104

Introdução ao e-learning

Manual de Exercícios

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

Estatística Aplicada

2

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

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

As variáveis discretas assumem apenas um número finito numerável de valores. cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). etc 1. As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. 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. Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade. Exemplo: Empresas existentes em Portugal 1. As variáveis podem ser de natureza qualitativa ou quantitativa. Está ligada essencialmente ao cálculo de medidas e coeficientes.1. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo). Processo de amostragem Para conhecer de forma completa a população.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada.1. número de trabalhadores (atributo quantitativo discreto). Definições Gerais 1. Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos. 1. rácio de autonomia financeira (atributo quantitativo contínuo). podem efectuar-se: Estatística Aplicada 5 .2.1.1.3. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores.

isto é. depois de recolhida a amostra de acordo com técnicas que garantem a sua representatividade e aleatoriedade. a amostra não é mais do que um passo intermédio e exequível de obter informações sobre o verdadeiro objecto de estudo. este processo é. a estatística compreende dois grandes ramos: a estatística descritiva e a estatística indutiva. é preciso tratar os dados. - estudos por amostragem (observação de apenas um subconjunto. 1.2. simetria dos dados. que é o universo. dispersão. tornase necessário classificar os dados. As técnicas de recolha de amostras garantem a sua representatividade e aleatoriedade. recorrendo a tabelas de frequências e a representações gráficas. Assim. no entanto. fica disponível um conjunto de dados sobre o universo “em bruto” ou não classificados. São disso exemplo indicadores numéricos bem conhecidos como a média ou a variância. até que ponto é possível afirmar algo semelhante para o universo? É nesta fase que se procuram validar as hipóteses formuladas numa fase prévia exploratória. De facto. A Estatística Descritiva e a Estatística Indutiva Para além do ramo de amostragem. Para que seja possível retirar qualquer tipo de conclusões. sendo esses os motivos porque os Censos são realizados apenas em cada 10 anos. A estatística descritiva é o ramo da estatística que se encarrega do tratamento e análise de dados amostrais. A estatística indutiva (ou inferência estatística) garante a ligação entre amostra e universo: se algo se concluiu acerca da amostra. Claro que o processo de Estatística Aplicada 6 . será possível proceder à análise dos dados através de várias medidas que descrevem o seu comportamento: localização. etc. Depois de tratados.Manual de Exercícios - recenseamentos (indagação completa de todos os elementos da população). tipicamente moroso e dispendioso. tido como representativo do universo). A estatística indutiva é o ramo da estatística que se ocupa em inferir das conclusões retiradas sobre a amostra para a população. concentração.

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

Variáveis Qualitativas Os dados qualitativos são organizados na forma de uma tabela de frequências. O ramo da estatística que se ocupa do tratamento. Numa tabela de frequências. apresentação e análise de dados amostrais denomina-se de estatística descritiva. também se apresentam as frequências relativas (fi). além das frequências absolutas. ni: nº de vezes que cada modalidade da variável foi observada. 2.1. n Total Frequências absolutas n1 nj nn n: dimensão da amostra Frequências relativas f1 fj fn 1 fi = ni . que representa o número ni de elementos de cada uma das categorias ou classes e que é chamado de frequência absoluta. j Mod. n Estatística Aplicada 8 . obtida dividindo a frequência absoluta pelo número total de observações. Modalidades Mod.Manual de Exercícios 2. 1 Mod. A soma de todas as frequências é igual à dimensão da amostra (n). ESTATÍSTICA DESCRITIVA Os resultados da observação de um atributo sobre os elementos do conjunto a analisar constituem os dados estatísticos.

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

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

. classe modal. agrupados numa tabela de frequências) Variáveis contínuas x = 1 n n i =1 n i =1 ni ci = f i ci Média ponderada dos pontos médios das classes Estatística Aplicada 11 .). Média ( X ) É a medida de localização mais usada.4. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda. Medidas de localização 2. .. 2. Também é possível calcular as frequências (absolutas – Ni . sobretudo pela sua facilidade de cálculo. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é. É preferível representar o histograma com fi/hi do que com ni/hi uma vez que deste modo é possível comparar distribuições com diferente número de observações amostrais.Fi) acumuladas. Como as classes podem ter amplitudes diferentes. 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) 2.4.1.Manual de Exercícios 1. 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.e relativas .

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

1. 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. De uma forma geral: Me = L inf + 0.75. é o valor mais frequente da distribuição.5. 0. 0.. chama-se ao quantil percentil Se p=0.4.. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. chama-se ao quantil QUARTIL (Q1.99..5 através de uma regra de três simples. 0..0. 2. Se p=0. isto é. classe mediana FL sup − FL inf 2. 0.2. Q2 e Q3). Estatística Aplicada 13 .5.9..5 − FL inf xamp. Medidas de ordem Tal como se definiu para a mediana. então a mediana é o primeiro valor para o qual Fi > 0. Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p.01.5.3. isto é. Variáveis contínuas Em geral. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe. é a classe a que corresponde maior frequência por unidade de amplitude.25. determina-se o valor para o qual Fi = 0.0. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0.02..5.. chama-se ao quantil decil Se p=0..

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

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

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

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

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

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

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

as variáveis variam em sentidos opostos: um aumento (diminuição de x) provoca uma diminuição (aumento) de y. em vez do coeficiente de correlação linear. variem num certo sentido por razões exteriores. Correlação ordinal Por vezes. isto é. mas menos que proporcional. chama-se correlação espúria. Se r = 0. então pode dizer-se que existe uma correlação positiva ou negativa perfeita. 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. Caso contrário. isto é. interessa mais conhecer a ordenação dos valores do que os valores observados propriamente ditos. d i = Ri − Ri x y Ordens (“ranks”) das observações de X e de Y. Neste caso. respectivamente. A esta correlação ilusória.Manual de Exercícios Se r < 0. Nos extremos. poderá acontecer que variáveis sem relação de causalidade entre si. então pode dizer-se que existe uma correlação negativa entre as variáveis. calcula-se o coeficiente de correlação ordinal: n rs = 1 − 6 i =1 di 2 2 n(n − 1) . Isto é. isto é. respectivamente Estatística Aplicada 21 . as variáveis vêm expressas numa escala ordinal. entre as variáveis. se r = 1 ou se r = -1. deve-se procurar justificação teórica para a existência ou inexistência de correlação. então pode dizer-se que as variáveis não estão correlacionadas linearmente. a correlação é máxima.

Faça a sua representação gráfica.12 0. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz.m.14 0. 25[ [25. e) Analise a (as)simetria da distribuição em causa. 15[ [15.08 0.): Resultado Líquido [0.04 0.18 0. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 .2 0. 5[ [5.06 0. b) Determine a média e a moda da distribuição. 3[ [3. Determine a mediana da distribuição.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. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente. Resolução a) fi/hi 0.1 0. 1[ [1.16 0. d) Determine os quartis da distribuição. 50[ Total Frequência.

5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0. 1[ [1. e 5000 u.175 0.4 0. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.35 5 : Fi = 0. + (37. correspondente à classe [3. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.5 2 4 10 20 37. o resultado líquido de uma empresa é de 7325 unidades monetárias. 15[ [15. isto é. 5[.1 0.6 0.125 0. 25[ [25. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0. 3[ [3.5 x5%) = 7.002 Fi 10% 35% 70% 85% 95% 100% ci 0. o maior valor de fi / hi é 0.Manual de Exercícios [0.01 0.015 0.175. 5[ 3 : Fi=0.m.325 Em média.7 Estatística Aplicada 23 .m.5): [3. 5[ [5. Neste caso.8 0..5 x10%) + (2 x 25%) + ..

1 -------------.857) − (3.25 – 0.333 − 3.5 .1 3 : Fi = 0.0.Me – 3 Me = 3 + ((2x0.857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.m.25) = 2.Q3 – 5 Q3 = 5 + ((10x0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8. Estatística Aplicada 24 .35) = 3.4596 > 0 Q3 − Q1 8.35 -------------.85 Cálculo do Q3: 0.15)/0.m.05)/0.7 -----------.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u.2 A distribuição é assimétrica positiva ou enviesada à esquerda. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.85 .5 – 0.15) = 8.75): [5.7 -------------.333 − 2.25): [1.1 0.75 – 0.857 − 2.2) = = 0.Q1 – 1 Q1 = 1 + ((2x0.7 . 3[ 1 : Fi=0.3 0.15)/0.m.0.35 .7 15 : Fi = 0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.Manual de Exercícios Cálculo da mediana: 0.5 0.1 -----------.15 .3 .35 Cálculo do Q1: 0.0.35 -----------. 15[ 5 : Fi=0.

35 + 0. Estatística Aplicada 25 .Totais G= (0. Por exemplo. o que sugere um tecido empresarial com muitas PMEs. + (0.35 0.5 2 4 10 20 37. expressas numa determinada unidade monetária.1 0.85 0.8 0.95 − 0.7 0.95 1 qi 0.m.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200. mas isso representava apenas 26.6 0. 70% das empresas apresentavam resultados até 5000 u.47 0.Manual de Exercícios f) X [0...2 0.4 0.007 0.075 0.2 0.85 + 0.6% do total de resultados das empresas da 0.1 + 0.5 corresponde ao centro da escala possível.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.Liq. 0 0 0.744) = 0. 1[ [1.007) + .6 0. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.5 Atributo 100x0. 5[ [5.744 1 50 + 500 + 1400 7325 Res.1 − 0. 15[ [15. entre 0 e 1).4 amostra. Analise a concentração através do Índice de Gini e da Curva de Lorenz..95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0. 3[ [3.266 0.471 0. 25[ [25. referente aos lucros obtidos por empresas de um dado sector industrial. mas em que cada uma tem baixo resultado líquido.7 + 0.

b) Analise a correlação existente entre peso e altura.63(3) 0. 50[ [50.2 0 0 0.02 0. encontrandose os valores razoavelmente repartidos.25 Tanto pela análise da Curva de Lorenz.4 0. Estatística Aplicada 26 . 300[ [300. 200[ [200. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0.243 2.2 0.6 0. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.Manual de Exercícios Resolução Lucros [0.95 1 qi 0.4 0. pelo Método dos Mínimos Quadrados.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0. conclui-se que esta amostra apresenta concentração moderada. uma função linear que exprima as peso em função da altura.8 0.1 0. 100[ [100.16(6) 0. a) Represente o diagrama de dispersão.6 0.546(6) = 0. c) Ajuste.8 0.4 0.883(3) 1 Curva de Lorenz 1 0. como pelo valor do Índice de Gini.

r = 0.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 .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. quase perfeita.90681871. c) 190 Recta de Regressão 180 Altura (cm) y = 0.9016x + 109. isto é. existe uma correlação positiva forte entre as duas variáveis.

