtida uma média de 4537 kg/cm2.4543.5 kg/cm2.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.96 σ n . Resolução a) n=50 ˆ p= 18 = 0. a 95%.Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos. para a verdadeira proporção p de capacetes que sofre danos com este teste. Exercício 11 Uma amostra de 50 capacetes de protecção. a 95%. Recentemente.5 kg/cm2 e 4543. Existe uma norma de 112 kg/cm2 em relação à variância. Construa um intervalo de confiança. Interprete o resultado obtido. com 95% de confiança.58 10 = [4530.5] Estima-se. Resolução X segue N(µ.96 e logo Estatística Aplicada 87 .36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.96 x10. e em 18 foram observados alguns danos. usados por trabalhadores de uma empresa de construção civil. seleccionados aleatoriamente a partir de um lote de grandes dimensões.58 10 . 112) n=10 e logo X −c x =4537 σ=10.4537 − 1. que é respeitada. que o tensão média de ruptura dos cabos se situa entre 4530.X +c σ n = 4537 − 1. foram seleccionados aleatoriamente e sujeitos a um teste de impacto.5.

= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.36 x0.7% e 49.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos).49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).08 ⇔ n > 600 n n Estatística Aplicada 88 .5 = 2 * 1.64 ˆ .96 = n n 50 50 Estima-se.0. Exercício 12 Qual deve ser o número de habitantes da cidade do Porto a seleccionar aleatoriamente para estudar a proporção de portuenses que usam óculos.64 0.96 .p+c = 0.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.Manual de Exercícios ˆ p−c = [0.0.96 * < 0.3%.36 − 1.36 − 1. que a proporção de capacetes que sofre danos se situa entre 22. com 95% de confiança. de modo a garantir que um intervalo de confiança a 95% para essa proporção tenha uma amplitude não superior a 8 pontos percentuais? Resolução n=? ˆ Amp. vem que: 2c ˆ ˆ p(1 − p) 0.5 * 0. isto é.22695.36 x0.

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

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

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

Estatística Aplicada 92 . Logo.83(3) 3 A regra de decisão é.Manual de Exercícios Em princípio.2 mm.83(3) X µ = 600 Os dados recolhidos indicavam X =610.05 ⇔ 100 9 n ⇔ c = 600 + 1. conserva-se Ho. a seguinte: - rejeitar H0 em favor de H1.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. se o valor amostral fôr superior a 654. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. então. opta-se por H1 com probabilidade 5% de se estar a cometer um erro. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande. a Região Crítica deste teste. isto é. Se tal não acontecer. pelo que a decisão é conservar H0 . grandes valores de X são improváveis. por falta de provas suficientes para não o fazer. considerar que o processo científico não produz efeitos. isto é. sendo P(Rejeitar Ho / Ho) = α = 5%.83(3) Isto é. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. vem que P ( X > c / µ = 600) = 0. isto é.83(3).05 ⇔ P ( X −µ σ > c − 600 ) = 0.645 x 100 = 654.

tal não é possível. é possível alternativamente partir do princípio que é H1 que é verdadeira.83(3) − 650 ) = P ( N (0.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses. Estatística Aplicada 93 . No entanto.Manual de Exercícios No entanto. isto é. de se cometer um erro de 2ª espécie. mas que. e como α e β se referem a realidades opostas e variam em sentido contrário. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas.1) ≤ 0. No entanto. Isto é. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. Existem também erros de 2ª espécie. então vem que: X ∩ N (650.83(3) / µ = 650) = P ( X −µ σ ≤ n 654. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente. O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β.14) = 55. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654. sendo o teste ideal o que minimiza simultaneamente ambos os valores. Supondo então que H1 é verdadeira (µ=650 mm). ou seja. infelizmente. os erros incorridos não se ficam apenas pelos de 1ª espécie.

