104

Introdução ao e-learning

Manual de Exercícios

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

Estatística Aplicada

2

........... 3..... 3...4 Estimação por Intervalos ... 3..............................1..................... Fiabilidade de um sistema 3......….. 3. 3.................................................8...................8 Aplicações Estatísticas: Tratamento Estatístico de Inquéritos ...........5 Testes de hipóteses ............. 3...... Conceito de fiabilidade 3...................... 3.......................................... 3.2 Probabilidade condicionada ...................7 Aplicações Estatísticas: Controlo Estatístico de Qualidade ...2.................................6............1 Noções básicas de probabilidades .6 Aplicações Estatísticas: Fiabilidade ......6......... 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 ..…..............Manual de Exercícios 3............ ESTATÍSTICA INDUTIVA ...1.

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

número de trabalhadores (atributo quantitativo discreto). cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). 1. Definições Gerais 1. Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada. etc 1. População Fazer estatística pressupõe o estudo de um conjunto de objectos bem delimitado com alguma característica em comum sobre os quais observamos um certo número de atributos designados por variáveis.1.3.1. podem efectuar-se: Estatística Aplicada 5 . As variáveis podem ser de natureza qualitativa ou quantitativa. rácio de autonomia financeira (atributo quantitativo contínuo). Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos. As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. As variáveis discretas assumem apenas um número finito numerável de valores.1.1.2.1. 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. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores. Exemplo: Empresas existentes em Portugal 1. Processo de amostragem Para conhecer de forma completa a população.

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

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

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

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

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

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

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

atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe..5. chama-se ao quantil percentil Se p=0.02. 2. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. classe mediana FL sup − FL inf 2. isto é..1.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0...9. 0. então a mediana é o primeiro valor para o qual Fi > 0. 0.25.01. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo. De uma forma geral: Me = L inf + 0.5. determina-se o valor para o qual Fi = 0.3.5 − FL inf xamp.0.2.5 através de uma regra de três simples. chama-se ao quantil QUARTIL (Q1. é a classe a que corresponde maior frequência por unidade de amplitude.75. Variáveis contínuas Em geral. isto é.. Se p=0. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p.. Q2 e Q3). 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. Medidas de ordem Tal como se definiu para a mediana. é o valor mais frequente da distribuição. chama-se ao quantil decil Se p=0.5. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais.0.4.. 0..99.5. 0. Estatística Aplicada 13 .

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

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

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

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

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

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

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

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

12 0.04 0. b) Determine a média e a moda da distribuição. Determine a mediana da distribuição. 15[ [15.2 0. e) Analise a (as)simetria da distribuição em causa. d) Determine os quartis da distribuição. Resolução a) fi/hi 0. 5[ [5. 1[ [1.06 0.Manual de Exercícios ESTATÍSTICA DESCRITIVA Exercícios resolvidos Exercício 1 Considere a distribuição de 1000 empresas de um sector de actividade segundo os resultados líquidos (em milhares de u. Faça a sua representação gráfica. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente.16 0. 25[ [25.): Resultado Líquido [0. 3[ [3.m. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente.1 0. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz. 50[ Total Frequência.18 0.14 0.08 0.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 .

os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u.5 x5%) = 7.m. correspondente à classe [3.35 5 : Fi = 0.175 0. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0.01 0. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0.. Neste caso. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.125 0. e 5000 u.m.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0..1 0. 15[ [15.5 2 4 10 20 37. 5[. 25[ [25. 1[ [1. o resultado líquido de uma empresa é de 7325 unidades monetárias.325 Em média.002 Fi 10% 35% 70% 85% 95% 100% ci 0.4 0. o maior valor de fi / hi é 0. 5[ [5.6 0.8 0.015 0.Manual de Exercícios [0.5 x10%) + (2 x 25%) + .5): [3. 3[ [3. isto é. + (37.175.7 Estatística Aplicada 23 . 5[ 3 : Fi=0.

5 – 0.25): [1.1 3 : Fi = 0.7 -----------. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.15) = 8.35) = 3.333 − 2.3 .m.1 -------------.5 .1 -----------.85 .85 Cálculo do Q3: 0.1 0.5 0.Q3 – 5 Q3 = 5 + ((10x0.857) − (3.75 – 0.2) = = 0.Me – 3 Me = 3 + ((2x0.Q1 – 1 Q1 = 1 + ((2x0.0.35 -----------.3 0.2 A distribuição é assimétrica positiva ou enviesada à esquerda.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.15 .7 -------------.7 .m.35 Cálculo do Q1: 0. 3[ 1 : Fi=0.15)/0.35 -------------.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.0. Estatística Aplicada 24 .857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.35 .m. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.333 − 3.0.7 15 : Fi = 0.857 − 2. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.25) = 2.25 – 0.05)/0.15)/0.Manual de Exercícios Cálculo da mediana: 0. 15[ 5 : Fi=0.75): [5.4596 > 0 Q3 − Q1 8.

4 0.Manual de Exercícios f) X [0.5 2 4 10 20 37.1 − 0.7 + 0.47 0. + (0.Liq. o que sugere um tecido empresarial com muitas PMEs.95 − 0.8 0. 3[ [3.4 amostra.5 corresponde ao centro da escala possível.1 + 0. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.007) + .2 0.6% do total de resultados das empresas da 0.85 + 0. entre 0 e 1).35 0. Por exemplo.744) = 0. 5[ [5. 25[ [25.6 0.1 0.075 0. Analise a concentração através do Índice de Gini e da Curva de Lorenz.85 0. 70% das empresas apresentavam resultados até 5000 u. 1[ [1.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200.35 + 0.m.. mas em que cada uma tem baixo resultado líquido.95 1 qi 0..5 Atributo 100x0.7 0. 0 0 0.6 0. Estatística Aplicada 25 .2 0. 15[ [15.95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.Totais G= (0.471 0. referente aos lucros obtidos por empresas de um dado sector industrial.266 0. mas isso representava apenas 26. expressas numa determinada unidade monetária..007 0.744 1 50 + 500 + 1400 7325 Res.

8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0. uma função linear que exprima as peso em função da altura.883(3) 1 Curva de Lorenz 1 0.8 0.546(6) = 0.6 0.2 0. 200[ [200. encontrandose os valores razoavelmente repartidos. Estatística Aplicada 26 .16(6) 0. conclui-se que esta amostra apresenta concentração moderada. 100[ [100. 50[ [50. a) Represente o diagrama de dispersão.4 0.Manual de Exercícios Resolução Lucros [0.243 2.4 0. como pelo valor do Índice de Gini.95 1 qi 0. c) Ajuste. pelo Método dos Mínimos Quadrados.63(3) 0. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0. b) Analise a correlação existente entre peso e altura.1 0.4 0. 300[ [300.8 0. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.25 Tanto pela análise da Curva de Lorenz.02 0.6 0.2 0 0 0.

r = 0. quase perfeita. existe uma correlação positiva forte entre as duas variáveis. c) 190 Recta de Regressão 180 Altura (cm) y = 0.9016x + 109.Manual de Exercícios Indivíduo A B C D E F G H I J Resolução Peso (kg) 72 65 80 57 60 77 83 79 67 68 Altura (cm) 175 170 185 154 165 175 182 178 175 173 Diagrama de Dispersão 190 a) 180 Altura (cm) 170 160 150 50 60 70 Peso (kg) 80 90 b) No exemplo.90681871. isto é.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 .

espera-se que a altura do indivíduo aumente 0.0651 CV x = sx 69.9016 x Peso Isto é. Resolução a) Para comparar a dispersão das duas distribuições.36 + 0.Manual de Exercícios A equação desta recta traduz-se em Altura = 109. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão. b) Analise a correlação existente entre volume e custo de produção.495 6.36 + 0.9016 cm.429 < CV y = sy y = 11. pelo Método dos Mínimos Quadrados.9408 1 = n (yi − y ) = 11. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u.0651 = 0.9408 = = 0. Estatística Aplicada 28 . uma função linear que exprima as vendas em função das despesas em publicidade.) de uma empresa no período de 7 anos: Ano 1 2 3 4 5 6 7 Vendas 10 13 18 19 25 30 35 Desp.472.m.714 2 1 = n (xi − x ) = 69.9016 x 70 = 172.39 x 21.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6.714 A dispersão das despesas em publicidade é superior à dispersão das vendas. c) Ajuste. se um indivíduo pesar 70 kg. Por cada kg de peso adicional. 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. a altura esperada será de 109.

Recta de Regressão c) 30 y = 2.429)(3 − 6.. + (35 − 21.Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21. quando as despesas em publicidade aumentam (diminuem). Public.429)(13 − 6.9408 x 11.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 .714) + .. encontram-se as ordenações desses 10 estudantes segundo as classificações obtidas em cada uma das provas: Aluno A B C D E F G H I J Estatística Aplicada Prova inicial Rix 1 3 2 5 7 8 9 10 6 4 Prova final Riy 1 2 3 4 6 8 7 9 10 5 di Rix .714)] 7 = = 0.8782 Vendas 20 10 0 3 8 Desp. as vendas aumentam (diminuem) de forma quase exactamente proporcional. Em média.0651 Existe uma correlação positiva linear forte entre as duas variáveis.4649x + 4. No quadro abaixo. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.98 69.