429 < CV y = sy y = 11.9016 cm. uma função linear que exprima as vendas em função das despesas em publicidade. Estatística Aplicada 28 .714 A dispersão das despesas em publicidade é superior à dispersão das vendas.0651 CV x = sx 69. pelo Método dos Mínimos Quadrados.) de uma empresa no período de 7 anos: Ano 1 2 3 4 5 6 7 Vendas 10 13 18 19 25 30 35 Desp. espera-se que a altura do indivíduo aumente 0. é necessário calcular os coeficientes de variação (medidas de dispersão relativa): Dados não-classificados x = sx 2 1 n n i =1 n i =1 xi = 21.472.0651 = 0.714 2 1 = n (xi − x ) = 69.Manual de Exercícios A equação desta recta traduz-se em Altura = 109.495 6.9408 1 = n (yi − y ) = 11. b) Analise a correlação existente entre volume e custo de produção.9408 = = 0. Resolução a) Para comparar a dispersão das duas distribuições.36 + 0. se um indivíduo pesar 70 kg.36 + 0.m. c) Ajuste. a altura esperada será de 109. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6. Por cada kg de peso adicional.39 x 21.9016 x Peso Isto é.9016 x 70 = 172.

Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.. + (35 − 21.0651 Existe uma correlação positiva linear forte entre as duas variáveis.4649x + 4. 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 . No quadro abaixo.429)(3 − 6.9408 x 11.98 69. as vendas aumentam (diminuem) de forma quase exactamente proporcional. Public.8782 Vendas 20 10 0 3 8 Desp.714) + .714)] 7 = = 0. Recta de Regressão c) 30 y = 2. quando as despesas em publicidade aumentam (diminuem).Riy 0 1 -1 1 1 0 2 1 -4 -1 29 .. Em média.429)(13 − 6.

igualmente boa nota na prova final. 50[ Nº de famílias 250 375 625 750 375 125 % de famílias 10 15 25 30 15 5 Fi (%) 10 25 50 80 95 1 ci 0.5 30 Estatística Aplicada .5 1. Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. 15[ [15.5 3.) de 2500 famílias da população de um país: Rendimento anual [0. 1[ [1. os alunos que tiveram boa nota na prova inicial tiveram.5 10 20 37. isto é. 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. 2[ [2. 25[ [25.m. c) Determine os três primeiros quartis.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). 25[ [25. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente. 5[ [5. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. 15[ [15. 1[ [1. mas sim das ordenações das classificações (do 1º ao 10º classificado). b) Determine o rendimento médio e mediano. 5[ [5. em média. 2[ [2. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u.

Estatística Aplicada 31 .5): [2.15 .25)/0.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.5.5 x10%) + (1.0.. + (37.5 x5%) = 9.8 .25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u.5 -----------. 5[ 5 : Fi = 0. 2[ 3 : Fi = 0.3) = 13. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0. Classe mediana (classe a que corresponde uma frequência acumulada 0.75 – 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.5 15 : Fi = 0.4 0.m.8 0..25): [1. 15[ 5 : Fi=0.75): [5.5 x15%) + .025 Em média.5 0. Logo.m.5 -------------.6 0. o rendimento anual de uma família é de 9025 unidades monetárias.Manual de Exercícios 1 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. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).8 Cálculo do Q3: 0.Q3 – 5 Q3 = 5 + ((10x0.

286875 = 9.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13.2 8.286875 2 s x = s x = 82.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1. 250[ [250.8 0.5 2187.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda.1 0. 25[ [25. 200[ [200. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82.333 − 5) − (5 − 2) = = 0.2 19.4555 2.5 3.8 15.5 pi (=Fi) 0. 100[ [100.6 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. 2[ [2.47 > 0 Q3 − Q1 13. 15[ [15. 140[ [140.18436 = 0. 120[ [120.25 0. 80[ [80.4 2.5 22562.5 0.5 10 20 37. 5[ [5.0305 0.5 1.5 7.46 0. 1[ [1.00554 0.5 7500 7500 4687.5 Rend. 160[ [160.1274 0.95 1 qi 0. Relativa (%) 7.2 31. total 125 562. 350] Total Frequência. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.6 3.071 e) Rendimento anual [0. 300[ [300.0 100 Estatística Aplicada 32 .1 5.

02)/0. 80[ [80.100 0. 200[ [200. 250[ [250.23 -----------.23 -------------.3 milhares u.25): [100.0 100 Fi (%) 7. Estatística Aplicada 33 . 140[ [140.25 .8 23 54.Q1 .6 3.7 80.8 15.2 8.100 Q1 = 100 + ((20x0.5): [100.m.4 2.2 31. Relativa (%) 7. b) Analise a dispersão da distribuição em causa.2 19.3 50% dos empregados auferem remunerações inferiores a 117. 120[ [120.2 73. 100[ [100.28 milhares u.542 Cálculo do Q1: 0.312) = 101.m.100 Q2 = 100 + ((20x0.23 -------------.23 120 : Fi = 0.0.0.120 .23 3 : Fi = 0.23 -----------. c) Analise a assimetria da distribuição em causa. 350] Total Frequência.100 0.312) = 117.27)/0.0.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.542 .5 7.120 .9 89 94.Manual de Exercícios a) Calcule os quartis da distribuição.Q2 .5 . Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.28 25% dos empregados auferem remunerações inferiores a 101.542 Cálculo do Q2: 0.0. 120[ 100 : Fi=0.1 5.542 . 300[ [300. Resolução a) Remuneração [60. 160[ [160. 120[ 1 : Fi=0.

3 − 101. 306] Total Frequência.33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143. saíram de uma linha de enchimento automático: Peso (em gramas) [297.Q3 . b) Calcule as frequências acumuladas e represente-as graficamente.3) − (117.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.243 > 0 Q3 − Q1 143.75 – 0.61(1) .28 = 42. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda.013)/0. expresso em gramas.61 − 117.737 140 : Fi = 0. b) Amplitude do intervalo inter-quartis = Q3 . 160[ 120 : Fi=0. 302[ [302. Exercício 8 Os dados seguintes referem-se ao peso. 299[ [299.809 Cálculo do Q3: 0.160 .61 − 101. 305[ [305.140 0. Estatística Aplicada 34 . 298[ [298. do conteúdo de uma série de 100 garrafas que.61(1) 75% dos empregados auferem remunerações inferiores a 143. 301[ [301.072) = 143.75): [140.m.737 -----------.140 Q3 = 140 + ((20x0.Q1 = 143. 300[ [300. 304[ [304. 303[ [303.809 .28) = = 0. no decurso de um teste.737 -------------.0.61(1) milhares u.101.

. 300[ [300.15 0.11 O peso médio das garrafas é de 300.6 0.25 0.5 x 21%) + . 301[ [301. 299[ [299. Qual o seu significado? d) Determine os quartis da distribuição. e) Analise a dispersão do peso das garrafas.8 0.2 0 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 Frequência Relativa (%) 8 21 28 15 11 10 5 1 1 100 Fi (%) 8 29 57 72 83 93 98 99 100 c) x = 1 n n i =1 ni c i = n i =1 f i ci = (297.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297. 302[ [302.2 0.4 0.. Estatística Aplicada 35 . 298[ [298.1 0. 305[ [305.5 x8%) + (298.3 0. mediano e modal. + (305. 306] Total F* 1 0.11 kg.Manual de Exercícios c) Determine o peso médio. 304[ [304. 303[ [303.5 x1%) = 300. Resolução a) 0.

21) = 299. A classe modal é aquela a que corresponde maior frequência relativa.75 50% das garrafas têm peso inferior a 299. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.29 Cálculo do Q1: 0.5 .300 .301 0.0357 kg.29 . 300[ 299 : Fi = 0.0.11) = 301.03)/0.28 correspondente à classe [299.Q1 .08 -----------.75 kg.08 299 : Fi = 0. 300[.0357 25% das garrafas têm peso inferior a 299.299 Q1 = 299 + ((1x0.83 . isto é.72 -------------. 299[ 298 : Fi=0.0.29 300 : Fi = 0.5): [299.21)/0.27(27) 75% das garrafas têm peso inferior a 301.75): [301.57 . Neste caso.17)/0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.Q3 .0.302 .Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0.299 0.83 Cálculo do Q3: 0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.0. o maior valor de fi é 0.298 .29 -----------.72 -----------.27(27) kg. 302[ 301 : Fi=0.57 Cálculo do Q2: 0.0.29 -------------.75 – 0.299 Q2 = 299 + ((1x0. Estatística Aplicada 36 .Q2 .25 .08 -----------.299 0.25): [298.72 302 : Fi = 0.301 Q3 = 301 + ((1x0.28) = 299.