Esta é uma decisão certa. dependendo do valor do parâmetro que não é fixo.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. 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 . quanto menor o erro de 2ª espécie. < ou ≠ ). a potência do teste é variável. Quando H1 é uma hipótese composta (>. Logo. maior será o valor da potência do teste e. logo. maior a sua qualidade (diz-se que o teste é mais potente) . Nesse caso falase em função potência do teste = 1 -β (µ1) Resumindo: passos para construção de um teste de hipóteses: Passo No 1: Formular as hipóteses nula e alternativa Passo No 2: Decidir qual estatística (estimador) será usada para julgar a Ho e a variável de decisão Passo No 3: Definir a forma da Região Crítica. e é complementar do erro de 2ª espécie. não implica erro.

0.9945 3 Logo.012 ) e que se conhece a seguinte amostra: 1.01 9 Estatística Aplicada 95 . RC = ]− ∞.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.9945] ⇔ c = 1 − 1.02 0.645 x c −1 ) = 0. determinar a região de rejeição e aceitação.0.98 0.98 1. Seja X a variável que representa o peso de um pacote de arroz. vem que P ( X < c / µ = 1) = 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%.99 0. Suponha que X ∩ N ( µ .05 ⇔ P ( X −µ σ < n 0.01 = 0.01 0.00 Será que.05 ⇔ 0. Logo.97 1.02 0.97 1. sendo P(Rejeitar Ho / Ho) = α = 5%.

9945 para 0. pretende-se saber se metade da população é favorável à construção de um centro comercial. Reduzindo a probabilidade de isso ocorrer de 5% para 1%. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0.9945 +∞ Valor da amostra: 0. consideraremos que não há qualquer anomalia na produção. Exercício 2 Numa cidade.9933 Como o valor da amostra foi 0. Neste caso. que de 0. aceitaremos Ho.9933 e é menor que o valor crítico 0. Faz-se um inquérito a 200 pessoas. 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. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade.9922 0.9945.9922. ou seja.5 H1: p < 0. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. No entanto.5 Estatística Aplicada 96 . e 45% declaram-se favoráveis.9933 A única mudança será no Valor Crítico. rejeita-se Ho Ou seja.

0.5 − 1.5) 200 ) = 0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0. RC = ]− ∞.5) = 0. determinar a região de rejeição e aceitação. 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%.5(1 − 0.45 é maior que o valor crítico 0.45 0.5) = 0. não se rejeita Ho RR: Não construir o centro comercial RR: Parar a construção α=5% RA: Decidir pela construção -∞ 0 +∞ Valor amostral: 0. vem que ˆ P ( p < c / p = 0.5(1 − 0.5 0.442] Passo 7 Como o valor amostral 0. Logo. sendo P(Rejeitar Ho / Ho) = α = 5%. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial.442. essa margem não é suficiente para decidir deixar de o construir.442 Ou seja.645 x Passo 6 ˆ p =0.45 0.05 ⇔ ⇔ c = 0.442 200 Logo.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral. onde o cuidado deve ser trabalhar com grandes amostras. Estatística Aplicada 97 .

Da produção de determinado dia é retirada uma amostra de 49 pacotes.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. Pode-se afirmar.01 ⇔ = −2.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0. 0.997 0. com peso médio de 0. não pertence à região crítica. é lançada uma intensa campanha anti-tabaco. registando-se 45 fumadores. 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 .012) n = 49 x = 0. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo.998 Kg. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que o peso médio não esteja de acordo com o indicado).01 0. a) Com 1% de significância. a um nível de significância de 1%. Ao fim de três meses. é uma variável normalmente distribuída. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ.01. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos. produzidos por uma fábrica.01 σ ≤ n 49 49 Como x = 0. com desvio padrão 0.997.326 ⇔ c = 0.01 ⇔ P ( X −µ c −1 c −1 ) = 0.998 > c = 0.