5 10 20 37. 1[ [1.5 30 Estatística Aplicada . 5[ [5. 15[ [15.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). 15[ [15. 25[ [25.) de 2500 famílias da população de um país: Rendimento anual [0. em média. c) Determine os três primeiros quartis. 2[ [2. 25[ [25. 2[ [2. igualmente boa nota na prova final.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos.5 1. 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. 1[ [1. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. b) Determine o rendimento médio e mediano. 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. os alunos que tiveram boa nota na prova inicial tiveram. mas sim das ordenações das classificações (do 1º ao 10º classificado). 5[ [5. Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini.5 3. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u. isto é.

Classe mediana (classe a que corresponde uma frequência acumulada 0. + (37.15 .3) = 13.8 .5): [2.5 x10%) + (1.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.m.Manual de Exercícios 1 0.8 0.75 – 0. Logo. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.5.5 15 : Fi = 0. 15[ 5 : Fi=0.6 0.25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u.025 Em média.5 -----------.5 -------------. 5[ 5 : Fi = 0. Estatística Aplicada 31 .. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).m.4 0.5 x5%) = 9.Q3 – 5 Q3 = 5 + ((10x0. o rendimento anual de uma família é de 9025 unidades monetárias. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.5 0.75): [5.25): [1.5 x15%) + .8 Cálculo do Q3: 0.25)/0.0. 2[ 3 : Fi = 0..2 0 0 10 n i =1 20 n i =1 30 40 50 60 70 80 90 100 b) x = 1 n ni c i = f i ci = (0.

0 100 Estatística Aplicada 32 .8 15. 25[ [25. 350] Total Frequência.286875 2 s x = s x = 82. 80[ [80.4555 2.5 Rend.8 0. 100[ [100. total 125 562.5 22562. 2[ [2.46 0. 120[ [120. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82. 200[ [200.25 0. Relativa (%) 7.95 1 qi 0. 15[ [15.5 7500 7500 4687. 5[ [5.5 2187.6 3.1274 0.1 0.47 > 0 Q3 − Q1 13. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.2 8.2 19.071 e) Rendimento anual [0. 140[ [140.1 5.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13. 160[ [160.6 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 [60.5 1.00554 0.286875 = 9. 300[ [300.18436 = 0.5 10 20 37.333 − 5) − (5 − 2) = = 0. 250[ [250.2 31.0305 0.5 3. 1[ [1.4 2.5 7.5 0.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda.5 pi (=Fi) 0.

25): [100.02)/0. c) Analise a assimetria da distribuição em causa. 300[ [300.100 Q2 = 100 + ((20x0. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.542 .23 -----------.7 80.1 5. 80[ [80.23 120 : Fi = 0.0.0 100 Fi (%) 7.4 2.23 -------------.Q2 .28 25% dos empregados auferem remunerações inferiores a 101.8 15.2 73.2 31. 120[ 1 : Fi=0. Relativa (%) 7. 250[ [250.6 3. Resolução a) Remuneração [60.120 .542 Cálculo do Q2: 0.Manual de Exercícios a) Calcule os quartis da distribuição.27)/0.5 7. 350] Total Frequência.0. 200[ [200. 140[ [140.23 -------------.28 milhares u.100 Q1 = 100 + ((20x0.3 milhares u.100 0.5 .8 23 54.120 .25 .542 .100 0.3 50% dos empregados auferem remunerações inferiores a 117. 100[ [100.23 3 : Fi = 0. 120[ [120.312) = 101.2 19.0.312) = 117.9 89 94.542 Cálculo do Q1: 0.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.23 -----------. Estatística Aplicada 33 . 120[ 100 : Fi=0.5): [100.Q1 . 160[ [160.2 8. b) Analise a dispersão da distribuição em causa.0.m.m.

809 .28 = 42. b) Calcule as frequências acumuladas e represente-as graficamente.Q3 .101.Q1 = 143.809 Cálculo do Q3: 0.140 Q3 = 140 + ((20x0.737 -----------.75 – 0. 160[ 120 : Fi=0. b) Amplitude do intervalo inter-quartis = Q3 .28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda.013)/0. 298[ [298. 300[ [300.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. Estatística Aplicada 34 .33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143.140 0.61 − 117.160 . 304[ [304.61(1) milhares u.61 − 101. Exercício 8 Os dados seguintes referem-se ao peso. 303[ [303.3 − 101.737 -------------. 301[ [301. expresso em gramas.61(1) . Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.m.3) − (117. no decurso de um teste.737 140 : Fi = 0.28) = = 0.243 > 0 Q3 − Q1 143.0. 302[ [302. 306] Total Frequência. saíram de uma linha de enchimento automático: Peso (em gramas) [297. 299[ [299. do conteúdo de uma série de 100 garrafas que.61(1) 75% dos empregados auferem remunerações inferiores a 143.072) = 143.75): [140. 305[ [305.

Qual o seu significado? d) Determine os quartis da distribuição..5 x8%) + (298..5 x 21%) + .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. 306] Total F* 1 0. + (305.25 0. 298[ [298.2 0. Estatística Aplicada 35 . 300[ [300.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297. mediano e modal. e) Analise a dispersão do peso das garrafas.4 0.Manual de Exercícios c) Determine o peso médio. 301[ [301.8 0. 305[ [305. 302[ [302.5 x1%) = 300. 299[ [299.11 O peso médio das garrafas é de 300.3 0. 303[ [303.11 kg.1 0.6 0. Resolução a) 0.15 0. 304[ [304.

302 .27(27) 75% das garrafas têm peso inferior a 301.08 -----------.0.29 -----------. 300[. 302[ 301 : Fi=0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. Estatística Aplicada 36 .08 299 : Fi = 0.29 Cálculo do Q1: 0.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0. isto é.75): [301.298 .25): [298. 300[ 299 : Fi = 0.0357 25% das garrafas têm peso inferior a 299.72 -----------.Q2 . 299[ 298 : Fi=0.03)/0.28 correspondente à classe [299.29 300 : Fi = 0.Q1 . Neste caso.0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.0357 kg.25 .299 0.72 -------------.300 . A classe modal é aquela a que corresponde maior frequência relativa.72 302 : Fi = 0.299 0.27(27) kg.57 Cálculo do Q2: 0.83 .21)/0.0.0. o maior valor de fi é 0.301 Q3 = 301 + ((1x0.28) = 299.08 -----------.75 – 0.75 kg. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.17)/0.29 -------------.29 .83 Cálculo do Q3: 0.75 50% das garrafas têm peso inferior a 299.Q3 .11) = 301.299 Q1 = 299 + ((1x0.0.5 .21) = 299.299 Q2 = 299 + ((1x0.57 .301 0.5): [299.

55[ [1.4 1.675 1. 1.6.775 1. 1. Resolução a) Altura (em metros) [1.7 1.55[ [1.8[ [1.02 0.25 0.85 hi 0.97 1 6 5 4 3 2 1 0 Histograma 1.575 1. 1.1 0.8.67 0. 1. 1.05 0.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.1 0.55.7.299.75. b) Determine a altura média e a altura modal.12 0. 1.525 1.5 1.6[ [1.9 Estatística Aplicada 37 .9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.6.4.5[ [1.05 0.8. d) Determine os quartis da distribuição e diga qual o seu significado.75[ [1.65[ [1.75.05 0.5. 1.5[ [1. 1. 1.13 0.4.05 0.1 fi/hi 0.6[ [1. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1.6 1.8 1.65.0357 = 2. 1.7. 1.8[ [1.7[ [1.5 0.05 0.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.Q1 = 301.65.65[ [1. 1.6 3. 1.03 1 ci 1.37 0. 1.55.4 4 2 0.87 0.1 0.17 0.2 0.75[ [1. 1.725 1.625 1.27(27) .7[ [1.02 0. f) Analise a (as)simetria da distribuição.3 Fi 0.45 1. e) Analise a dispersão da distribuição.2 2 5 2. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .5. 1.05 0.

576 25% dos alunos têm altura inferior a 1.55.7 : Fi=0.1.05x0.55 Q1 = 1.6 : Fi = 0.5 1.12 -----------.6 0.13)/0.8 1.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.6[ 1. 1.6[.25) = 1.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1.55.5 50% dos alunos têm altura inferior a 1.Q1 – 1.45x 2%) + (1.75 : Fi = 0.6.65 : Fi = 0. Neste caso.7 1. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0. + (1.75[ 1.75): [1. 1.5): [1.25): [1. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.2 0 1. a altura mais provável de um aluno rondará 1.37 – 0.3 1.55m / 1.55 + ((0.6 – 1.12 -----------.87 Estatística Aplicada 38 .85x3%) = 1.55 0.37 Cálculo do Q1: 0. correspondente à classe [1.65 A altura média dos alunos é de 1.6m.576 m. 1.55 : Fi=0. 1.65[ 1. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. c) F* 1 0.525x10%) + ..6 1.8 0.12 1. isto é.7.25 – 0.4 1.67 1. o maior valor de fi / hi é 5.4 0.65 m.65 m..

0. 5[ [5.2) = 1. 30[ [30. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .7 Q3 = 1.67-------------.65 − 1. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.1.7 + ((0.7 0.72 − 1. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).72 75% dos alunos têm altura inferior a 1.576) = −0.67-----------. 20[ [20.75 – 1.05*0.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.00536875 = 0.75 – 0. e) Amplitude do intervalo inter-quartis = Q3 .87.72 − 1.00536875 2 s x = s x = 0.027(7) < 0 = Q3 − Q1 1. b) Determine a duração média das chamadas e respectivo desvio-padrão.65) − (1.08)/0. Exercício 9 Em determinada central telefónica. 10[ [10.Manual de Exercícios Cálculo do Q3: 0.Q3 – 1.Q1 = 1.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0.72 m.576 = 0.72 – 1.