45 1. d) Determine os quartis da distribuição e diga qual o seu significado.9 Estatística Aplicada 37 .8[ [1.4.7.75[ [1.05 0.55[ [1.87 0.5[ [1.75.1 fi/hi 0.55[ [1.Q1 = 301.575 1.05 0.02 0.725 1.05 0.25 0.299. f) Analise a (as)simetria da distribuição.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.8 1.525 1.5.05 0.65.3 Fi 0. 1.0357 = 2.6. 1. 1. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1.8. 1.4 1. 1.4.7 1.85 hi 0. 1.03 1 ci 1.7. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente. 1.75.05 0.2 0.5 0.5.5[ [1.4 4 2 0.55.75[ [1.37 0. Resolução a) Altura (em metros) [1.12 0.6[ [1.6[ [1.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.6 3. 1.55.625 1. e) Analise a dispersão da distribuição. 1. 1.7[ [1.27(27) .97 1 6 5 4 3 2 1 0 Histograma 1.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0. 1. 1.1 0. 1.5 1.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .675 1.67 0.1 0.8.65[ [1.775 1.6 1.8[ [1.17 0.6.13 0.65.2 2 5 2.7[ [1. b) Determine a altura média e a altura modal.05 0.65[ [1.1 0.02 0. 1. 1. 1.

12 -----------.7 : Fi=0.55.55 : Fi=0.1.55m / 1. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0. 1.45x 2%) + (1. Neste caso.65 m.6 0.6 – 1.8 0.55 + ((0.75[ 1.13)/0.25): [1.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1. 1.5): [1.65 A altura média dos alunos é de 1.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.25) = 1.67 1.7.25 – 0.6 : Fi = 0.65 : Fi = 0.3 1.576 25% dos alunos têm altura inferior a 1.65 m.6m.85x3%) = 1. a altura mais provável de um aluno rondará 1. 1. c) F* 1 0.Q1 – 1.6[ 1.75 : Fi = 0. correspondente à classe [1. + (1.4 0.12 1.5 1.5 50% dos alunos têm altura inferior a 1. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0..7 1.4 1. 1.65[ 1.525x10%) + .6.55.12 -----------. o maior valor de fi / hi é 5.55 0.87 Estatística Aplicada 38 .6 1.37 Cálculo do Q1: 0.6[.05x0.37 – 0.8 1. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.55 Q1 = 1.75): [1. isto é..576 m.2 0 1.

027(7) < 0 = Q3 − 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 = 0.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).00536875 = 0.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1. 30[ [30. 10[ [10.576 = 0.7 0. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.67-------------.1.65) − (1.72 – 1.7 + ((0.576) = −0.Q3 – 1.72 75% dos alunos têm altura inferior a 1.Q1 = 1.Manual de Exercícios Cálculo do Q3: 0.0.05*0.72 m. 20[ [20. b) Determine a duração média das chamadas e respectivo desvio-padrão.75 – 0.75 – 1.72 − 1. Exercício 9 Em determinada central telefónica.65 − 1.72 − 1. 5[ [5. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .08)/0.87.00536875 2 s x = s x = 0.67-----------. e) Amplitude do intervalo inter-quartis = Q3 . registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.7 Q3 = 1.2) = 1.

5 7. Compare.04 0. Resolução a) Duração (em minutos) [0.006 0.5 x30%) + .06 0. com desvio-padrão de 8.7 0.7 minutos. 5[ [5.4 0.35 minutos.4 0. 10[ Estatística Aplicada 40 . quanto à dispersão.3 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. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.02 0.1 0.06 0.00536875 = 9.5 x 40%) + (7.6 0.8 0. + (40 x 4%) = 9. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.002 Fi 0.9 0.2 0. 10[ [10. 50] Total fi/hi 0.08 0.04 1 Histograma hi 5 5 10 10 20 fi/hi 0... 30[ [30.35 A duração média de uma chamada é de 9.025 c) Classe mediana (classe a que corresponde frequência acumulada 0.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0.4 0.4525 2 s x = s x = 0.5 15 25 40 10 20 30 40 50 60 30 40 50 60 70 80 90 100 b) x = 1 n i =1 n ni c i = f i ci = (2.96 1 ci 2.5): [5.02 0 0 F* 1 0.08 0. 20[ [20.

5 . Estatística Aplicada 41 .3) + .3)(3100 − 2708.7 = 0.35 CV2001 = sy y = 8. + (2000 − 1358.965 > x 9.0.4 -----------.Me .5 Me = 5 + ((5x0. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358.3) = 6.10 .98 520854x 1145944 Correlação positiva quase perfeita.7 .7 Cálculo da Me: 0.87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.3)(3800 − 2708..0. d) CV Dez = s x 9.3)] = 12 = 0. b) Ajuste.4 -----------.67 50% das chamadas têm duração a 6. uma função linear que exprima o custo em função do volume de produção.1)/0.4 10 : Fi = 0. 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.Manual de Exercícios 5 : Fi = 0..5 0.67 minutos.025 = = 0. pelo Método dos Mínimos Quadrados.

6 Exercício 11 Um conjunto de empresas do sector da Construção e Obras Públicas cotadas na Bolsa de Valores foram analisadas relativamente aos seguintes indicadores: EPS (Earnings per Share): Resultado Líquido por Acção PBV (Price/Book Value): Preço / Situação Líquida por Acção Empresa 1 2 3 4 5 6 7 8 9 EPS ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.4 − 0. Resolução a) r = s xy s xx s yy 1 [(191 − 121.332 x 0...7)(0.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.9 1. b) Ajuste.92) + .61 3669.7 0.92)] =9 = 0.5 0.7)(0. pelo Método dos Mínimos Quadrados. uma função linear que exprima a variável EPS em função de PBV.9 − 0. Estatística Aplicada 42 .3 0.4553x + 731.9 1.096933 Correlação positiva moderada.8 0.4 a) Analise a correlação existente entre aqueles dois indicadores.8 1. + (81 − 121.0 0.

pelo Método dos Mínimos Quadrados.2 0.) Ri 125 127 130 131 133 135 140 143 169 Dados adicionais Gi 54 56 57 57 58 58 59 59 66 Ri 144 147 150 152 154 160 162 165 Gi 61 62 62 63 63 64 65 66 EPS Ri = 2467 Gi = 62620 2 Gi = 1030 Ri Gi = 150270 Ri = 361073 2 a) Estude a correlação entre rendimento e despesas em bens de luxo. Estatística Aplicada 43 .8 PBV 1 1.2 1.m. b) Ajuste. uma função linear que exprima a variável Gi em função de Ri.4 0.Manual de Exercícios b) 250 200 150 100 50 0 0 0.4 1.383 Exercício 12 Recolheu-se uma amostra em 17 cidades do país relativamente aos seguintes indicadores: Ri: Rendimento médio mensal na cidade i (em 106 unidades monetárias) Gi: Gasto médio mensal em bens de luxo na cidade i (em 106 u.6 y = 124.04x + 7.6 0.

801 Rendimento Estatística Aplicada 44 .986 Correlação positiva forte. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.2604x + 22.Manual de Exercícios Resolução a) rXY = Ri G i − n R G ( Ri − n R )( 2 2 G − nG ) 2 i 2 = 150270 − 17 * 2 2467 1030 * 17 17 2467 1030 2 (361073 − 17 * )(62620 − 17 * ) 17 2 17 2 = 0.

104 Introdução ao e-learning .

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

5. Por exemplo. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares. obtém-se um resultado individual. A ou B (v) A intersecção de dois acontecimentos A e B representa-se por A ∩ B e é formado pelos elementos comuns a A e B Estatística Aplicada 46 .3. isto é. aos acontecimentos é aplicável toda a construção disponível para aqueles. 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. que não sei mais que subconjuntos do espaço de resultados. 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.3.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.2. 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos. num lançamento de um dado ordinário tem-se que o espaço de resultados é { . para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces. Por exemplo. O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória.5}. outros como “saída de um número ímpar” definido pelo subconjunto { .4. 1 Definidos como conjuntos.6}. no lançamento de um dado podem definir-se.

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

numa outra perspectiva. a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”. Este exemplo corresponde ao cálculo de uma probabilidade condicionada.53 Magro 0.Manual de Exercícios Após a apresentação desta definição.1 0. 3.2 0. isto é 0.22 Total 0.08 0. convém ainda referir que. Pode escrever-se que a probabilidade pretendida é dada por: P( H / O) = P( H ∩ O) P (O) onde P(H/O) é a probabilidade de ocorrer o acontecimento “ser hipertenso”. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão. a da chamada teoria frequencista. 0.4 . sabendo que ocorreu o acontecimento “ser obeso”.8 1.15 0.02 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.25 Normal 0.2.45 0. Estatística Aplicada 48 .2 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. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0.1 = 0.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”. Por outras palavras.

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

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

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

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

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

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

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

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. 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) . sabe-se que: - a probabilidade de A falhar é de 20% a probabilidade de B falhar sozinho é 15% a probabilidade de A e B falharem é 15% Determine a probabilidade de: Estatística Aplicada 56 .Manual de Exercícios PROBABILIDADES Exercícios resolvidos Exercício 1 De um baralho ordinário (52 cartas) extrai-se ao acaso 1 carta. A e B. De ensaios anteriores.

9% P(A ∩ C) = 3. 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) = 9.7% P(C) = 12.1% P(B) = 22.4% Escolhe-se uma pessoa ao acaso.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.2 + 0. B e C: 2.2 – 0.15 = 5% c) P(A ∪ B) = P(A) + P(B) .Manual de Exercícios a) B falhar b) falhar apenas A c) falhar A ou B d) não falhar nem A nem B e) A e B não falharem simultaneamente Resolução A: o subsistema A falha B: o subsistema B falha P(A)=20% P(B-A)=15% P(A ∩ B)=15% a) P(B) = P(B-A)+ P(A ∩ B) = 0. B e C. com as seguintes percentagens de leitura: A: 9.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0. A e B: 5.9%. A. B e C: 6%.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0.1%.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2.1%.4% Estatística Aplicada 57 . B: 22. C: 12.P(A ∩ B) = 0.3 – 0.8% P(A ∩ B) = 5. A. A e C: 3.7%.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0.8%.15 + 0.