01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.01 ⇔ c − 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).5 100 ) = 0.5 * 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0. Uma amostra de 18 baterias forneceu os seguintes valores: 237 242 244 262 225 218 242 248 243 234 236 228 232 230 254 220 232 240 Supondo que o tempo de vida das baterias se distribui normalmente.45 > c = 0.5 = −2.45 − 0.5) = 0.5 * 0.384 ˆ Como p = 0. a 5% de significância.5 ≤ ) = 0.5) = 0. b) P( X ≤ 0.5 * 0. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.01 ⇔ P( ˆ p− p 0.384. poder-se-á concluir.5 (a campanha não surtiu efeito) H1: p < 0. com desvio-padrão de 20 horas.5 n n ⇔ 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas.5 0.326 ⇔ c = 0.45 / p = 0.45 α = 1% H0: p = 0.326 ⇔ n = 541 0.5 * 0.5 0. não pertence à região crítica.45 − 0.5 100 = −2.01 ⇔ p(1 − p) 0.

05 > c = 232. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador. não pertence à região crítica. Exercício 6 Uma empresa de cerâmica tem.05 ⇔ = −1.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0. Foram registadas 5 medidas de temperatura de fornos regulados para 600º. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas).05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.25. em dada secção.645 ⇔ c = 232.360) n=5 Estatística Aplicada 100 . 202) n = 18 1 18 x = xi = 237. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado.25 20 20 σ ≤ n 18 18 Como x = 237.Manual de Exercícios Resolução X segue N(µ.

Foi recolhida uma amostra de 100 ovos. Teste. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado).645 ⇔ c = 613.25) n = 100 x = 158. cujo peso médio foi de 158. pelo contrário. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ. ou se. se a afirmação do fabricante pode ser considerada verdadeira.25.97 5 n Como x = 602 < c = 613. não pertence à região crítica. 90. a) O fabricante diz que o peso médio é de 160 g.96.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. a um nível de significância de 1%.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0.96 18. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 .95 ⇔ c − 600 = 1. o verdadeiro peso dos ovos será menor. 437 g.

4 600 ) = 0.6 * 0. de 60% de leitores que regularmente compram um jornal desse tipo.6 ˆ p = 0.4 600 = −2. Resolução n = 600 H0: p = 0. pronuncie-se quanto à projecção que o semanário reclama.6 0.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.79 9. por hábito.01 ⇔ c −1 = −2.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido.437 > c = 157.55 < c = 0. Adoptando um nível de significância de 1%.326 ⇔ c = 0. o semanário em causa.25 100 ) = 0.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158.6 0.6 * 0.326 ⇔ c = 157.Manual de Exercícios P ( X ≤ c / µ = 160) = 0.5535 ˆ Como p = 0. Estatística Aplicada 102 .6 H1: p < 0. Efectuando um inquérito junto de 600 leitores.79. não pertence à região crítica. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama). até então nunca atingida por qualquer semanário. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira). 55% declararam adquirir. a percentagem.01 ⇔ c − 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.01 ⇔ P ( X −µ σ ≤ c − 160 90.25 100 ) = α ⇔ F (−1.6) = 0. pertence à região crítica. b) P ( X ≤ 158. numa região.437 − 160 90.5 n 100 Como x = 158.5535.

a um nível de significância de 5%.90 kg/cm ? Resolução a) X segue N(µ.061.0625 12 ) = 0. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.18 H1: µ < 5.6% n Estatística Aplicada 103 . a) Poder-se-á afirmar.18 > c = 5. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual).18 c − 5.0625) n = 12 x = 4.18 kg/cm2 e variância 0.05 ⇔ n 12 Como x = 5.9 0.0625 (kg/cm2)2.061 0.061 / µ = 4.95 kg/cm2.18) = 0.25 σ ≤ 0. 0. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.05 ⇔ P ( X −µ c − 5.0625 12 ) = 1 − F (0. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.95 α = 5% H0: µ = 5. tendo-se obtido para a resistência média à compressão o valor de 4.18 = −1.01) = 1 − 0.061 − 4.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. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4. não pertence à região crítica.9) = P ( X −µ σ > 5.645 ⇔ c = 5.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.5040 = 49.