35 A duração média de uma chamada é de 9.5 7..6 0.7 minutos.7 0.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0.35 minutos.9 0.8 0.006 0.4 0. quanto à dispersão. Resolução a) Duração (em minutos) [0.04 1 Histograma hi 5 5 10 10 20 fi/hi 0.3 0.08 0. Compare.5 x30%) + .025 c) Classe mediana (classe a que corresponde frequência acumulada 0. 5[ [5. + (40 x 4%) = 9.5 x 40%) + (7.5 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 = (2.4525 2 s x = s x = 0. 10[ [10.1 0. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.5): [5.06 0. com desvio-padrão de 8. 50] Total fi/hi 0.02 0.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.06 0.02 0 0 F* 1 0.96 1 ci 2.06 0.. 20[ [20.4 0.002 Fi 0.08 0. 30[ [30.04 0.00536875 = 9. 10[ Estatística Aplicada 40 . as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.4 0.2 0.

uma função linear que exprima o custo em função do volume de produção.0.5 Me = 5 + ((5x0. + (2000 − 1358.4 -----------. Estatística Aplicada 41 .3) = 6. 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. pelo Método dos Mínimos Quadrados.Me .10 .3)] = 12 = 0.7 = 0.3)(3100 − 2708..1)/0.67 50% das chamadas têm duração a 6.5 0.35 CV2001 = sy y = 8.4 -----------. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358.3)(3800 − 2708.98 520854x 1145944 Correlação positiva quase perfeita.Manual de Exercícios 5 : Fi = 0.965 > x 9.7 Cálculo da Me: 0. b) Ajuste.5 .7 .3) + .87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.67 minutos. d) CV Dez = s x 9.4 10 : Fi = 0..025 = = 0.0.

9 1.92)] =9 = 0.4 a) Analise a correlação existente entre aqueles dois indicadores.3 0.7)(0. Estatística Aplicada 42 .8 0. pelo Método dos Mínimos Quadrados.096933 Correlação positiva moderada. Resolução a) r = s xy s xx s yy 1 [(191 − 121.7 0. uma função linear que exprima a variável EPS em função de PBV.92) + ..7)(0.332 x 0.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.0 0.8 1. + (81 − 121.6 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 + 731.4 − 0..61 3669. b) Ajuste.9 − 0.5 0.9 1.

2 1.2 0. pelo Método dos Mínimos Quadrados.383 Exercício 12 Recolheu-se uma amostra em 17 cidades do país relativamente aos seguintes indicadores: Ri: Rendimento médio mensal na cidade i (em 106 unidades monetárias) Gi: Gasto médio mensal em bens de luxo na cidade i (em 106 u.6 0.Manual de Exercícios b) 250 200 150 100 50 0 0 0.4 0.m.) 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.6 y = 124. Estatística Aplicada 43 . b) Ajuste.4 1.04x + 7.8 PBV 1 1. uma função linear que exprima a variável Gi em função de Ri.

986 Correlação positiva forte. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.801 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 = 0.2604x + 22.

104 Introdução ao e-learning .

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

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

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

a da chamada teoria frequencista.53 Magro 0.2 0. isto é 0. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0.25 Normal 0.2 0.1 0.Manual de Exercícios Após a apresentação desta definição.8 1.2. 0. Por outras palavras.15 0. Estatística Aplicada 48 . Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão. convém ainda referir que. numa outra perspectiva. 3.22 Total 0.4 .25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”. a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta. sabendo que ocorreu o acontecimento “ser obeso”.45 0. Repare-se que este quociente resulta da divisão entre a probabilidade de uma pessoa ser hipertensa e obesa e a probabilidade de uma pessoa ser obesa. 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”.1 = 0.02 0.00 a) Qual a probabilidade de uma pessoa escolhida ao acaso ser hipertensa? b) Qual a probabilidade de uma pessoa obesa ser hipertensa? Resolução a) Basta ver que a proporção de hipertensos é de 20% b) Há que tomar em atenção que o que se pretende é a proporção de hipertensos na população de obesos. Este exemplo corresponde ao cálculo de uma probabilidade condicionada. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”.08 0.

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

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

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

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

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

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

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

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

B e C. Calcule a probabilidade dessa pessoa: a) ler pelo menos um dos jornais b) ler A e B mas não C c) ler A mas não ler B nem C Resolução A: a pessoa escolhida lê o jornal A B: a pessoa escolhida lê o jornal B C: a pessoa escolhida lê o jornal C P(A) = 9.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0. B e C: 2. A e C: 3.Manual de Exercícios a) B falhar b) falhar apenas A c) falhar A ou B d) não falhar nem A nem B e) A e B não falharem simultaneamente Resolução A: o subsistema A falha B: o subsistema B falha P(A)=20% P(B-A)=15% P(A ∩ B)=15% a) P(B) = P(B-A)+ P(A ∩ B) = 0. B: 22. C: 12. A.8%.9%.1% P(B) = 22.15 + 0.15 = 5% c) P(A ∪ B) = P(A) + P(B) . B e C: 6%.2 + 0. A e B: 5.4% Escolhe-se uma pessoa ao acaso. A.3 – 0.P(A ∩ B) = 0.8% P(A ∩ B) = 5.1%.4% Estatística Aplicada 57 .15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2.7% P(C) = 12.2 – 0.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0.7%.1%.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0. com as seguintes percentagens de leitura: A: 9.9% P(A ∩ C) = 3.

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

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

Resolução T: O João chega atrasado A: o João utiliza o transporte A B: o João utiliza o transporte B C: o João utiliza o transporte C P(T) = 0. calcule a probabilidade de ter utilizado os transportes B ou C.8 P(T/B) = 0.5 P(T/C) = 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. B ou C.3 * 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1. Sabe-se que a probabilidade de: - chegar atrasado à escola é 60% chegar atrasado utilizando o transporte A é 80% chegar atrasado utilizando o transporte B é 50% chegar atrasado utilizando o transporte C é 60% utilizar os transportes B e C é a mesma a) Calcule a probabilidade de o João utilizar o transporte A b) Sabendo que o João chegou atrasado à escola.3P( M 2) * 0.03 + P( M 2) * 0.3P( M 2) = 1 − 1.3P( M 2)) * 0.02 P( M 1) = 0.3 * 0.6 P(T/A) = 0.3P( M 2) 0.01 + (1 − 1.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .0165 = 0.Manual de Exercícios − ⇔ P( M 3) = 1 − 1.5 = 15% P( M 3) = 1 − 1.

elevado ficam aptos no teste a) Qual a probabilidade de um indivíduo escolhido ao acaso ficar apto no teste? b) Qual a probabilidade de um indivíduo ter Q.I.Manual de Exercícios Logo 0.) elevado e médio são.5 + P(B)*0.5 + 0.I.6 = (1-2P(B))*0.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0. sabendo-se que ficou inapto? Resolução A: indivíduo fica apto no teste E: indivíduo tem QI elevado M: indivíduo tem QI médio B: indivíduo tem QI baixo P(E) = 30% P(M) = 60% P(A/M) = 50% P(B) = 1 –0.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q. sabe-se que 70% dos indivíduos com Q.8 + P(B)*0.I. de 30% e de 60% a percentagem de indivíduos com Q. respectivamente.6 = =73.3% P (T ) 0.I.4 * 0. baixo ficar apto no teste é de 20% finalmente.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.4 * 0.3 – 0. baixo.

possuir também frigorífico 2. possuir telefone ou frigorífico 2. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0.5+0.53 P ( A) Exercício 11 Os resultados de um inquérito aos agregados familiares de uma determinada cidade forneceram os seguintes dados: - 35% dos agregados possuem telefone 50% dos agregados possuem frigorífico 25% dos agregados possuem automóvel 15% dos agregados possuem telefone e frigorífico 20% dos agregados possuem telefone e automóvel 10% dos agregados possuem frigorífico e automóvel 5% dos agregados possuem telefone.1*0.8 = = 17% 1 − 0.6*0.1 * 0.7+0. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0. possuir pelo menos um daqueles três objectos 2.3*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 .

15-0.05 = 70% 2.05 = = 100% P (C ) 0.1+0. a) Qual a probabilidade de um segurado não sofrer qualquer acidente durante um ano? b) Qual a probabilidade de um segurado que sofreu pelo menos um acidente ter idade igual ou inferior a 40 anos? c) Qual a probabilidade de. pelo menos. numa amostra de três segurados 1. um acidente por ano.2 = 40% b) krysktsh1.25 P( B ∩ C ) 0.2 + 0.1 − 0. dado que cada um sofreu. nenhum ter sofrido qualquer acidente durante um ano? 3.P(A ∩ B) = 0.15 = 70% 2.25 c) 1. pelo menos.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade. 1 – P( A ∪ B ∪ C ) = 1 – 0.P(A ∩ C) = 0. todos terem idade igual ou inferior a 40 anos? 2.5 – 0. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0.4 = 60% P(A ∪ C) = P(A) + P(C) . P(A ∪ B) = P(A) + P(B) .35+0. Todos terem idade igual ou inferior a 40 anos.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1.1 = = 40% P (C ) 0. De entre os segurados com idade igual ou inferior a 40 anos.5+0.25-0.35 + 0. dos quais 5% sofrem. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0. P(B / C) = 2.2-0. um acidente durante o referido período? Estatística Aplicada 65 .25 – 0. 3% têm um ou mais acidentes no mesmo período.35 + 0. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0.