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

Manual de Exercícios Exercício 8 Numa fábrica. sendo a produção diária total de 10000 unidades.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1.03 + P( M 2) * 0. Resolução M1: o parafuso foi produzido por M1 M2: o parafuso foi produzido por M2 M3: o parafuso foi produzido por M3 D: o parafuso é defeituoso n = 10000 unidades P(M1) = 0. 3 = P(M3)*10000 = ? P( M 1) = 0.02 Estatística Aplicada 61 .65% Prod. 2 = P(M2)*10000 = ? Prod.3P( M 2) + P( M 3) = 1 ⇔ 0. determine o número de parafusos que cada máquina produz diariamente.0165 = 0. 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. M1.65%. 1 = P(M1)*10000 = ? Prod. M2 e M3 fabricam parafusos. 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.3P( M 2) * 0. A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2.01 + P( M 3) * 0. Sabendo que a probabilidade dele ser defeituoso é de 1.

8 P(T/B) = 0. Sabe-se que a probabilidade de: - chegar atrasado à escola é 60% chegar atrasado utilizando o transporte A é 80% chegar atrasado utilizando o transporte B é 50% chegar atrasado utilizando o transporte C é 60% utilizar os transportes B e C é a mesma a) Calcule a probabilidade de o João utilizar o transporte A b) Sabendo que o João chegou atrasado à escola.5 P(T/C) = 0.03 + P( M 2) * 0. Resolução T: O João chega atrasado A: o João utiliza o transporte A B: o João utiliza o transporte B C: o João utiliza o transporte C P(T) = 0.3 * 0.Manual de Exercícios − ⇔ P( M 3) = 1 − 1.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.3P( M 2) 0.01 + (1 − 1. B ou C.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A.3P( M 2) = 1 − 1.0165 = 0.5 = 15% P( M 3) = 1 − 1. calcule a probabilidade de ter utilizado os transportes B ou C.02 P( M 1) = 0.6 P(T/A) = 0.3P( M 2)) * 0.3 * 0.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .3P( M 2) * 0.

Manual de Exercícios Logo 0.I.) elevado e médio são. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q.3 – 0.I. de 30% e de 60% a percentagem de indivíduos com Q.6 Exercício 10 Uma empresa que se dedica à prestação de serviços de selecção de pessoal em relação a um teste psicotécnico para uma profissão específica sabe o seguinte: - as percentagens de indivíduos com um quociente de inteligência (Q.6 = (1-2P(B))*0.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0.5 + 0.4 * 0. baixo.I.4 * 0. respectivamente. baixo ficar apto no teste é de 20% finalmente.I.5 + P(B)*0. elevado ficam aptos no teste a) Qual a probabilidade de um indivíduo escolhido ao acaso ficar apto no teste? b) Qual a probabilidade de um indivíduo ter Q.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 . sabe-se que 70% dos indivíduos com Q. 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 –0.3% P (T ) 0.I.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.6 = =73.8 + P(B)*0.

possuir também frigorífico 2. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1.8 = = 17% 1 − 0.3*0.7+0.53 P ( A) Exercício 11 Os resultados de um inquérito aos agregados familiares de uma determinada cidade forneceram os seguintes dados: - 35% dos agregados possuem telefone 50% dos agregados possuem frigorífico 25% dos agregados possuem automóvel 15% dos agregados possuem telefone e frigorífico 20% dos agregados possuem telefone e automóvel 10% dos agregados possuem frigorífico e automóvel 5% dos agregados possuem telefone. 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 .5+0.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0. possuir pelo menos um daqueles três objectos 2.1*0. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.1 * 0.6*0. possuir telefone ou frigorífico 2.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.

3% têm um ou mais acidentes no mesmo período.25 c) 1. dado que cada um sofreu. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0.P(A ∩ B) = 0. De entre os segurados com idade igual ou inferior a 40 anos. pelo menos.1+0. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0.2 + 0.2 = 40% b) krysktsh1. 1 – P( A ∪ B ∪ C ) = 1 – 0.4 = 60% P(A ∪ C) = P(A) + P(C) . Todos terem idade igual ou inferior a 40 anos.25 – 0. um acidente durante o referido período? Estatística Aplicada 65 .2-0. P(A ∪ B) = P(A) + P(B) .35+0.5 – 0.15 = 70% 2. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0.05 = 70% 2.25 P( B ∩ C ) 0.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1.15-0.05 = = 100% P (C ) 0.1 = = 40% P (C ) 0. todos terem idade igual ou inferior a 40 anos? 2. a) Qual a probabilidade de um segurado não sofrer qualquer acidente durante um ano? b) Qual a probabilidade de um segurado que sofreu pelo menos um acidente ter idade igual ou inferior a 40 anos? c) Qual a probabilidade de.5+0. pelo menos. dos quais 5% sofrem.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade.25-0. P(B / C) = 2. um acidente por ano.P(A ∩ C) = 0. numa amostra de três segurados 1.1 − 0.35 + 0.35 + 0. nenhum ter sofrido qualquer acidente durante um ano? 3.

57% = P(B) 1 − 0.2857 = 2. P( B ∩ B ∩ B ) = 0.05 = 95% P( A /I2) = 1 – 0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.3% Estatística Aplicada 66 .958*0.2857*0.4*0.958 P ( A) P ( A) c) 1.6 * 0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0.97 = 95.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 – 0.4*0.958*0.95 + 0.6 = 40% P( A /I1) = 1 – 0. P( A ∩ A ∩ A) = 0.4 = 6.6*0.4% 2.03 = = = 28.9% 3.958 = 87.4*0. P( I 2 ∩ I 2 ∩ I 2) = 0.2857*0.

104 Introdução ao e-learning .

5.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.1.2 q=1-p=0.2 q=1-p=0. por minuto (0. A central só pode atender um número máximo de 8 chamadas por minuto. 8) λ=5 8 p=0.3. Qual a probabilidade de não serem atendidas todas as chamadas no intervalo de tempo de 1 minuto? Resolução X: número de chamadas telefónicas atendidas numa central.8 P(X=1)=C4p1q4-1 = 4*0.83 = 0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.1.932 x! x =0 Exercício 3 O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.4) n=4 p=0.932 = 0. 7.5 horas.3. por minuto. é 5. 6.06 e −5 5 x P(X ≤ 8) = = 0. calcule a probabilidade de. entre as 4 bobines necessárias a um determinado cliente. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0.4. escolhidas ao acaso uma ser defeituosa.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 .2.8 Logo P(X>8) = 1-0.2.2*0.

por hora. em cada hora. a) b) Qual a probabilidade de que.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4. isto é. se aluguem 5 barcos? Qual a probabilidade de que. Verificou-se que.5 = e −1.9772 = 2. esse serviço é procurado por 8 turistas interessados em alugar barcos. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. verifica-se que o valor da função Z é P(X ≤ 2) = 0. O número de turistas que procuram este serviço. destinado aos turistas que a frequentam. sabe-se. e X: numero de avarias que ocorrem no intervalo [0. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 .9772.333 = 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. por outro lado. Z= Logo P(X>2) = 1-0.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina.28%.5 Consultando a tabela. vem: 121 − 120 =2 0. que esse serviço funciona ininterruptamente das 8 às 20 horas. num período de 6h λ=1/4.5. entre as 8 e as 9 horas. com desvio padrão 0. está associado a uma variável aleatória com distribuição de Poisson.6[. entre as 9 e as 11 horas.

+ 0. + f(33) = 0. no máximo.0001 = 1.Manual de Exercícios Resolução X: nº de turistas que procuram o serviço de aluguer de barcos por hora X segue Po(λ=8) a) Na tabela da Po(λ=8) vem P(X=5) = 9. o cais da refinaria pode atender.32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2..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. vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +...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 . os restantes que eventualmente apareçam deverão seguir para outro porto.0057 + . considerando Y1 e Y2 independentes e que todas seguem Po(8). a) Qual a probabilidade de. Atingido este número. 3 petroleiros por dia.. ser preciso mandar petroleiros para outro porto? b) De quanto deveriam ser aumentadas as instalações de forma a assegurar cais a todos os petroleiros em 99. num qualquer dia. Nas actuais condições.

Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh.E(Y) = 2 .782 São atendidos.30) W segue Bi (n = 30.1.85%.. pg.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo.1.29% (tab. 2. 5.8571 =14.1.1. 2.1429 = 4. 6) Logo.6767 = 0.782 = 0. é preciso enviar petroleiros para outro porto 4 a 5 dias/mês Exercício 7 Os Serviços Municipalizados de Gás e Electricidade debitam mensalemnte aos seus clientes um consumo teórico T de energia eléctrica calculado de tal modo que a probabilidade de o consumo efectivo o exceder seja de 30. 3) g(0) = P(X=0) = 0.1353 g(1) = P(X=1) = 0.2707 g(2) = P(X=2) = 0. 4. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0. Z = X .. com probabilidade 27. 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 (0.218 Recorrem a outros portos. 3. 2.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0.Y E(Z) = E(X -Y) = E(X) . em média.1429) E(W) = 30*0.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0. p = P(X>3) = 0.1353 + … + 3*0.3233 = 1. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.3233 E(Y) = 0*0..3 Em média. em média. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .