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

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. a fiabilidade do sistema aumenta à medida que aumenta o número de componentes ligadas ao sistema (que representam como garantias de funcionamento adicionais). Se as componentes forem todas iguais. (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante. no mínimo. a fiabilidade do sistema é dada pelo quadro seguinte: Nº mínimo de componentes necessárias ao funcionamento do sistema 4 3 2 1 Probabilidade de o sistema funcionar p4 p4 + 4p3q 4 p + 4p3q + 6p2q2 p4 + 4p3q + 6p2q2 + 4pq3 Ou seja. então a fiabilidade de um sistema deste tipo seria 94.9). 3 ou 4 componentes.77%. no caso de sistemas redundantes. a funcionar). vai considerar-se de novo um sistema composto por quatro componentes em paralelo. as condições de funcionamento e de avaria para o sistema têm de ser definidos. se todos os componentes tivessem fiabilidade 0. Estatística Aplicada 107 . Assim.Manual de Exercícios Veja-se que.9 (p=0. para um nº mínimo de 3 componentes necessárias. com probabilidade de funcionamento p e de indisponibilidade q. por exemplo. a probabilidade associada a cada um dos estados possíveis (1. Para o efeito. isto é. a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva. 2.

1 2 3 No caso mais vulgar de os componentes serem independentes. A distribuição exponencial é a mais usada em estudos de fiabilidade. em que o componente se encontra a funcionar no seu período de vida útil.. tais como a árvore de avarias. supondo que se pretende analisar a fiabilidade da iluminação de uma sala com uma lâmpada. Estatística Aplicada 108 . 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.Manual de Exercícios (iii) Associação em série Quando os componentes se encontram associados em série. terão que ser analisadas técnicas mais gerais. 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. x pn No caso de todas as componentes serem iguais Rs = pn Facilmente se depreende que a fiabilidade do sistema diminui à medida que aumenta o número de componentes ligadas em série. Assim. 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. a fiabilidade do sistema é dada por Rs = p1 x p2 x p3 x .

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

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

Supõe-se que a variável em estudo segue Distribuição Normal. é necessário começar por definir a norma para p (p0) e 2 níveis de controle: os de vigilância “garantida” (limites inferior e superior de vigilância: LIV e LSV) e os de controle (limites inferior e superior de controle: LIC e LSC). é por que há alguma anomalia e deve haver paragem da produção. de defeituosos.Manual de Exercícios inferior e superior de vigilância: LIV e LSV) e os de controle (limites inferior e superior de controle: LIC e LSC). Se a média amostral cair fora da área de tolerância definida pelos 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. Os LIC e LSC calculados da seguinte forma: Estatística Aplicada 111 . 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.

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

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

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. mas que se inclui na categoria dos testes nãoparamétricos. como os estudados anteriormente). De uma maneira geral.8.8. a lógica de formulação das hipóteses e de definição de uma regra de decisão é equivalente aos testes paramétricos. Trata-se de um teste de hipóteses semelhante aos anteriormente estudados. para além do tratamento frequencista dos inquéritos. De facto. 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. Este teste encontra aplicabilidade no tratamento estatístico de inquéritos. isto é. Aplicações estatísticas Tratamento estatístico de inquéritos 3. No entanto. em que o objectivo é proceder à sua segmentação. Estatística Aplicada 114 . um segmento geográfico autónomo e com características próprias de entre o total dos inquiridos). O princípio básico deste método nãoparamétrico é comparar as divergências entre as frequências observadas e as esperadas. é por vezes interessante aferir da existência de relações estatísticas relevantes entre as diversas questões (por exemplo.1 Teste de independência do qui-quadrado O teste do é muito eficiente para avaliar a associação existente entre variáveis qualitativas. aqueles que não incidem explicitamente sobre um parâmetro de uma ou mais populações (por exemplo. testar se há alguma coerência entre quem respondeu à opção 1 da pergunta X e à opção 2 da pergunta Y).Manual de Exercícios 3. O estudo destas relações encontra aplicabilidade no campo das análises de mercado. por isso. o valor esperado ou a proporção.