958 P ( A) P ( A) c) 1.97 = 95.4*0.4% 2.2857*0.6 * 0.Manual de Exercícios Resolução I1: o segurado tem mais de 40 anos de idade I2: o segurado tem 40 anos ou menos de idade A: o segurado sofre pelo menos 1 acidente por ano A : o segurado não sofre nenhum acidente por ano P(I1) = 60% P(A/I1) = 5% P(A/I2) = 3% P(I2) = 1 – 0. P( B ∩ B ∩ B ) = 0.03 = = = 28.958*0.2857 = 2.6*0.4*0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0.6 = 40% P( A /I1) = 1 – 0. P( I 2 ∩ I 2 ∩ I 2) = 0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.958 = 87.57% = P(B) 1 − 0.4 = 6.95 + 0.9% 3.958*0.05 = 95% P( A /I2) = 1 – 0.3% Estatística Aplicada 66 . P( A ∩ A ∩ A) = 0.2857*0.4*0.

104 Introdução ao e-learning .

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.2. 8) λ=5 8 p=0. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 .06 e −5 5 x P(X ≤ 8) = = 0. é 5. escolhidas ao acaso uma ser defeituosa.3.1. A central só pode atender um número máximo de 8 chamadas por minuto.2 q=1-p=0.2 q=1-p=0. por minuto (0. 7.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.2*0.932 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.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.4) n=4 p=0.83 = 0.3.932 = 0. entre as 4 bobines necessárias a um determinado cliente. 6.8 P(X=1)=C4p1q4-1 = 4*0.4.1.8 Logo P(X>8) = 1-0. calcule a probabilidade de.5 horas.2. por minuto. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0. 5.

os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 . está associado a uma variável aleatória com distribuição de Poisson. e X: numero de avarias que ocorrem no intervalo [0. entre as 9 e as 11 horas.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120.333 = 0. se aluguem 5 barcos? Qual a probabilidade de que.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. por hora. em cada hora. destinado aos turistas que a frequentam. isto é. esse serviço é procurado por 8 turistas interessados em alugar barcos. Z= Logo P(X>2) = 1-0. em média. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente. Verificou-se que. num período de 6h λ=1/4.6[.5 Consultando a tabela. entre as 8 e as 9 horas. que esse serviço funciona ininterruptamente das 8 às 20 horas. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos.5 = e −1.28%. vem: 121 − 120 =2 0. sabe-se. a) b) Qual a probabilidade de que.5. com desvio padrão 0. O número de turistas que procuram este serviço.9772.9772 = 2.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4. verifica-se que o valor da função Z é P(X ≤ 2) = 0. por outro lado.

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

3. 2. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0. 5..1429) E(W) = 30*0.1429 = 4.6767 = 0. 4. em média.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0. entre 0 e 1 petroleiro por dia g) W: nº de dias em que é preciso mandar petroleiros para outro porto num mês de 30 dias (0. pg.1. Z = X .85%.29% (tab.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0.. 3) g(0) = P(X=0) = 0. 2.218 Recorrem a outros portos.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.1353 g(1) = P(X=1) = 0. com probabilidade 27. 6) Logo.30) W segue Bi (n = 30. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh. p = P(X>3) = 0.782 = 0.E(Y) = 2 .Y E(Z) = E(X -Y) = E(X) . Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .1353 + … + 3*0.1. 2. 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. em média.1.3 Em média.3233 E(Y) = 0*0. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1.2707 g(2) = P(X=2) = 0..1.3233 = 1.8571 =14.782 São atendidos.

71%.Manual de Exercícios 2.3085 ⇔ 40 40 T − 400 T − 400 ) = 0.6915 ⇔ = 0.58) = 28. N(1200. Poisson. vem que: Y=X1+X2+X3 segue N(400*3. ao fim de 3 meses. 1600*3). 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. 1600) a) P(X>T) = 0.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico.3085 ⇔ P( P(N(0.3085 X segue N(400. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98. 1600).1)<-0. Qual a probabilidade de que. 4800) 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. A cadeia A opera a um ritmo médio de 2 montagens por hora. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v. com funcionamento independente. existem 2 cadeias de montagem A e B. X2 e X3 independentes e que todas seguem N(400.1)< = P(N(0.1) ≤ b) 1.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 .a. isto é. considerando X1. P(3*420-Y > 100) = P(Y < 1160) = P(N(0.

2707*0.0001 + … + 0.1465 + 0.0009*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. Logo. vem que P(Y<1) = 1 – 0. vem que o valor 0.8893=11. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de.0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4.72% 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. como se sabe que P(Y ≥ 1) = 0. Na tabela da Po(4)..1954 = 3..1353*0. percorrendo as linhas de valor = 0.1048 = 34. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.9817 = 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 . 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.0902*0.0183 Na tabela da Poisson. λ = 4.1954 + 0. mas desconhece-se a média (=parâmetro λ) No entanto. numa hora.0183 + 0.0753 + 0. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0. considerando Y1. + f(10) = 0 + 0.9817. Y2 e Y3 independentes e que todas seguem Po(4).012*0.Manual de Exercícios b) a probabilidade de. em 3 horas de trabalho.

9831 = 19.8179+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=20.01) a) 1. conter 1 cigarro com filtro defeituoso 2. p=0.9919 = 16.79% b) 1. Crit. a companhia espera poder aproveitar se utilizar o critério: 1.Manual de Exercícios Pelo Teorema da Aditividade de Poisson. P(X=0) = 0.52% 2.9831) Logo E(Y) = 20*0. Crit. também pelo mesmo Teorema.36 2.010*0.01*0.1652 = 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. num volume que contém 20. determine: a) a probabilidade de um maço acabado de formar 1. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. conter 0 cigarros com filtro defeituoso b) o número de maços que. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. segue Po(6*8=48) Logo. maço é aproveitável se contiver no máximo 1 cigarro defeituoso Resolução X: nº de cigarros com filtro defeituoso em 20 cigarros de um maço X segue Bi(n=20. p=P(X=0)+P(X=1)= 0. p=P(X=0) = 0. P(X=1) = 20*0.8179) Logo E(Y) = 20*0. Nestas condições. Numa rápida análise às condições de produção.66 Estatística Aplicada 73 . maço é aproveitável se não contiver cigarros defeituosos 2. 1: maço é aproveitável se não contiver cigarros defeituosos Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20.8179 = 16.9920 = 81. E Z . vem que Xi + Yi segue também Po(2+4=6).

05) = 0.2 0.45 − 0.642) = 47.σ < X < µ + σ) = P(0.25 mm e 47.642 mm.475 + 0.2 74 θ( Estatística Aplicada .45) – P(X<0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.a.25 − µ σ 0.45) = P(X<0. b) Determine a probabilidade de uma peça não ser defeituosa.392 < X − 0.25 σ 0. vem que σ b) P(peça não defeituosa) = P(µ .5% têm comprimento entre 0.96 e logo σ = 0.392 σ )= =θ( σ ) − θ (0) = 0.25 σ < 0.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.25 P(0.25<X<0.975 0.25<X<0.5 = 0.475 0.392 = 1.25 σ ) = P (0 < N (0.05 − 0.5% a) Como P(X<0. vem que θ ( σ Na tabela 3B da Normal.25) = 50% P(0.25) = 50% vem que P( X −µ σ < 0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.1) < 0.2 Sendo θ (0)=0.25 mm e 0.5. Sabemos que 50% das peças produzidas têm comprimento inferior a 0. a) Calcule a média e o desvio-padrão do comprimento das peças.σ P(X<0.25 − µ ) = 50% Na tabela.25 0. σ2) Peça defeituosa se X>µ + σ ou se X< µ . Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ. E como σ tem que ser =0.392 ) = 0.13% 0.5% vem que P( 0.642) = 47. logo µ = 0.05 < X < 0.25 − 0. Normal com média µ e variância σ2.642 − 0.

2.1. 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.F(7) = 41. em média.4) P(X ≥ 8)=1.19. que eleva a probabilidade de cura para 40%.4 q=1-p=0. Calcule a probabilidade de se concluir pela ineficácia do medicamento.6 X segue Bi (20.58% Exercício 12 Sabe-se por via experimental que. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de. Um empregado entra ao serviço às 8 horas. por cada período de 5 minutos.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%.. chegam. 0. 8 doentes em 20. 4 veículos a determinado posto abastecedor de combustíveis.03%. Estatística Aplicada 75 . 20) n=20 p=0. ainda que este eleve de facto a probabilidade de cura para 40%. vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0.. considerando X1 e X2 independentes e que ambas seguem Po(4). pelo menos. Põe-se à prova um novo medicamento. ministrando-o a um grupo de 20 doentes.