3085 X segue N(400. ao fim de 3 meses.3085 ⇔ 40 40 T − 400 T − 400 ) = 0. 1600) a) P(X>T) = 0. 1600*3). determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 .5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico. vem que: Y=X1+X2+X3 segue N(400*3.58) = 28. Qual a probabilidade de que.1)< = P(N(0. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v. com funcionamento independente. X2 e X3 independentes e que todas seguem N(400. A cadeia A opera a um ritmo médio de 2 montagens por hora.6915 ⇔ = 0.3085 ⇔ P( P(N(0. P(3*420-Y > 100) = P(Y < 1160) = P(N(0.1) ≤ b) 1. 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) = 0.1)<-0. 4800) 2.71%. N(1200. Poisson. X1: consumo efectivo de energia eléctrica de um cliente no 1º mês (em kwh) X2: consumo efectivo de energia eléctrica de um cliente no 2º mês (em kwh) X3: consumo efectivo de energia eléctrica de um cliente no 3º mês (em kwh) Logo X1+X2+X3: consumo efectivo de energia eléctrica em 3 meses (em kwh) Pelo Teorema da Aditividade da Normal. 1600). e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98. considerando X1. existem 2 cadeias de montagem A e B.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0.Manual de Exercícios 2. isto é.a.

9817. em 3 horas de trabalho. numa hora. considerando Y1.0183 + 0. Y2 e Y3 independentes e que todas seguem Po(4). se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de.0183 Na tabela da Poisson. + f(10) = 0 + 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 . como se sabe que P(Y ≥ 1) = 0. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0. percorrendo as linhas de valor = 0.72% c) P(X=2Y) = P(X=0 ∩ Y=0) + P(X=2 ∩ Y=1) + P(X=4 ∩ Y=2) + P(X=6 ∩ Y=3) + P(X=8 ∩ Y=4) = 0.9817 = 0.1465 + 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.0001 + … + 0.012*0. vem que P(Y<1) = 1 – 0.1954 + 0.1048 = 34.2707*0. λ = 4.0902*0. mas desconhece-se a média (=parâmetro λ) No entanto.1954 = 3..1353*0. a cadeia A efectuar o dobro de montagens de B d) o número médio de montagens efectuadas num dia de trabalho de 8 horas com ambas as cadeiras Resolução X: nº de montagens da cadeia A por hora Y: nº de montagens da cadeia B por hora X segue Po(2) a) Y segue Poisson. Logo. vem que o valor 0..0009*0.8893=11.Manual de Exercícios b) a probabilidade de.0753 + 0. Na tabela da Po(4).0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.

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=20.8179) Logo E(Y) = 20*0.9919 = 16. 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. Nestas condições.9920 = 81. p=0.9831) Logo E(Y) = 20*0. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos.8179 = 16.1652 = 0.9831 = 19. determine: a) a probabilidade de um maço acabado de formar 1. P(X=1) = 20*0.66 Estatística Aplicada 73 . conter 1 cigarro com filtro defeituoso 2. 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. Crit. segue Po(6*8=48) Logo. P(X=0) = 0. também pelo mesmo Teorema.Manual de Exercícios Pelo Teorema da Aditividade de Poisson.010*0.01) a) 1. p=P(X=0) = 0. num volume que contém 20. E Z . sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente.01*0. conter 0 cigarros com filtro defeituoso b) o número de maços que. Crit. maço é aproveitável se não contiver cigarros defeituosos 2. Numa rápida análise às condições de produção.52% 2. vem que Xi + Yi segue também Po(2+4=6). a companhia espera poder aproveitar se utilizar o critério: 1. p=P(X=0)+P(X=1)= 0.36 2. Exercício 9 Uma companhia de tabacos recebeu em dada altura um elevado número de queixas quanto à qualidade dos cigarros de certa marca que comercializa.8179+0. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48.79% b) 1.

25 − µ σ 0.05 − 0.392 σ )= =θ( σ ) − θ (0) = 0.642) = 47. vem que θ ( σ Na tabela 3B da Normal.392 ) = 0.5% a) Como P(X<0.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.25<X<0.05 < X < 0.25 − µ ) = 50% Na tabela.2 Sendo θ (0)=0.475 + 0.45) – P(X<0. σ2) Peça defeituosa se X>µ + σ ou se X< µ . E como σ tem que ser =0.25) = 50% P(0.392 < X − 0.25 σ 0.25 0.975 0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.642) = 47.45 − 0.25 σ ) = P (0 < N (0.25 σ < 0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.5% têm comprimento entre 0.5% vem que P( 0.642 − 0.25 mm e 0. a) Calcule a média e o desvio-padrão do comprimento das peças.1) < 0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.2 0.96 e logo σ = 0.392 = 1.25<X<0.2 74 θ( Estatística Aplicada .642 mm.45) = P(X<0. b) Determine a probabilidade de uma peça não ser defeituosa.σ < X < µ + σ) = P(0. Normal com média µ e variância σ2.a.475 0. vem que σ b) P(peça não defeituosa) = P(µ .5.05) = 0.25 − 0. logo µ = 0.25 mm e 47.5 = 0.25 P(0. Sabemos que 50% das peças produzidas têm comprimento inferior a 0.13% 0.σ P(X<0.25) = 50% vem que P( X −µ σ < 0.

por cada período de 5 minutos. 20) n=20 p=0. Calcule a probabilidade de se concluir pela ineficácia do medicamento. Põe-se à prova um novo medicamento. 8 doentes em 20.4 q=1-p=0..19.6 X segue Bi (20. ainda que este eleve de facto a probabilidade de cura para 40%. que eleva a probabilidade de cura para 40%.03%. Um empregado entra ao serviço às 8 horas. considerando X1 e X2 independentes e que ambas seguem Po(4). vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0.1.58% Exercício 12 Sabe-se por via experimental que. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de. 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. em média.2. chegam. pelo menos. ministrando-o a um grupo de 20 doentes. Estatística Aplicada 75 .F(7) = 41.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%.4) P(X ≥ 8)=1. 4 veículos a determinado posto abastecedor de combustíveis.. 0. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0.

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

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

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

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

Manual de Exercícios

Isto leva a uma questão importante: o dimensionamento de amostras. Até aqui, sempre se assumiu que as dimensões são conhecidas à partida, sem referir como se determinam. No entanto, a resolução deste problema tem um enorme interesse prático, já que (i) recolher e tratar uma amostra demasiado grande para os resultados que se pretendem obter constitui um evidente desperdício de recursos e (ii) recolher uma amostra cuja dimensão é insuficiente para retirar conclusões constitui um erro. A dimensão das amostras aumentará se se pretender garantir maior precisão ao intervalo e/ou maior grau de confiança. No capítulo dedicado a aplicações estatísticas, será possível ver como é possível utilizar o conceito de intervalo de confiança ao controlo estatístico de processos de qualidade.

Estatística Aplicada

80

Manual de Exercícios

INTERVALOS DE CONFIANÇA
Exercícios

Exercício 1

Suponha-se que se tem uma população normal com média µ desconhecida e desvio - padrão 3, N (µ, 9) e uma amostra de 121 observações. Deduza um intervalo de confiança para a µ com 95% de confiança.
Resolução

Para os dados deste exercício, vem:

n=121

σ =3
c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1,96 e logo
X −c

σ
n

;X +c

σ
n

= X−

1,96 x3 1,96 x3 ;X − = X − 0,535; X + 0,535 11 11

[

]

O intervalo X − 0,535; X + 0,535 contém o verdadeiro valor do parâmetro µ com probabilidade ou confiança de 95%. Conhecida uma estimativa particular daquele parâmetro, torna-se possível calcular entre que valores seria de esperar que, com 95% de confiança, variasse µ .
Exercício 2

[

]

Numa cidade pretende-se saber qual a proporção da população favorável a certa modificação de trânsito. Faz-se um inquérito a 100 pessoas, e 70 declaram-se favoráveis. Determine um intervalo de confiança a 95% para a proporção de habitantes dessa cidade favoráveis à modificação de trânsito.
Resolução

n=100
ˆ p=

70 = 0,7 100

c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1,96 e logo

Estatística Aplicada

81

Manual de Exercícios

ˆ p−c

= [0,6102;0,7898]

ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0,7 x0,3 0,7 x0,3 ˆ ;p+c = 0,7 − 1,96 ;0,7 − 1,96 = n n 100 100

O intervalo [0,6102;0,7898] contém o verdadeiro valor do parâmetro p com probabilidade ou confiança de 95%. Ou seja, a proporção de habitantes favoráveis à modificação de trânsito está situada entre 61,02% e 78,98%, com probabilidade de 95%.

Exercício 3

Uma máquina fabrica cabos cuja resistência à ruptura (em kg/cm2) é uma variável com distribuição Normal de média 100 e desvio - padrão 30. Pretendese testar uma nova máquina que, segundo indicações do fabricante, produz cabos com resistência média superior. Para isso, observam-se 100 cabos fabricados pela nova máquina, que apresentam uma resistência média de 110 kg/cm2. Admita que o novo processo não altera o desvio padrão da resistência à ruptura dos cabos. a) Determine um intervalo de confiança a 95% para a resistência média à ruptura dos cabos produzidos pela nova máquina. b) Suponha que pretendíamos obter um intervalo de confiança com a mesma amplitude do anterior, mas com nível de confiança de 99%. Quantos cabos deveriam ser observados?
Resolução

a) X segue N(100; 302) n=100 e logo
X −c

x =110

σ=30

γ=95%

c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1,96

σ
n

;X +c

σ
n

= 110 −

1,96 x30 1,96 x30 ;110 − = [104,12;115,88] 10 10

Estima-se, com 95% de confiança, que a resistência média à ruptura dos cabos produzidos pela nova máquina se situa entre 104,12 kg/cm2 e 115,88 kg/cm2.