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

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

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

Assim sendo. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni. * n. Em média.5 35 Biologia 30 30. Calcular as frequências esperadas eij = Por exemplo. Estatística Aplicada 118 . Para o cálculo do recomendam-se os seguintes passos: n i . j n = 25 * 60 = 12. no grupo estudado.=1.991 (cruzamento da linha 2 com a coluna 0.5 15 17. * n. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12.5 25 Farmácia 20 17. compara-se o valor do observado obtido (1.7 4. não há associação entre as variáveis.0 30 30. Por último.5 15 12. que é 5. se as duas variáveis fossem independentes.0 60 120 Total 60 60 3. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa). j n 1.05).5 120 2. 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. Ho deverá ser rejeitada. a hipótese Ho não pode ser rejeitada. concluindo-se que.7) com o valor do crítico. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. a proporção de alunos que usam ou não drogas não varia entre os cursos.7 é menor do que o valor obtido a partir da tabela. Vem que o obsv.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico.

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

366 3.179 25 10.401 15.312 8.342 15.307 24.236 11.841 5.001 0.939 27.160 13.090 21.520 13.051 27 11.819 34.773 46.357 4.260 9.488 11.283 13.412 31.378 6.768 28.722 49.289 42.336 35.312 15.240 20.016 0.000 34.769 27.340 19.348 10.852 36.526 34.013 18.557 45.120 16.605 6.278 24.290 54.024 7.877 9.790 13.180 2.980 45.813 33.652 40.047 19.796 48.051 0.844 7.064 23.812 18.337 33.5 0.651 18.549 21.124 8.815 9.479 38.982 14.336 37.659 23.195 46.787 16.507 17.017 14.566 39.070 12.907 11.473 24.833 3.989 28.838 16.337 44.684 16.672 59.087 42.023 21.188 29.156 2.619 26 11.114 26.300 32.085 16.584 1.643 9.210 10.338 23.308 18.461 15.025 0.314 10.564 10.757 31.845 32.642 48.597 13.009 5.001 0.9 0.791 20.170 37.989 1.338 25.336 36.865 0.321 7.265 6.610 2.455 1.010 0.007 35.565 4.987 18.815 5.587 30.064 1.364 42.251 7.382 37.685 26.000 0.675 21.304 11.578 10.827 9.919 19.979 50.892 29 13.892 53.262 6.337 34.336 40.475 28 12.338 27.237 1.264 6.848 22.573 18.344 1.337 29.217 28.779 3.072 0.348 11.267 39.207 0.401 46.741 40.335 58.338 24.690 2.909 7.601 5.278 50.457 6.301 30 13.475 20.515 5.688 29.916 41.671 35.736 27.725 26.676 0.292 25.144 32.700 3.362 15.341 17.735 2.592 14.844 17.409 35.204 2.074 3.865 17.191 38.832 15.542 26.196 36.181 49.466 9.831 1.086 16.344 13.256 43.781 40.337 30.816 4.461 48.266 9.351 2.932 41.277 14.645 12.638 44.337 26.666 23.346 12.589 27.113 43.041 21.488 30.563 38.362 24.415 39.860 18.141 31.805 37.698 9.216 0.629 6.635 7.434 8.718 40.339 22.689 14.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.345 12.706 4.211 0.963 49.336 39.646 44.645 55.483 23.247 3.697 6.548 22.Manual de Exercícios 0.558 51.879 10.484 0.920 24.801 37.386 2.337 32.994 56.527 7.034 8.339 21.615 32.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.268 11.869 31.908 7.750 20.996 27.319 36.812 22.340 18.886 0.603 3.443 19.578 32.923 45.819 9.412 0.591 12.791 8.588 52.955 26.796 10.005 0.067 16.172 38.314 46.296 28.410 34.490 4.156 42.041 12.075 4.204 30.231 10.449 16.337 28.885 41.209 25.142 5.05 0.343 14.924 36.997 45.582 43.975 0.599 29.252 120 .928 52.168 4.119 29.535 20.1 0.191 33.01 0.808 14.076 41.991 7.275 19.143 13.728 12.307 20.547 14.404 5.026 23.588 5.121 16.124 8.

. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%..Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial..15 = 1 (aproximadamente) 2.6531% = e −0.85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e.*0. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A). Calcule a probabilidade do sistema estar em funcionamento. Resolução P(avaria) = 1-0. está instalado um sistema de 10 máquinas para utilização de cartão multibanco. B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas. 25 = 77. 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D)..5 = 60.8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 .15*0.e maq 10 não funcionar) = 1 – 0.15*. Quatro componentes de um sistema encontram-se associados de acordo com a figura junta. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona.

778801 = 46.5 horas.25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4. com um MTBF de 17 500 horas.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas. 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 .606531*0.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0.0944% Logo. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial. sem que se verificasse qualquer avaria. Calcule a fiabilidade do equipamento. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. P(sistema estar em funcionamento após 5 000 horas) = = 0. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [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.171429 = 84.8% Exercício 3 Foram ensaiadas durante 3 000 horas.904837)2 = 99.990944*0.1 = 90.

Resolução a) Rs = e − 3625 12000 = e −0. num conjunto de 10.9% Em 10.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0. 0.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4. 1 . de um conjunto de 1 000.4% 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 6 0 − 1 − 4. no período de vida útil.P(falhar nenhuma) = 1 .846x1000 lâmpadas = 846 Estatística Aplicada 123 .1667 = 84.5) = 26.5 e dx = e 4.5 = 26. b) Quantas lâmpadas.0488 = 95.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.0.12% b) Rs = e − 2000 12000 = e −0. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.6% Logo.5)t = e-(6/4.5 c) Y: nº de avarias no intervalo [0.73910 = 1 – 0. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.5). estarão provavelmente em funcionamento após 2 000 horas de utilização. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.4% 4.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64. como Y segue Po(1/4.5) MTBF = 4.5) 2 = 23.6] horas.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .5 x(6 / 4.6] horas P(Y=2) = e − − 6 4.302 = 73.

75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais.63% b) Bi(n=5.85*0.15*0.15. se mais de um elemento avariar o sistema não funciona.05)*0.25=9. colocados estrategicamente a fim de satisfazer adequadamente os utentes.15*0.2 e 0. respectivamente. Resolução a) P(sist.25 e que as avarias são independentes.095+0.p=0. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.25+0.2*0.75+0. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias. No caso de nenhum elemento avariar o sistema funciona normalmente.8*0. T1. 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. sendo 0.05) Valor médio=5*0.85*0.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.51=60.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos.5% P(2 sem avarias) = 0.7.5% P(3 sem avarias) = 0. se um dos elementos avariar o sistema funciona com probabilidade 0.7738 + 0.8*0.25 Estatística Aplicada 124 . indicando o valor médio de tal distribuição. 0.954*0.955)* 1 + (5*0.1425 = 91. T2 e T3 se encontrarem avariados são. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0.05=0.2*0. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia. 0.7 = 0.

Manual de Exercícios CONTROLE ESTATÍSTICO DE QUALIDADE Exercícios Exercício 1 Uma empresa fabrica e comercializa condutores eléctricos cujas condições de controlo da produção e aceitabilidade a seguir se indicam (relativos à resistência de um componente em Ω): − − − − − − − Característica sob controlo: µ LIC: 49. 470] Nestas condições.8775 LSC: 50. Resolução X: resistência de um componente em Ω X ∩ N ( µ . determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de.1225 n=16 σ=0.25 Proceder-se-á à paragem da produção sempre que os limites de controlo sejam desrespeitados Um condutor é considerado não defeituoso se a sua resistência em Ω estiver compreendida entre [49.8775 LSC = µ + = 50. (0. 50. se produzir um artigo defeituoso.25) 2 ) a) LIC = µ − cσ n cσ n = 49. estando a norma a ser cumprida.530.1225 cσ n Como LIC + LSC = 100 vem que µ − Logo µ=100/2 = 50 Ω + µ+ cσ n = 2 µ = 100 Estatística Aplicada 125 .