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

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 . Porque a distribuição é Normal. 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. Para efeitos de simplificação. σ n ) Uma vez que apenas se encontra tabelada a distribuição N(0.1). vão considerar-se apenas exemplos relativos a amostras de grande dimensão (na prática. se fosse possível observar todo o universo de dados (n= ∞ ). a distribuição deste estimador será: X ∩ N (µ . n ≥ 100) (i) Intervalo de confiança para a média µ de uma população normal Seja X (média amostral) o estimador da média da população.Manual de Exercícios A partir do conceito de intervalo de confiança para um parâmetro. Este resultado explica-se facilmente: no limite. Esse intervalo de variação depende: - da dimensão da amostra (n): quanto maior a dimensão da amostra. Estatística Aplicada 77 . o valor amostral calculado corresponderia ao valor da população. em torno do valor do estimador.X +c σ n Isto é. 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. menor a amplitude do intervalo. é definido um intervalo de variação onde é possível afirmar que o parâmetro a estimar está contido com um grau de confiança δ . torna-se necessário calcular a variável reduzida correspondente: Z= X −µ σ ∩ N (0.

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

pretende-se que o resultado possua o máximo de confiança possível. há que ter em atenção que.1). 1: “Tenho a sensação que as pautas serão afixadas durante a manhã” Afirm. Por outro lado. 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.Manual de Exercícios Uma vez que apenas se encontra tabelada a distribuição N(0. 2: “Tenho quase a certeza que as pautas serão afixadas entre as 10h e as 11h Afirm. No entanto. dado que um elevado nível de confiança conduz a um intervalo maior e. se tem que permitir que a possibilidade de erro aumente. Estatística Aplicada 79 . a precisão da estimação diminui. esta conduz a possibilidades de erro maiores. se se permitir que o erro diminua. os extremos do intervalo aumentam. Exemplo: Consideremos 3 afirmações de alunos que aguardam a saída das pautas de um exame de Estatística: Afirm. torna-se necessário calcular a variável reduzida correspondente: Z= ˆ p− p p (1 − p ) n ∩ N (0.1) 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 . se uma maior confiança é pretendida na estimação. embora o resultado perca alguma precisão. se um intervalo de confiança tem uma amplitude demasiado grande. No entanto. a estimativa não tem utilidade. Cabe ao investigador gerir este “trade-off”. como tal.p+c n n ˆ ˆ (como estimativa de p (1 − p ) foi utilizado p (1 − p )) Como é óbvio.

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

576 x0.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.70m. tendo-se obtido o valor de 1.12 = 11.315 mg.576 σ n .76 Amplitude = Lim.2 − 2. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.315] Estima-se. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11. com 99% de confiança.085 mg e 1.2 − 2.2 20 .051.X +c σ n = 1. com 99% de confiança.88 – 104.1. Resolução X segue N(µ.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.2 mg. diga.2 σ=0. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0. observando-se um valor médio de 1. 0.Sup.22) n=20 e logo X −c x =1. com probabilidade 95%. contenha o valor esperado da altura µ.Inf.Manual de Exercícios b) Amplitude = 115.085. que o teor médio de nicotina de um cigarro se situa entre 1.2 20 = [1. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0. .576 x0. Estatística Aplicada 83 .1. entre que valores se situa o teor médio de nicotina de um cigarro. Defina um intervalo que.2 mg.Lim.

051 25 = [1. que a proporção de artigos defeituosos na produção se situa entre 8.645 = 0. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança. Para tanto.p+c .7 − 1.1.23%. Passada uma semana.2 − 1.96 σ n . com 90% de confiança.1.051 25 .76% e 11.315 mg. Exercício 6 Numa fábrica.X +c σ n = 1.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.1x0. procura conhecer-se a incidência de defeituosos na produção de uma máquina.9 p (1 − p ) p (1 − p ) ˆ .0876.9 0. com 95% de confiança.1x0.051) n=25 e logo X −c x =1.0.0. Construa um intervalo Estatística Aplicada 84 .1123] Estima-se. 0.Manual de Exercícios Resolução X segue N(µ.645 = 1600 1600 n n = [0.70 σ2=0.96 x 0. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.1 − 1.085 mg e 1. que o teor médio de nicotina de um cigarro se situa entre 1.96 x 0.1 − 1. Determine o intervalo de confiança para a referida proporção com 90% de confiança. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. onde 10% dos artigos são defeituosos.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).788] Estima-se.611.

Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0.9%.75 0.96 .0. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.833]. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.Manual de Exercícios de confiança a 95% para a proporção de operários que conheciam adequadamente o conjunto das normas uma semana após a sua emissão.645 e logo Estatística Aplicada 85 .25 − 1.75 ˆ .1% e 29.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0.767. Resolução n=300 ˆ p= 75 = 0. verificando que 960 a conheciam.201. com 95% de confiança.0. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20.299] Estima-se. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0.96 = n n 300 300 = [0. Nesse sentido.034.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.p+c = 0.25 x0.25 x0.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. 0.25 − 1.

86 1200 Logo 0.2 = 0.0.8 * 0.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.8 x0. com 90% de confiança.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.645 .1) vem igual a 99. Qual o número de ensaios necessário para definir tal intervalo? Resolução n=? σ=70 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2. pretendendo-se que a sua amplitude não exceda 60 psi.1% e 81.8 x0.2 ˆ .86) na tabela N(0. ˆ b) Amp.9%. Com base num vasto conjunto de ensaios realizados no passado.2 0.833 ⇔ c = 2.8 + c E D(2.833 n 0.2 = 2 *1. estima-se que o desvio .padrão da tensão de ruptura do material em causa é de 70 psi.8 − 1. 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.6%.645 = n n 1200 1200 Estima-se.Inf.8 * 0.=Lim. que a proporção de indivíduos conhecedores da marca se situa entre 78.0.645 * ≤ 0.781.p+c = 0. = ( 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.Sup.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .Manual de Exercícios ˆ p−c = [0.-Lim. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.8 − 1.

5 kg/cm2.96 x10. para a verdadeira proporção p de capacetes que sofre danos com este teste. a 95%. tendo sido obtida uma média de 4537 kg/cm2. Resolução a) n=50 ˆ p= 18 = 0. seleccionados aleatoriamente a partir de um lote de grandes dimensões. com 95% de confiança.5 kg/cm2 e 4543. Exercício 11 Uma amostra de 50 capacetes de protecção. foram analisadas as tensões de ruptura de 10 cabos SCB-33R.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. foram seleccionados aleatoriamente e sujeitos a um teste de impacto.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.58 10 = [4530. Existe uma norma de 112 kg/cm2 em relação à variância.5] Estima-se.4543. Resolução X segue N(µ.4537 − 1. a 95%.X +c σ n = 4537 − 1. Defina esse intervalo.58 10 . O director comercial pretende saber qual o intervalo de confiança. usados por trabalhadores de uma empresa de construção civil. Recentemente.96 x10. Interprete o resultado obtido. que é respeitada.Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos. 112) n=10 e logo X −c x =4537 σ=10.96 σ n . que o tensão média de ruptura dos cabos se situa entre 4530. para o valor esperado da tensão de ruptura dos cabos do lote em causa. e em 18 foram observados alguns danos.5.96 e logo Estatística Aplicada 87 . Construa um intervalo de confiança.

36 x0. isto é.36 − 1.08 ⇔ n > 600 n n Estatística Aplicada 88 .64 0. que a proporção de capacetes que sofre danos se situa entre 22.7% e 49.Manual de Exercícios ˆ p−c = [0.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.36 − 1.64 ˆ .3%.5 = 2 * 1.0.96 = n n 50 50 Estima-se.= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0. 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.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos). com 95% de confiança. vem que: 2c ˆ ˆ p(1 − p) 0.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.36 x0.96 .22695.0. 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. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).96 * < 0.5 * 0.p+c = 0.

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

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

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

conserva-se Ho. opta-se por H1 com probabilidade 5% de se estar a cometer um erro.645 x 100 = 654. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. a seguinte: - rejeitar H0 em favor de H1. a Região Crítica deste teste.05 ⇔ P ( X −µ σ > c − 600 ) = 0. isto é. grandes valores de X são improváveis. se o valor amostral fôr superior a 654. considerar que o processo científico não produz efeitos. isto é.83(3). RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. sendo P(Rejeitar Ho / Ho) = α = 5%. Estatística Aplicada 92 . isto é.2 mm. Logo.Manual de Exercícios Em princípio. vem que P ( X > c / µ = 600) = 0. pelo que a decisão é conservar H0 .83(3) X µ = 600 Os dados recolhidos indicavam X =610.83(3) Isto é. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654.83(3) 3 A regra de decisão é. por falta de provas suficientes para não o fazer. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande. Se tal não acontecer.05 ⇔ 100 9 n ⇔ c = 600 + 1. então.

sendo o teste ideal o que minimiza simultaneamente ambos os valores. Isto é. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654. de se cometer um erro de 2ª espécie. infelizmente. e como α e β se referem a realidades opostas e variam em sentido contrário. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. Existem também erros de 2ª espécie. então vem que: X ∩ N (650.83(3) − 650 ) = P ( N (0. Estatística Aplicada 93 . mas que. No entanto. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. Supondo então que H1 é verdadeira (µ=650 mm). os erros incorridos não se ficam apenas pelos de 1ª espécie.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses. isto é. tal não é possível. ou seja. No entanto.83(3) / µ = 650) = P ( X −µ σ ≤ n 654. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas. é possível alternativamente partir do princípio que é H1 que é verdadeira.1) ≤ 0. 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.Manual de Exercícios No entanto.14) = 55.