Estatística Aplicada

82

315] Estima-se.1.12 = 11. com probabilidade 95%.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.2 − 2.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.576 x0.76 Amplitude = Lim. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0.315 mg.051. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11.2 mg.70m.085 mg e 1. com 99% de confiança.1.Lim. observando-se um valor médio de 1.576 x0.2 20 . Estatística Aplicada 83 .88 – 104.22) n=20 e logo X −c x =1.085. . contenha o valor esperado da altura µ.2 σ=0.2 − 2.2 mg. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina.576 σ n . que o teor médio de nicotina de um cigarro se situa entre 1.X +c σ n = 1. diga. Defina um intervalo que. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0. entre que valores se situa o teor médio de nicotina de um cigarro.Sup. tendo-se obtido o valor de 1.Manual de Exercícios b) Amplitude = 115.2 20 = [1. 0. com 99% de confiança.Inf. Resolução X segue N(µ.

0876.1 − 1.788] Estima-se. Determine o intervalo de confiança para a referida proporção com 90% de confiança. procura conhecer-se a incidência de defeituosos na produção de uma máquina. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.1x0.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Passada uma semana.1x0.9 0.1 − 1.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0.1.2 − 1.23%.051 25 .76% e 11. Construa um intervalo Estatística Aplicada 84 .0.1123] Estima-se.96 σ n . Exercício 6 Numa fábrica. com 95% de confiança.96 x 0. com 90% de confiança.p+c .X +c σ n = 1.051 25 = [1.7 − 1.645 = 1600 1600 n n = [0.9 p (1 − p ) p (1 − p ) ˆ .611. que o teor médio de nicotina de um cigarro se situa entre 1.0. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).051) n=25 e logo X −c x =1. que a proporção de artigos defeituosos na produção se situa entre 8. 0. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.96 x 0.315 mg. Para tanto.645 = 0. onde 10% dos artigos são defeituosos.085 mg e 1.1. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.Manual de Exercícios Resolução X segue N(µ.70 σ2=0.

034.299] Estima-se.201.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.0. Nesse sentido.75 0. com 95% de confiança.25 − 1.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.96 = n n 300 300 = [0.96 .0.1% e 29. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0.p+c = 0.25 x0. verificando que 960 a conheciam.9%. 0.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.25 x0. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.645 e logo Estatística Aplicada 85 . calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0. Resolução n=300 ˆ p= 75 = 0.767.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.75 ˆ .25 − 1. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente.833].

9%. com 90% de confiança. ˆ b) Amp.8 − 1. = ( 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) 0.6%. Com base num vasto conjunto de ensaios realizados no passado.645 .=Lim.8 + c E D(2. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.833 ⇔ c = 2.833 n 0. a que corresponde o nível de confiança utilizado Exercício 9 O gabinete de projectos de uma empresa de material de construção civil pretende estimar a tensão de ruptura do material usado num determinado tipo de tubos.645 * ≤ 0.2 ˆ . estima-se que o desvio . que a proporção de indivíduos conhecedores da marca se situa entre 78.2 = 2 *1.8 * 0.Manual de Exercícios ˆ p−c = [0.8 − 1.645 = n n 1200 1200 Estima-se. pretendendo-se que a sua amplitude não exceda 60 psi.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0. Qual o número de ensaios necessário para definir tal intervalo? Resolução n=? σ=70 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.Sup.Inf.2 0.-Lim.86 1200 Logo 0.0.8 x0.0.1% e 81.8 x0.p+c = 0.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.8 * 0.781.2 = 0.1) vem igual a 99.padrão da tensão de ruptura do material em causa é de 70 psi.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.86) na tabela N(0.

a 95%. Recentemente. usados por trabalhadores de uma empresa de construção civil.5 kg/cm2. foram seleccionados aleatoriamente e sujeitos a um teste de impacto.96 x10. e em 18 foram observados alguns danos. Construa um intervalo de confiança.4537 − 1.58 10 = [4530.5 kg/cm2 e 4543.5. Exercício 11 Uma amostra de 50 capacetes de protecção.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. foram analisadas as tensões de ruptura de 10 cabos SCB-33R. com 95% de confiança. Defina esse intervalo.58 10 . Interprete o resultado obtido.96 σ n .96 x10. para a verdadeira proporção p de capacetes que sofre danos com este teste.Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos.4543.X +c σ n = 4537 − 1. Resolução X segue N(µ.5] Estima-se. Existe uma norma de 112 kg/cm2 em relação à variância. a 95%. Resolução a) n=50 ˆ p= 18 = 0. para o valor esperado da tensão de ruptura dos cabos do lote em causa. que é respeitada.96 e logo Estatística Aplicada 87 . tendo sido obtida uma média de 4537 kg/cm2.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. que o tensão média de ruptura dos cabos se situa entre 4530. seleccionados aleatoriamente a partir de um lote de grandes dimensões. O director comercial pretende saber qual o intervalo de confiança. 112) n=10 e logo X −c x =4537 σ=10.

5 = 2 * 1. de modo a garantir que um intervalo de confiança a 95% para essa proporção tenha uma amplitude não superior a 8 pontos percentuais? Resolução n=? ˆ Amp.36 x0.64 ˆ .36 − 1. vem que: 2c ˆ ˆ p(1 − p) 0.0. com 95% de confiança. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).5 * 0.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.Manual de Exercícios ˆ p−c = [0.22695.36 − 1.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos). 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.36 x0.= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.0. que a proporção de capacetes que sofre danos se situa entre 22.64 0.08 ⇔ n > 600 n n Estatística Aplicada 88 .p+c = 0.96 * < 0.7% e 49. isto é.3%.96 .96 = n n 50 50 Estima-se.

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

Compete ao investigador decidir qual a dose de risco de se enganar em que está disposto a incorrer. 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. logo não é possível de saber se a hipótese nula é verdadeira ou falsa. 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. em função dos resultados de uma amostra. no entanto. é natural que envolvam alguma margem de erro e que ocorram em situação de incerteza. Vamos supor uma probabilidade de erro de. Nesse caso. em que está em causa aceitar ou rejeitar a hipótese nula.Manual de Exercícios Resolução: Duas hipóteses se colocavam: ou o processo proposto pelos cientistas não produzia qualquer efeito. por exemplo. ou este aumentava de facto o nível médio das chuvas em 50 mm. estamos a lidar com leis de probabilidades. 5 chances em 100 de Estatística Aplicada 90 . por exemplo. pode-se manter pequena a probabilidade de os cometer. e avançada a hipótese nula Ho. 5%. um processo de inferência estatística onde se procuram tomar decisões sobre a população com base numa amostra. Estes erros não podem ser completamente evitados mas. teste unilateral à esquerda e teste bilateral Sendo os testes de hipóteses. portanto. Estas hipóteses podem formalizar-se do modo seguinte: H0: µ=600 mm H1: µ=650 mm Este é um problema clássico de teste de hipóteses. mas apenas medir as probabilidades envolvidas na tomada de decisão. Ao utilizar uma amostra de uma população.

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

então. a Região Crítica deste teste. isto é. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. por falta de provas suficientes para não o fazer. isto é. se o valor amostral fôr superior a 654.645 x 100 = 654. sendo P(Rejeitar Ho / Ho) = α = 5%. considerar que o processo científico não produz efeitos.83(3) 3 A regra de decisão é.83(3) X µ = 600 Os dados recolhidos indicavam X =610. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654. a seguinte: - rejeitar H0 em favor de H1. Se tal não acontecer. Estatística Aplicada 92 .83(3). vem que P ( X > c / µ = 600) = 0. Logo.05 ⇔ P ( X −µ σ > c − 600 ) = 0.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654.83(3) Isto é. pelo que a decisão é conservar H0 . opta-se por H1 com probabilidade 5% de se estar a cometer um erro. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande. isto é.05 ⇔ 100 9 n ⇔ c = 600 + 1. grandes valores de X são improváveis.2 mm. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. conserva-se Ho.Manual de Exercícios Em princípio.

Isto é. os erros incorridos não se ficam apenas pelos de 1ª espécie.83(3) / µ = 650) = P ( X −µ σ ≤ n 654.83(3) − 650 ) = P ( N (0. Existem também erros de 2ª espécie.14) = 55. e como α e β se referem a realidades opostas e variam em sentido contrário. No entanto. sendo o teste ideal o que minimiza simultaneamente ambos os valores. Supondo então que H1 é verdadeira (µ=650 mm). isto é.Manual de Exercícios No entanto. ou seja.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses. infelizmente. de se cometer um erro de 2ª espécie. é possível alternativamente partir do princípio que é H1 que é verdadeira. então vem que: X ∩ N (650. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes.1) ≤ 0. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente. considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas. mas que. tal não é possível. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. Estatística Aplicada 93 . No entanto. O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β.

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

02 0.01 9 Estatística Aplicada 95 . Logo. vem que P ( X < c / µ = 1) = 0.0.0. 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%. RC = ]− ∞.98 0.645 x c −1 ) = 0.9945] ⇔ c = 1 − 1.05 ⇔ 0.Manual de Exercícios TESTES DE HIPÓTESES Exercícios Exercício 1 Suponha que o director de qualidade pretende averiguar se o peso dos pacotes de arroz produzidos corresponde ao valor assinalado na embalagem.97 1.99 0.01 0.02 0.98 1.05 ⇔ P ( X −µ σ < n 0.97 1. Seja X a variável que representa o peso de um pacote de arroz.9945 3 Logo.012 ) e que se conhece a seguinte amostra: 1. determinar a região de rejeição e aceitação.00 Será que.01 = 0. Suponha que X ∩ N ( µ .

9945 +∞ Valor da amostra: 0.9933 e é menor que o valor crítico 0.9922 0.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0. consideraremos que não há qualquer anomalia na produção. pretende-se saber se metade da população é favorável à construção de um centro comercial.5 Estatística Aplicada 96 .9933 Como o valor da amostra foi 0. ou seja. No entanto.9945 para 0.9933 A única mudança será no Valor Crítico. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade. Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0. rejeita-se Ho Ou seja. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. que de 0.9922. Neste caso.5 H1: p < 0. Faz-se um inquérito a 200 pessoas. considera-se que o arroz contido em cada pacote era inferior ao indicado. Reduzindo a probabilidade de isso ocorrer de 5% para 1%.9945. aceitaremos Ho. Exercício 2 Numa cidade. e 45% declaram-se favoráveis.