8775 − 50 50.95 = 5% c) P(produzir um artigo defeituoso.47 sendo µ=50) = 1 .9399 donde 1 – 0. vem D(1.53 ≤ X ≤ 50.47 − 50 ≤X ≤ )= 0.1225 sendo µ=50) = 1 .01% Exercício 2 A empresa “TRADECHO.88 ≤ X ≤ 1.96. que afirmam que os produtos produzidos (em série) por esta empresa não obedecem às normas de qualidade estabelecidas e que são: - a norma para o comprimento médio das peças é de 20 cm.95 donde 1 – 0. 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.8775 ≤ X ≤ 50.25 16 16 1.96) = Na tabela da Normal.53 − 50 50. SA” mantém um diferendo com os seus principais clientes.P(-1.P(49.25 0.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .88) = Na tabela da Normal.1225 − 50 ≤X ≤ )= 0.9399 = 6. sendo a norma respeitada) = 49. a amplitude do intervalo de controle para a média deve ser de 1.P(-1. a norma para a variância é de 4 e está a ser cumprida.88) = 0.25 16 16 1 – P(49.P( 49. vem D(1.96 ≤ X ≤ 1. Estatística Aplicada 126 .25 0.96) = 0.P( 1 .

vem D(1. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo). 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .P(-1.90 • • • • • 20 • • • •20.96) = 0.3 • • • • •20.00 20.96 ≤ X ≤ 1.Manual de Exercícios a) Determine a probabilidade referida.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ .98 0.95 = 5% b) e c) Média Amostral (cm) 20.96) = Na tabela da Normal.96/2 ≤ X ≤ 20+1.P( − 0.90 20.95 donde 1 – 0.P(20-1.30 20.5 • • • • 19. Estatística Aplicada 127 .96/2 sendo µ=20) = 1 .98 ≤X ≤ )= 2 2 16 16 1.15 • • • • • 19.05 19.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.

55 − 1000 1016.645 ≤ X ≤ 1.55 ≤ X ≤ 1016.45 − 1000 ≤X ≤ )= 100 100 100 100 1. 1016.45 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 .55. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .Manual de Exercícios Exercício 3 Numa empresa procede-se ao exame das condições de produção relativas à duração (em horas) das lâmpadas fabricadas (produção em série).645) = Estatística Aplicada 128 .45 sendo µ=1000) = 1 .55 cσ = 1016. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983. a partir de uma amostra de dimensão 100: [983. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.P( 983. Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.P(983.P(-1. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.

SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série. b) Calcule a norma.8 - = 9. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.645) = 0. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ . a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas.8 milhares de horas a amplitude do intervalo não deve exceder 1.96 * 4 n ≤ 1.96 ⇔ n ≥ 64 1.96 logo 2 cσ n 1.8 logo µ = 10.96 2 cσ n ≤ 1.9 donde 1 – 0. procede à verificação da produção de energia Estatística Aplicada 129 . 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 + = 10.82 Exercício 5 O director de produção da empresa DISLIX. Para tal. Assim.96 milhares de horas a probabilidade de se parar indevidamente a produção é de 5% Sabe-se ainda que o desvio padrão da duração de uma componente é de 4 mil horas.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão. vem D(1.96 * 4 64 b) LSC = µ + = 10.Manual de Exercícios Na tabela da Normal.8 D(c)= 5% logo c= 1.