Logo. maior a sua qualidade (diz-se que o teste é mais potente) . < ou ≠ ). não implica erro. maior será o valor da potência do teste e. a potência do teste é variável. Esta é uma decisão certa. dependendo do valor do parâmetro que não é fixo. quanto menor o erro de 2ª espécie. em função da hipótese H1 Passo Nº 4: Fixar o nível de significância Passo Nº 5: Construir a Região Crítica em função do nível de significância Passo Nº 6: Cálculo (eventual) da potência do teste Passo Nº 7: Calcular a estatística da amostra Passo No 8: Tomar a decisão: rejeição ou não de Ho Estatística Aplicada 94 .Manual de Exercícios Região de rejeição e de aceitação da hipótese nula Unilateral à esquerda H1: µ < 600 RA Bilateral H1: µ ≠ 600 RA Unilateral à direita H1: µ > 600 RA RR α RR α/2 1−α RR α/2 1−α RR 1−α α Chama-se potência de um teste à probabilidade de rejeitar H0 quando esta é falsa. Quando H1 é uma hipótese composta (>. 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. logo. e é complementar do erro de 2ª espécie.

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. RC = ]− ∞.02 0.99 0.0.01 = 0. Logo.9945 3 Logo. determinar a região de rejeição e aceitação.05 ⇔ P ( X −µ σ < n 0.97 1.01 0. vem que P ( X < c / µ = 1) = 0. Suponha que X ∩ N ( µ .645 x c −1 ) = 0.98 1.0. sendo P(Rejeitar Ho / Ho) = α = 5%. 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%.012 ) e que se conhece a seguinte amostra: 1.9945] ⇔ c = 1 − 1.02 0. Seja X a variável que representa o peso de um pacote de arroz.01 9 Estatística Aplicada 95 .05 ⇔ 0.00 Será que.97 1.98 0.

9922 0.9933 A única mudança será no Valor Crítico. ou seja.9933 Como o valor da amostra foi 0. Faz-se um inquérito a 200 pessoas. No entanto. pretende-se saber se metade da população é favorável à construção de um centro comercial. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0.9933 e é menor que o valor crítico 0. Exercício 2 Numa cidade.9945 para 0. Reduzindo a probabilidade de isso ocorrer de 5% para 1%. aceitaremos Ho.5 Estatística Aplicada 96 . que de 0. consideraremos que não há qualquer anomalia na produção. rejeita-se Ho Ou seja.9922.9945 +∞ Valor da amostra: 0. e 45% declaram-se favoráveis. Neste caso.5 H1: p < 0. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade.9945. 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.

RC = ]− ∞.05 ⇔ ⇔ c = 0.45 0. onde o cuidado deve ser trabalhar com grandes amostras. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial.442] Passo 7 Como o valor amostral 0. determinar a região de rejeição e aceitação.45 0. vem que ˆ P ( p < c / p = 0.45 é maior que o valor crítico 0.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.5) = 0.5) 200 ) = 0.645 x Passo 6 ˆ p =0.0.442.5(1 − 0. Passo 3 A região crítica é formada por todos os valores menores ou iguais a c Passo 4 Assumir um nível de significância de 5% Passo 5 Para α=5%.5(1 − 0.442 Ou seja.442 200 Logo. Estatística Aplicada 97 .5) = 0.5 − 1.5 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. Logo. essa margem não é suficiente para decidir deixar de o construir.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0. sendo P(Rejeitar Ho / Ho) = α = 5%.

produzidos por uma fábrica.998 Kg. 0. 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. Pode-se afirmar.326 ⇔ c = 0. com peso médio de 0. Ao fim de três meses.01.012) n = 49 x = 0.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores.997. não pertence à região crítica.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. com desvio padrão 0. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo.01 ⇔ P ( X −µ c −1 c −1 ) = 0. registando-se 45 fumadores.997 0.998 > c = 0. qual seria a dimensão da amostra a partir da qual aquela percentagem permitiria afirmar que a cmapnha atingiu o fim em vista? Estatística Aplicada 98 . é lançada uma intensa campanha anti-tabaco. a) Com 1% de significância. Da produção de determinado dia é retirada uma amostra de 49 pacotes.01 ⇔ = −2. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos. 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. a um nível de significância de 1%.01 σ ≤ n 49 49 Como x = 0.

não pertence à região crítica. b) P( X ≤ 0.45 − 0.5 100 = −2. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).Manual de Exercícios Resolução a) n = 100 ˆ p = 0. a 5% de significância.326 ⇔ c = 0.5) = 0.45 > c = 0.45 / p = 0.5 n n ⇔ 0. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.5 = −2.45 α = 1% H0: p = 0. com desvio-padrão de 20 horas.01 ⇔ p(1 − p) 0.01 ⇔ P( ˆ p− p 0.5 ≤ ) = 0.326 ⇔ n = 541 0.5 * 0.384 ˆ Como p = 0.5 0.5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.5 (a campanha não surtiu efeito) H1: p < 0.45 − 0.5) = 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas.384.5 * 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.5 0.5 * 0.5 100 ) = 0.01 ⇔ c − 0. poder-se-á concluir.5 * 0.

que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado. não pertence à região crítica.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0. Foram registadas 5 medidas de temperatura de fornos regulados para 600º.05 ⇔ = −1. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas). poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. 202) n = 18 1 18 x = xi = 237. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados. em dada secção.Manual de Exercícios Resolução X segue N(µ. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância.25 20 20 σ ≤ n 18 18 Como x = 237. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador.360) n=5 Estatística Aplicada 100 .645 ⇔ c = 232. Exercício 6 Uma empresa de cerâmica tem.05 > c = 232.25. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.

96 18.25) n = 100 x = 158.Manual de Exercícios x = 1 5 xi = 602 α = 5% H0: µ = 600 H1: µ > 600 P(Rejeitar Ho/Ho verdadeira) = α = 5% P( X ≥ c / µ = 600) = 0. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado). a um nível de significância de 1%. se a afirmação do fabricante pode ser considerada verdadeira. Foi recolhida uma amostra de 100 ovos. 437 g. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90.645 ⇔ c = 613.97 5 n Como x = 602 < c = 613. ou se. o verdadeiro peso dos ovos será menor. não pertence à região crítica. pelo contrário.95 ⇔ c − 600 = 1.96. 90. cujo peso médio foi de 158. Teste.25. a) O fabricante diz que o peso médio é de 160 g.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 .

b) P ( X ≤ 158.79.6 H1: p < 0. pertence à região crítica.437 > c = 157.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.6 ˆ p = 0.6 * 0.79 9. Adoptando um nível de significância de 1%. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama).55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0. de 60% de leitores que regularmente compram um jornal desse tipo.6 * 0.5535. por hábito.25 100 ) = 0.4 600 = −2. Resolução n = 600 H0: p = 0. pronuncie-se quanto à projecção que o semanário reclama. até então nunca atingida por qualquer semanário.01 ⇔ c −1 = −2.326 ⇔ c = 157.6 0.5 n 100 Como x = 158.326 ⇔ c = 0. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira).645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido.25 100 ) = α ⇔ F (−1. 55% declararam adquirir.437 − 160 90. o semanário em causa.Manual de Exercícios P ( X ≤ c / µ = 160) = 0. não pertence à região crítica. numa região.6 0.01 ⇔ c − 0.6) = 0.55 < c = 0.01 ⇔ P ( X −µ σ ≤ c − 160 90. Efectuando um inquérito junto de 600 leitores.5535 ˆ Como p = 0.4 600 ) = 0. a percentagem. Estatística Aplicada 102 .437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158.

5040 = 49.Manual de Exercícios Exercício 9 Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência à compressão com valor esperado de 5. a um nível de significância de 5%.061 − 4.18 kg/cm2 e variância 0.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.05 ⇔ P ( X −µ c − 5.9 0. 0. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.9) = P ( X −µ σ > 5. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.0625 (kg/cm2)2.95 α = 5% H0: µ = 5. tendo-se obtido para a resistência média à compressão o valor de 4.6% n Estatística Aplicada 103 .18 c − 5.061 / µ = 4.645 ⇔ c = 5.0625) n = 12 x = 4.061 0.18 H1: µ < 5.18 = −1.061. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual). que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.05 ⇔ n 12 Como x = 5.18 > c = 5.0625 12 ) = 0.01) = 1 − 0.95 kg/cm2. a) Poder-se-á afirmar.18) = 0. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.25 σ ≤ 0.90 kg/cm ? Resolução a) X segue N(µ. não pertence à região crítica.0625 12 ) = 1 − F (0.

Manual de Exercícios

Exercício 10

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

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

ˆ p = 0,6

α = 10%

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

ˆ p− p
p (1 − p ) n

c − 0,5

0,5 * 0,5 400

) = 0,9 ⇔

c − 0,5

0,5 * 0,5 400

= 1,282 ⇔ c = 0,53205

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

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

Estatística Aplicada

104

Manual de Exercícios

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

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

3.6.2 Fiabilidade de um sistema

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

Estatística Aplicada

105

Manual de Exercícios

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

(i) Associação em paralelo

Consideremos vários componentes redundantes e independentes:

1

2

3

4

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

∏q
i

i

Estatística Aplicada

106

Assim. a funcionar). a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. Estatística Aplicada 107 . por exemplo. se todos os componentes tivessem fiabilidade 0. Se as componentes forem todas iguais. então a fiabilidade de um sistema deste tipo seria 94.9). isto é.Manual de Exercícios Veja-se que.9 (p=0.77%. com probabilidade de funcionamento p e de indisponibilidade q. a fiabilidade do sistema é dada pelo quadro seguinte: Nº mínimo de componentes necessárias ao funcionamento do sistema 4 3 2 1 Probabilidade de o sistema funcionar p4 p4 + 4p3q 4 p + 4p3q + 6p2q2 p4 + 4p3q + 6p2q2 + 4pq3 Ou seja. é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva. no mínimo. 3 ou 4 componentes. a probabilidade associada a cada um dos estados possíveis (1. a fiabilidade do sistema aumenta à medida que aumenta o número de componentes ligadas ao sistema (que representam como garantias de funcionamento adicionais). as condições de funcionamento e de avaria para o sistema têm de ser definidos. no caso de sistemas redundantes. vai considerar-se de novo um sistema composto por quatro componentes em paralelo. (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante. 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. 2. para um nº mínimo de 3 componentes necessárias. Para o efeito.