645 x Passo 6 ˆ p =0. determinar a região de rejeição e aceitação. Logo.45 0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.5) = 0. RC = ]− ∞.5(1 − 0.442 200 Logo. Estatística Aplicada 97 . vem que ˆ P ( p < c / p = 0. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial.0.5) 200 ) = 0.442 Ou seja. sendo P(Rejeitar Ho / Ho) = α = 5%.45 é maior que o valor crítico 0. Passo 3 A região crítica é formada por todos os valores menores ou iguais a c Passo 4 Assumir um nível de significância de 5% Passo 5 Para α=5%.442.45 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.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.442] Passo 7 Como o valor amostral 0.5) = 0.5(1 − 0.5 − 1. essa margem não é suficiente para decidir deixar de o construir.05 ⇔ ⇔ c = 0. onde o cuidado deve ser trabalhar com grandes amostras.5 0.

com peso médio de 0. Ao fim de três meses.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. a) Com 1% de significância. 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). com desvio padrão 0.01.01 ⇔ = −2. não pertence à região crítica. 0. produzidos por uma fábrica. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo. é uma variável normalmente distribuída. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores.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 .01 ⇔ P ( X −µ c −1 c −1 ) = 0. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos.01 σ ≤ n 49 49 Como x = 0.012) n = 49 x = 0. a um nível de significância de 1%. Da produção de determinado dia é retirada uma amostra de 49 pacotes. Pode-se afirmar.01 0.997 0. é lançada uma intensa campanha anti-tabaco.997.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0.326 ⇔ c = 0.998 Kg. registando-se 45 fumadores. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ.

384 ˆ Como p = 0. com desvio-padrão de 20 horas. poder-se-á concluir.5 * 0.5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.01 ⇔ p(1 − p) 0.5) = 0.5 n n ⇔ 0. não pertence à região crítica.01 ⇔ c − 0.5) = 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.45 − 0.326 ⇔ c = 0.5 (a campanha não surtiu efeito) H1: p < 0.5 ≤ ) = 0.326 ⇔ n = 541 0.5 100 ) = 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.01 ⇔ P( ˆ p− p 0.5 0.5 100 = −2. b) P( X ≤ 0.45 > c = 0.5 = −2.45 α = 1% H0: p = 0.45 − 0.384.5 * 0. a 5% de significância.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas.45 / p = 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito). que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .5 * 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.5 * 0.5 0.

202) n = 18 1 18 x = xi = 237. não pertence à região crítica. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas).25. Foram registadas 5 medidas de temperatura de fornos regulados para 600º. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0. em dada secção.05 ⇔ = −1.360) n=5 Estatística Aplicada 100 . Exercício 6 Uma empresa de cerâmica tem.05 > c = 232. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.25 20 20 σ ≤ n 18 18 Como x = 237. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância.645 ⇔ c = 232. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador.Manual de Exercícios Resolução X segue N(µ.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0.

b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ. pelo contrário.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) = 0.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0. se a afirmação do fabricante pode ser considerada verdadeira. Foi recolhida uma amostra de 100 ovos.25) n = 100 x = 158.96 18. o verdadeiro peso dos ovos será menor. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90. não pertence à região crítica.25. ou se. Teste.95 ⇔ c − 600 = 1.97 5 n Como x = 602 < c = 613. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado).645 ⇔ c = 613. a) O fabricante diz que o peso médio é de 160 g. a um nível de significância de 1%. 90. cujo peso médio foi de 158. 437 g.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 .96.

6) = 0. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama). pronuncie-se quanto à projecção que o semanário reclama. o semanário em causa.79.01 ⇔ P ( X −µ σ ≤ c − 160 90.25 100 ) = 0.6 H1: p < 0.25 100 ) = α ⇔ F (−1. 55% declararam adquirir. Estatística Aplicada 102 . Resolução n = 600 H0: p = 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.326 ⇔ c = 157.55 < c = 0.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira).4 600 = −2. por hábito. de 60% de leitores que regularmente compram um jornal desse tipo.6 * 0. Adoptando um nível de significância de 1%. numa região.437 − 160 90.6 0.6 0. Efectuando um inquérito junto de 600 leitores.Manual de Exercícios P ( X ≤ c / µ = 160) = 0.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158. não pertence à região crítica.4 600 ) = 0.437 > c = 157. até então nunca atingida por qualquer semanário.6 ˆ p = 0.79 9.326 ⇔ c = 0. a percentagem.01 ⇔ c − 0.5535.01 ⇔ c −1 = −2.5535 ˆ Como p = 0. pertence à região crítica.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido.5 n 100 Como x = 158.6 * 0. b) P ( X ≤ 158.

01) = 1 − 0.9 0.061 − 4. tendo-se obtido para a resistência média à compressão o valor de 4.18 > c = 5.25 σ ≤ 0.6% n Estatística Aplicada 103 .0625 (kg/cm2)2.05 ⇔ n 12 Como x = 5. a) Poder-se-á afirmar. não pertence à região crítica.0625) n = 12 x = 4.061 0.0625 12 ) = 0.18) = 0.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.9) = P ( X −µ σ > 5. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual).18 H1: µ < 5.645 ⇔ c = 5. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.061 / µ = 4.18 kg/cm2 e variância 0.061.90 kg/cm ? Resolução a) X segue N(µ.05 ⇔ P ( X −µ c − 5.0625 12 ) = 1 − F (0.Manual de Exercícios Exercício 9 Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência à compressão com valor esperado de 5.95 kg/cm2.18 c − 5. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5. a um nível de significância de 5%. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.5040 = 49.18 = −1. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.95 α = 5% H0: µ = 5. 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

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

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

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

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

Se a proporção amostral cair fora da área de tolerância definida pelos LIC e LSC. é por que há alguma anomalia e deve haver paragem da produção. Supõe-se que a variável em estudo segue Distribuição Normal. por exemplo. de defeituosos. sendo os LIC e LSC calculados da seguinte forma: LIC / LSC = µ0 +/- cσ n (metodologia baseada na estimação por intervalos estudada atrás) Ao definir uma carta de controle para a proporção. é necessário começar por definir a norma para p (p0) e 2 níveis de controle: os de vigilância “garantida” (limites inferior e superior de vigilância: LIV e LSV) e os de controle (limites inferior e superior de controle: LIC e LSC). Se a média amostral cair fora da área de tolerância definida pelos LIC e LSC. é por que há alguma anomalia e deve haver paragem da produção.Manual de Exercícios inferior e superior de vigilância: LIV e LSV) e os de controle (limites inferior e superior de controle: LIC e LSC). Os LIC e LSC calculados da seguinte forma: Estatística Aplicada 111 .

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

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

isto é. Trata-se de um teste de hipóteses semelhante aos anteriormente estudados. um segmento geográfico autónomo e com características próprias de entre o total dos inquiridos). o valor esperado ou a proporção. No entanto.8.1 Teste de independência do qui-quadrado O teste do é muito eficiente para avaliar a associação existente entre variáveis qualitativas. mas que se inclui na categoria dos testes nãoparamétricos. De facto. como os estudados anteriormente). Estatística Aplicada 114 . para além do tratamento frequencista dos inquéritos. testar se há alguma coerência entre quem respondeu à opção 1 da pergunta X e à opção 2 da pergunta Y). De uma maneira geral. é por vezes interessante aferir da existência de relações estatísticas relevantes entre as diversas questões (por exemplo. O princípio básico deste método nãoparamétrico é comparar as divergências entre as frequências observadas e as esperadas. O estudo destas relações encontra aplicabilidade no campo das análises de mercado.8. 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. aqueles que não incidem explicitamente sobre um parâmetro de uma ou mais populações (por exemplo. Aplicações estatísticas Tratamento estatístico de inquéritos 3. a lógica de formulação das hipóteses e de definição de uma regra de decisão é equivalente aos testes paramétricos. Este teste encontra aplicabilidade no tratamento estatístico de inquéritos. 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. em que o objectivo é proceder à sua segmentação. por isso.Manual de Exercícios 3.

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

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

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

seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni. Calcular as frequências esperadas eij = Por exemplo.5 120 2.0 60 120 Total 60 60 3. Assim sendo. Ho deverá ser rejeitada. 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. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. compara-se o valor do observado obtido (1.7) com o valor do crítico. Por último. se as duas variáveis fossem independentes. Vem que o obsv. a hipótese Ho não pode ser rejeitada. * n. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12.7 4. no grupo estudado.7 é menor do que o valor obtido a partir da tabela.05). j n = 25 * 60 = 12.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico.5 15 12. Em média. não há associação entre as variáveis.0 30 30.5 15 17. j n 1.=1. Para o cálculo do recomendam-se os seguintes passos: n i .991 (cruzamento da linha 2 com a coluna 0. a proporção de alunos que usam ou não drogas não varia entre os cursos. * n. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa). que é 5.5 25 Farmácia 20 17. concluindo-se que.5 35 Biologia 30 30. Estatística Aplicada 118 .