96 2 cσ n ≤ 3. ( 4) 2 ) a) D(c)= 5% logo c= 1.04 LIC = µ − cσ n cσ n • • • = 10 − 1.92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.96 LSC = µ + = 10 + 1. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.Manual de Exercícios eléctrica (em kws/hora) tendo e vista a construção de um intervalo de controle para a produção média de energia de um gerador que cumpra os seguintes objectivos: - Norma de produção para a média: 10 A amplitude do intervalo não deve exceder 3. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .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.92 logo 2 1.96 * 4 16 16 = 8. b) Represente a carta de controle para a média.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.96 * 4 Estatística Aplicada 130 .04 = 11.96 * 4 n ≤ 3.

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

j n . o poder de compra do consumidor influencia a sensibilidade ao preço. das quais 3 foram de alunos que não tinham efectuado provas durante o ano. α=0.2 376 Refrigerante 186 237. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568. Estatística Aplicada 132 . no grupo estudado.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2.141 Vem que o obsv. que é 5. concluindo-se que. dos quais 20 não tinham prestado qualquer prova durante o ano.8 285 233. há associação entre as variáveis. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos. a hipótese Ho será rejeitada.141 é maior do que o valor obtido a partir da tabela.=31. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação.Manual de Exercícios de segmentar o mercado. * n.05)=5. considerado razoável face aos valores normalmente utilizados.991 observado = 31.6 1126 Preço Baixo 212 189.991 (cruzamento da linha 2 com a coluna 0. para os quais se convencionou a adopção de um nível de significância de 5%.8 164 186.4 528 557.05). O número de aprovações foi de 33. Para o cálculo das frequências esperadas. Em média. procedeu-se à aplicação de eij = n i . Assim sendo.

Logo. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol.84 observado = 3. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”. se.Manual de Exercícios Diga.05)=3. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. a hipótese Ho não será rejeitada (há independência). construiu-se a seguinte tabela de contingência. com base nestes elementos. 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=2.122 Vem que o obsv.= 3. para um nível de significância de 5%.122 é menor do que o valor obtido a partir da tabela. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 . se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame. α=0.

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

33 6.33) 2 (80 − 43. teste = Vem que o (150 − 113.5 75 Estatística Aplicada 135 . que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.069 Valor obsv.33 obsv. Moeda 0-10 10-45 45-70 Reduzida 72..05)=5..5 87 Média 115 207 138 Elevada 62.84 113. est.069 é maior do que o valor obtido a partir da tabela. construindo-se a seguinte tabela de contingência: Taxa juro Proc.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113. procedeu-se à recolha periódica de elementos sobre essas variáveis. Moeda 0-10 10-45 45-70 Reduzida 20 20 250 Média 30 400 30 Elevada 200 30 20 Utilizando um nível de significância de 5%.33 43. + = 85. α=0.66 Elevado 86.33) 2 + .= 85.66 43.991 observado = 85.069 > 3.5 130.5 112. Assim sendo. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro.33 crítico (GL=1. a hipótese Ho será rejeitada. concluindo-se que há associação entre as variáveis.

Exercício 6 Um investigador seleccionou três amostras de estudantes. α=0. a hipótese Ho será rejeitada. concluindo-se que há associação entre as variáveis.05)=3. que fazem parte de um determinado projecto de estudo e aplicou-lhes uma escala de atitudes com o objectivo de conhecer as suas opiniões em relação ao projecto.Manual de Exercícios crítico (GL=4. a hipótese Ho será rejeitada. α=0. concluindo-se que há associação entre as variáveis. 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. A.= 30 é maior do que o valor obtido a partir da tabela. Assim sendo.= 1183.05)=9.7 Vem que o obsv.7 é maior do que o valor obtido a partir da tabela. B e C. Os resultados de uma amostra de 140 estudantes foram os seguintes: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 30 10 B 30 20 C 10 40 Utilizando um nível de significância de 5%. Estatística Aplicada 136 . Assim sendo.84 observado = 30 Vem que o obsv.49 observado = 1183.

Sign up to vote on this title
UsefulNot useful