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

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).

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

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

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

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

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

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

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. 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. no entanto.f. considerando o nível de significância adoptado e os graus de liberdade GL ou d. Na prática. dividindo-se o produto pela dimensão total da amostra: eij = n i . (obtidos por (número de linhas-1)*(número de colunas-1)). quando as discrepâncias são grandes. consequentemente. enquanto que as frequências esperadas são calculadas a partir destas. quando há fortes discrepâncias entre o que de facto foi observado e o que seria de esperar sob a hipótese de independência. As hipóteses nula e alternativa são então as seguintes: Ho: As variáveis são independentes H1: As variáveis não são independentes As frequências observadas são obtidas directamente dos dados da amostra. sob o pressuposto de que Ho é verdadeira. Quando as frequências observadas são muito próximas das esperadas. Ou seja. * n. Estatística Aplicada 116 . a variável de decisão assume um valor elevado e há motivos ou significância estatística para rejeitar Ho. admitindo a hipótese de independência. isto é. o valor do numerador passa a ser grande e. a frequência esperada é calculada pela multiplicação do total da coluna respectiva pelo total da linha a que pertence. que deverá ser calculada para cada célula da tabela. No teste qui-quadrado compara-se o valor calculado com o valor crítico fornecido em uma tabela. o valor do numerador é pequeno.

pois cada aluno entrevistado foi classificado sob uma determinada categoria.) = 4: Para o nível de significância de 5%. Neste caso.f. entre os 120 alunos incluídos no estudo há um número igual (60) que afirma usar e não usar drogas. No entanto. a distribuição entre os vários cursos não ocorre de forma homogénea. obtém-se da tabela de valores críticos da (ver página seguinte): Rejeita-se a hipótese nula se tabela. pode usar-se o teste do quiquadrado com duas hipóteses de trabalho: Ho: Não há associação entre tipo de curso e dependência de drogas H1: Há associação entre tipo de curso e dependência de droga Estatística Aplicada 117 . Medicina Usa drogas Não usa drogas Total 10 15 25 Farmácia 20 15 35 Biologia 30 30 60 Total 60 60 120 Os dados são do tipo qualitativo. for maior que o valor crítico fornecido na Resolução: Como pode ser observado.Manual de Exercícios Tome-se o caso de GL (d.

Vem que o obsv.7) com o valor do crítico. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1.5 35 Biologia 30 30. * n. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni. no grupo estudado. não há associação entre as variáveis.5 120 2. Calcular as frequências esperadas eij = Por exemplo. 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. compara-se o valor do observado obtido (1. a proporção de alunos que usam ou não drogas não varia entre os cursos.5 25 Farmácia 20 17.0 60 120 Total 60 60 3. Por último. que é 5. Em média.05). As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. Para o cálculo do recomendam-se os seguintes passos: n i . considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa).Manual de Exercícios Se o obtido fôr maior ou igual ao crítico.0 30 30.5 15 17.7 é menor do que o valor obtido a partir da tabela. Assim sendo.=1. Ho deverá ser rejeitada.7 4. j n = 25 * 60 = 12. concluindo-se que.991 (cruzamento da linha 2 com a coluna 0. j n 1. a hipótese Ho não pode ser rejeitada. * n. Estatística Aplicada 118 . se as duas variáveis fossem independentes.5 15 12.

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

819 34.892 53.251 7.307 20.801 37.338 25.278 50.252 120 .659 23.342 15.812 22.378 6.314 10.338 27.217 28.591 12.735 2.346 12.247 3.741 40.725 26.557 45.697 6.337 29.989 1.466 9.275 19.240 20.473 24.599 29.651 18.908 7.565 4.010 0.051 0.455 1.415 39.047 19.932 41.064 1.483 23.362 15.666 23.547 14.075 4.796 10.156 2.348 11.718 40.026 23.827 9.939 27.336 40.211 0.013 18.024 7.072 0.955 26.791 20.074 3.340 18.434 8.304 11.645 12.706 4.336 36.337 44.023 21.338 24.196 36.364 42.277 14.041 21.646 44.142 5.610 2.987 18.490 4.832 15.124 8.841 5.848 22.994 56.296 28.412 31.865 0.041 12.592 14.064 23.860 18.191 33.457 6.787 16.337 33.808 14.845 32.507 17.336 37.520 13.001 0.114 26.796 48.340 19.989 28.996 27.337 30.292 25.195 46.204 2.773 46.168 4.5 0.979 50.017 14.188 29.337 32.307 24.991 7.475 20.548 22.844 7.461 48.179 25 10.815 9.638 44.01 0.001 0.366 3.635 7.144 32.684 16.266 9.549 21.344 1.016 0.264 6.067 16.319 36.404 5.9 0.401 46.831 1.535 20.757 31.180 2.000 0.963 49.336 39.262 6.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.362 24.645 55.885 41.924 36.335 58.542 26.588 52.1 0.339 22.597 13.344 13.768 28.791 8.339 21.790 13.601 5.034 8.314 46.348 10.564 10.865 17.156 42.343 14.113 43.982 14.141 31.181 49.916 41.584 1.290 54.909 7.051 27 11.688 29.769 27.736 27.578 10.980 45.025 0.191 38.923 45.204 30.143 13.643 9.300 32.750 20.615 32.526 34.345 12.007 35.919 19.449 16.907 11.119 29.844 17.260 9.629 6.289 42.207 0.702 Estatística Aplicada ¢¦¢¢¢G¦¢ ¢¦¤D¦¢¢'¦A ¦¢98¦¥ 35 ¥ 34 ¦2 1¢¢ ¢'¢%$" ¢  ¢¢¢©¢¢¦¤¥¢¢  ( H P I H  F # E ( § § C B 4 6 @ 2 7 6 2 0 0 0 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.267 39.619 26 11.816 4.000 34.265 6.337 34.170 37.475 28 12.671 35.231 10.515 5.603 3.237 1.886 0.812 18.833 3.975 0.336 35.351 2.838 16.479 38.283 13.675 21.256 43.124 8.337 28.409 35.676 0.582 43.573 18.527 7.589 27.412 0.587 30.484 0.357 4.312 15.642 48.005 0.216 0.819 9.605 6.852 36.443 19.312 8.813 33.566 39.815 5.268 11.172 38.160 13.076 41.488 30.728 12.087 42.086 16.382 37.301 30 13.Manual de Exercícios 0.578 32.781 40.920 24.401 15.120 16.05 0.877 9.236 11.869 31.337 26.341 17.879 10.779 3.410 34.085 16.386 2.689 14.009 5.338 23.652 40.488 11.698 9.690 2.588 5.805 37.563 38.892 29 13.308 18.070 12.672 59.321 7.558 51.461 15.210 10.278 24.928 52.121 16.700 3.722 49.997 45.209 25.685 26.090 21.

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

606531*0.990944*0. com um MTBF de 17 500 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 4.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0. a) Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? b) Admitindo que a máquina se encontrava em funcionamento no instante t=4 horas.5 horas.778801 = 46.171429 = 84.1 = 90. Calcule a fiabilidade do equipamento.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial.904837)2 = 99.8% Exercício 3 Foram ensaiadas durante 3 000 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 . P(sistema estar em funcionamento após 5 000 horas) = = 0. sem que se verificasse qualquer avaria.0944% Logo. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.

4% 4. Resolução a) Rs = e − 3625 12000 = e −0.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.6] horas.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. como Y segue Po(1/4.302 = 73.6] horas P(Y=2) = e − − 6 4.0488 = 95. b) Quantas lâmpadas. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.5) = 26.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.0. no período de vida útil.5) 2 = 23.5 x(6 / 4.12% b) Rs = e − 2000 12000 = e −0.846x1000 lâmpadas = 846 Estatística Aplicada 123 .5 = 26.6% Logo. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4. de um conjunto de 1 000. estarão provavelmente em funcionamento após 2 000 horas de utilização. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.5 e dx = e 4.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .9% Em 10.73910 = 1 – 0.5).5 c) Y: nº de avarias no intervalo [0.1667 = 84.P(falhar nenhuma) = 1 . 1 . 0.5)t = e-(6/4. num conjunto de 10.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.5) MTBF = 4.5 6 0 − 1 − 4.

funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.p=0.15.5% P(2 sem avarias) = 0.25=9. respectivamente.75+0.25 Estatística Aplicada 124 .7. se um dos elementos avariar o sistema funciona com probabilidade 0. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia.2 e 0. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.63% b) Bi(n=5. No caso de nenhum elemento avariar o sistema funciona normalmente.954*0.05) Valor médio=5*0. Resolução a) P(sist.955)* 1 + (5*0.15*0.7738 + 0.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos. se mais de um elemento avariar o sistema não funciona.8*0.25 e que as avarias são independentes.51=60.5% P(3 sem avarias) = 0.15*0.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.85*0.85*0.095+0.1425 = 91.05=0. colocados estrategicamente a fim de satisfazer adequadamente os utentes.8*0. Qual a probabilidade de pelo menos dois destes telefones estarem sem avarias? Resolução P(pelo menos dois destes telefones estarem sem avarias ) = P(2 ou 3 estarem sem avarias) = 0.2*0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais. T2 e T3 se encontrarem avariados são.2*0. indicando o valor médio de tal distribuição. sendo 0. T1.7 = 0.25+0. 0.05)*0. 0.

8775 LSC = µ + = 50.8775 LSC: 50.1225 n=16 σ=0. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de. estando a norma a ser cumprida.530. 50. se produzir um artigo defeituoso.25) 2 ) a) LIC = µ − cσ n cσ n = 49. Resolução X: resistência de um componente em Ω X ∩ N ( µ .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 .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. (0. 470] Nestas condições.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.

P(-1.P( 1 .P( 49.25 0.9399 = 6.53 − 50 50.96) = Na tabela da Normal.25 0. vem D(1.8775 ≤ X ≤ 50.96 ≤ X ≤ 1.1225 − 50 ≤X ≤ )= 0.9399 donde 1 – 0.88) = Na tabela da Normal.25 16 16 1 – P(49.88) = 0.95 = 5% c) P(produzir um artigo defeituoso.53 ≤ X ≤ 50. a dimensão das amostras a extrair é de 16 Afirmam os clientes que a probabilidade de parar indevidamente o processo produtivo é superior àquela que decorre das normas.96) = 0.47 − 50 ≤X ≤ )= 0.P(49. a amplitude do intervalo de controle para a média deve ser de 1.96. sendo a norma respeitada) = 49.95 donde 1 – 0.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .47 sendo µ=50) = 1 .88 ≤ X ≤ 1.P(-1.01% Exercício 2 A empresa “TRADECHO. vem D(1. SA” mantém um diferendo com os seus principais clientes. 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.1225 sendo µ=50) = 1 .8775 − 50 50. a norma para a variância é de 4 e está a ser cumprida.25 16 16 1. Estatística Aplicada 126 .

00 20. vem D(1.P(20-1. Estatística Aplicada 127 .98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.98 ≤X ≤ )= 2 2 16 16 1.P( − 0.30 20.3 • • • • •20.P(-1.90 • • • • • 20 • • • •20.5 • • • • 19.95 = 5% b) e c) Média Amostral (cm) 20.90 20.96) = Na tabela da Normal. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).96) = 0. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.96 ≤ X ≤ 1.96/2 ≤ X ≤ 20+1.98 0.05 19.Manual de Exercícios a) Determine a probabilidade referida.96/2 sendo µ=20) = 1 .15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ .95 donde 1 – 0.15 • • • • • 19.

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). Resolução X: duração das lâmpadas em horas X ∩ N ( µ .55 ≤ X ≤ 1016.P(983.P(-1. Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.55 cσ = 1016. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada. a partir de uma amostra de dimensão 100: [983.55.45 − 1000 ≤X ≤ )= 100 100 100 100 1.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.645) = Estatística Aplicada 128 .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 . a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.45 sendo µ=1000) = 1 .P( 983.645 ≤ X ≤ 1. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.55 − 1000 1016. 1016.

a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas. procede à verificação da produção de energia Estatística Aplicada 129 .8 logo µ = 10.9 donde 1 – 0. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ . Para tal.96 2 cσ n ≤ 1. b) Calcule a norma.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.8 milhares de horas a amplitude do intervalo não deve exceder 1.96 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.96 * 4 n ≤ 1.Manual de Exercícios Na tabela da Normal. ( 4) 2 ) cσ n a) LSC = µ + = 10. Assim.82 Exercício 5 O director de produção da empresa DISLIX.645) = 0. definiu com o director de produção os aspectos considerados relevantes no controle da duração média das componentes: - o limite superior de qualidade (LSC) deve ser de 10.96 * 4 64 b) LSC = µ + = 10.96 ⇔ n ≥ 64 1.8 - = 9.8 D(c)= 5% logo c= 1. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.96 logo 2 cσ n 1. vem D(1.

04 = 11.96 LSC = µ + = 10 + 1. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.92 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. ( 4) 2 ) a) D(c)= 5% logo c= 1.96 * 4 n ≤ 3.96 * 4 16 16 = 8. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.92 logo 2 1.96 * 4 Estatística Aplicada 130 .04 LIC = µ − cσ n cσ n • • • = 10 − 1. b) Represente a carta de controle para a média.96 2 cσ n ≤ 3.Manual de Exercícios eléctrica (em kws/hora) tendo e vista a construção de um intervalo de controle para a produção média de energia de um gerador que cumpra os seguintes objectivos: - Norma de produção para a média: 10 A amplitude do intervalo não deve exceder 3.

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

para os quais se convencionou a adopção de um nível de significância de 5%.05).991 (cruzamento da linha 2 com a coluna 0. no grupo estudado. Estatística Aplicada 132 .141 é maior do que o valor obtido a partir da tabela. a hipótese Ho será rejeitada.6 1126 Preço Baixo 212 189. α=0.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. 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.=31.Manual de Exercícios de segmentar o mercado. procedeu-se à aplicação de eij = n i . dos quais 20 não tinham prestado qualquer prova durante o ano. Para o cálculo das frequências esperadas. considerado razoável face aos valores normalmente utilizados. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação.8 164 186.991 observado = 31.8 285 233.05)=5. j n . Em média.141 Vem que o obsv.2 376 Refrigerante 186 237. que é 5. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568. O número de aprovações foi de 33. Assim sendo. concluindo-se que. há associação entre as variáveis. * n.4 528 557.

construiu-se a seguinte tabela de contingência. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol. com base nestes elementos. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”. para um nível de significância de 5%. a hipótese Ho não será rejeitada (há independência). se. Resolução Aprovações Comparecem Sim Não Total Aprovado 30 3 33 Reprovado 55 17 72 Total 85 20 105 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. α=0. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 .Manual de Exercícios Diga.05)=3.122 é menor do que o valor obtido a partir da tabela.122 Vem que o obsv. se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame.84 observado = 3.= 3. Logo.

.2876 > 9. teste = Vem que o obsv. Exercício 4 Pretendendo-se analisar o comportamento do volume de divisas ao longo do ano. a hipótese Ho será rejeitada. compreendendo os meses de vinda de emigrantes (Verão e Natal) e Época Normal (restantes meses). observou-se o nível de Disponibilidades Líquidas sobre o Exterior (DLX) para cada mês. concluindo-se que há associação entre as variáveis. Assim.21 observado = 2. est. Assim sendo. o ano foi dividido em duas épocas: Época de Ponta.= 2.2876 é maior do que o valor obtido a partir da tabela. deu-se particular atenção à influência exercida pelas remessas de emigrantes. tendo-se obtido: Volume DLX Baixo/Médio 150 20 Elevado 50 80 Época Normal Ponta A um nível de significância de 5%.Manual de Exercícios Valores esperados: Formação Gerente Vol. α=0.. + = 2. que pode concluir? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 134 .2876 (44 − 48) 2 (55 − 53) 2 + .01)=9. Negócios Baixo Médio Elevado crítico (GL=2.21 48 53 Média 48 49 53 Superior 48 49 53 Valor obsv. Assim.

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) 2 (80 − 43.069 é maior do que o valor obtido a partir da tabela.33 obsv.5 112. Assim sendo.069 Valor obsv.= 85.. teste = Vem que o (150 − 113.991 observado = 85.05)=5. procedeu-se à recolha periódica de elementos sobre essas variáveis.5 130. concluindo-se que há associação entre as variáveis.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.069 > 3. + = 85.5 87 Média 115 207 138 Elevada 62.33 43. α=0..84 113. construindo-se a seguinte tabela de contingência: Taxa juro Proc.5 75 Estatística Aplicada 135 . a hipótese Ho será rejeitada. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro.66 43.33 6. est.66 Elevado 86. Moeda 0-10 10-45 45-70 Reduzida 72.33 crítico (GL=1.33) 2 + .

= 1183. Assim sendo. Assim sendo.= 30 é maior do que o valor obtido a partir da tabela.Manual de Exercícios crítico (GL=4.7 é maior do que o valor obtido a partir da tabela.05)=9. Os resultados de uma amostra de 140 estudantes foram os seguintes: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 30 10 B 30 20 C 10 40 Utilizando um nível de significância de 5%. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 20 20 B 25 25 C 25 25 crítico (GL=2. Exercício 6 Um investigador seleccionou três amostras de estudantes. B e C. concluindo-se que há associação entre as variáveis. a hipótese Ho será rejeitada. α=0. Estatística Aplicada 136 . A. α=0.05)=3. a hipótese Ho será rejeitada.7 Vem que o obsv. concluindo-se que há associação entre as variáveis.84 observado = 30 Vem que o obsv. que fazem parte de um determinado projecto de estudo e aplicou-lhes uma escala de atitudes com o objectivo de conhecer as suas opiniões em relação ao projecto.49 observado = 1183.

Sign up to vote on this title
UsefulNot useful