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

815 5.113 43.047 19.735 2.885 41.264 6.023 21.051 27 11.690 2.865 17.195 46.300 32.076 41.791 8.085 16.688 29.892 53.267 39.087 42.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.796 10.645 55.548 22.209 25.844 17.000 0.337 44.982 14.592 14.196 36.565 4.718 40.005 0.142 5.289 42.479 38.156 2.319 36.013 18.768 28.892 29 13.275 19.488 11.007 35.041 21.252 120 .343 14.337 34.582 43.180 2.549 21.337 32.507 17.340 19.341 17.642 48.700 3.852 36.016 0.292 25.207 0.557 45.296 28.191 33.603 3.449 16.939 27.736 27.404 5.336 39.790 13.160 13.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.535 20.307 20.024 7.336 35.461 48.143 13.345 12.994 56.338 23.05 0.643 9.064 1.779 3.605 6.588 52.1 0.638 44.412 31.266 9.455 1.307 24.805 37.932 41.210 10.833 3.819 9.119 29.034 8.578 32.348 10.923 45.382 37.410 34.475 20.484 0.072 0.578 10.979 50.728 12.928 52.231 10.114 26.386 2.725 26.801 37.997 45.348 11.344 1.757 31.672 59.075 4.980 45.051 0.017 14.265 6.791 20.141 31.520 13.652 40.010 0.338 25.204 30.587 30.457 6.975 0.170 37.773 46.070 12.312 8.120 16.675 21.841 5.268 11.527 7.907 11.741 40.283 13.144 32.819 34.584 1.515 5.278 50.558 51.909 7.336 40.787 16.362 15.344 13.860 18.920 24.490 4.924 36.848 22.443 19.337 26.211 0.338 24.336 36.339 22.041 12.796 48.156 42.475 28 12.769 27.869 31.689 14.955 26.240 20.838 16.001 0.179 25 10.483 23.991 7.989 1.260 9.314 46.722 49.812 22.064 23.121 16.601 5.262 6.074 3.542 26.919 19.308 18.357 4.337 28.278 24.599 29.676 0.698 9.237 1.362 24.813 33.646 44.337 33.339 21.337 29.987 18.845 32.685 26.Manual de Exercícios 0.401 15.314 10.566 39.346 12.526 34.645 12.412 0.815 9.124 8.025 0.181 49.01 0.989 28.563 38.378 6.251 7.865 0.321 7.001 0.816 4.832 15.366 3.335 58.591 12.191 38.009 5.340 18.908 7.409 35.337 30.706 4.916 41.629 6.290 54.9 0.666 23.000 34.564 10.434 8.338 27.188 29.812 18.364 42.217 28.886 0.879 10.277 14.351 2.963 49.659 23.5 0.827 9.342 15.781 40.466 9.473 24.844 7.086 16.547 14.671 35.301 30 13.168 4.247 3.615 32.589 27.256 43.597 13.684 16.204 2.610 2.336 37.067 16.461 15.488 30.996 27.401 46.877 9.304 11.619 26 11.831 1.026 23.312 15.697 6.216 0.172 38.090 21.124 8.808 14.573 18.635 7.750 20.588 5.415 39.651 18.236 11.

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

Calcule a fiabilidade do equipamento.778801 = 46.5 horas.606531*0. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.171429 = 84.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0. 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) = = 0.0944% Logo.25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.1 = 90. sem que se verificasse qualquer avaria.990944*0. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0.8% Exercício 3 Foram ensaiadas durante 3 000 horas. com um MTBF de 17 500 horas. 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.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0.904837)2 = 99.

5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.5 = 26.6% Logo.4% 4.1667 = 84. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4. no período de vida útil.0. de um conjunto de 1 000. Resolução a) Rs = e − 3625 12000 = e −0. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.846x1000 lâmpadas = 846 Estatística Aplicada 123 .Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. 1 .1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 .0488 = 95.5 e dx = e 4. b) Quantas lâmpadas.5) = 26. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.P(falhar nenhuma) = 1 . estarão provavelmente em funcionamento após 2 000 horas de utilização. como Y segue Po(1/4. 0.5)t = e-(6/4.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.5 x(6 / 4.5 6 0 − 1 − 4.6] horas P(Y=2) = e − − 6 4.5) MTBF = 4. num conjunto de 10.5 c) Y: nº de avarias no intervalo [0.5).12% b) Rs = e − 2000 12000 = e −0.9% Em 10.73910 = 1 – 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.302 = 73.5) 2 = 23.

85*0.05)*0.15*0.25 e que as avarias são independentes.7. 0. 0. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0.5% P(2 sem avarias) = 0.25 Estatística Aplicada 124 .955)* 1 + (5*0.095+0.63% b) Bi(n=5. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.1425 = 91.51=60.05=0.8*0.15*0. T1.8*0. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias. indicando o valor médio de tal distribuição.15.2*0. respectivamente.2 e 0. sendo 0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos.25=9. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.05) Valor médio=5*0.954*0.75+0.25+0. colocados estrategicamente a fim de satisfazer adequadamente os utentes. se um dos elementos avariar o sistema funciona com probabilidade 0.7 = 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. Resolução a) P(sist. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia.5% P(3 sem avarias) = 0. se mais de um elemento avariar o sistema não funciona.7738 + 0.p=0.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana. No caso de nenhum elemento avariar o sistema funciona normalmente.85*0. T2 e T3 se encontrarem avariados são.2*0.

se produzir um artigo defeituoso. 470] Nestas condições. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de.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. (0.530. estando a norma a ser cumprida. 50.8775 LSC = µ + = 50.8775 LSC: 50.1225 n=16 σ=0.25 Proceder-se-á à paragem da produção sempre que os limites de controlo sejam desrespeitados Um condutor é considerado não defeituoso se a sua resistência em Ω estiver compreendida entre [49.25) 2 ) a) LIC = µ − cσ n cσ n = 49.1225 cσ n Como LIC + LSC = 100 vem que µ − Logo µ=100/2 = 50 Ω + µ+ cσ n = 2 µ = 100 Estatística Aplicada 125 . Resolução X: resistência de um componente em Ω X ∩ N ( µ .

95 = 5% c) P(produzir um artigo defeituoso.P( 49.88) = 0.47 sendo µ=50) = 1 .25 0.96 ≤ X ≤ 1.P(-1. Estatística Aplicada 126 . a amplitude do intervalo de controle para a média deve ser de 1.88) = Na tabela da Normal.1225 − 50 ≤X ≤ )= 0.96) = 0.96) = Na tabela da Normal.95 donde 1 – 0. SA” mantém um diferendo com os seus principais clientes.96. a dimensão das amostras a extrair é de 16 Afirmam os clientes que a probabilidade de parar indevidamente o processo produtivo é superior àquela que decorre das normas.01% Exercício 2 A empresa “TRADECHO.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .P(-1. sendo a norma respeitada) = 49. vem D(1. a norma para a variância é de 4 e está a ser cumprida.P( 1 .1225 sendo µ=50) = 1 .88 ≤ X ≤ 1.53 − 50 50.25 16 16 1.25 0.8775 ≤ X ≤ 50.9399 donde 1 – 0.53 ≤ X ≤ 50.8775 − 50 50.P(49. vem D(1. que afirmam que os produtos produzidos (em série) por esta empresa não obedecem às normas de qualidade estabelecidas e que são: - a norma para o comprimento médio das peças é de 20 cm.47 − 50 ≤X ≤ )= 0.25 16 16 1 – P(49.9399 = 6.

96/2 ≤ X ≤ 20+1.95 donde 1 – 0.Manual de Exercícios a) Determine a probabilidade referida.96) = 0.95 = 5% b) e c) Média Amostral (cm) 20.P(-1.90 20. vem D(1.96) = Na tabela da Normal.90 • • • • • 20 • • • •20.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.96 ≤ X ≤ 1.P( − 0.P(20-1.05 19.98 0.15 • • • • • 19. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ . Estatística Aplicada 127 .02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).98 ≤X ≤ )= 2 2 16 16 1.00 20.30 20.96/2 sendo µ=20) = 1 . b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.5 • • • • 19.3 • • • • •20.

55.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.55 − 1000 1016.P(-1.45 sendo µ=1000) = 1 .Manual de Exercícios Exercício 3 Numa empresa procede-se ao exame das condições de produção relativas à duração (em horas) das lâmpadas fabricadas (produção em série). Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.55 ≤ X ≤ 1016. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .45 cσ n Como LIC + LSC = 2000 vem que µ − Logo µ=2000/2 = 1000 h + µ+ cσ n = 2 µ = 2000 b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .55 cσ = 1016.45 − 1000 ≤X ≤ )= 100 100 100 100 1. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.P( 983.645) = Estatística Aplicada 128 .P(983. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.645 ≤ X ≤ 1. 1016. a partir de uma amostra de dimensão 100: [983.

9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão. ( 4) 2 ) cσ n a) LSC = µ + = 10.8 D(c)= 5% logo c= 1.645) = 0.8 logo µ = 10.8 milhares de horas a amplitude do intervalo não deve exceder 1.96 * 4 n ≤ 1. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas. vem D(1. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas.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. procede à verificação da produção de energia Estatística Aplicada 129 .96 ⇔ n ≥ 64 1. b) Calcule a norma.96 * 4 64 b) LSC = µ + = 10.96 2 cσ n ≤ 1. Assim. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ .9 donde 1 – 0.Manual de Exercícios Na tabela da Normal.96 logo 2 cσ n 1. definiu com o director de produção os aspectos considerados relevantes no controle da duração média das componentes: - o limite superior de qualidade (LSC) deve ser de 10.82 Exercício 5 O director de produção da empresa DISLIX. Para tal.8 - = 9.

96 * 4 n ≤ 3.92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.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 3.04 = 11. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.96 * 4 Estatística Aplicada 130 .96 2 cσ n ≤ 3. b) Represente a carta de controle para a média.92 A probabilidade de se parar indevidamente a produção não deve exceder 5% Sabe-se que o desvio padrão da produção da energia eléctrica de um gerador é de 4 kws/hora e que a variável segue distribuição Normal.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.04 LIC = µ − cσ n cσ n • • • = 10 − 1. ( 4) 2 ) a) D(c)= 5% logo c= 1.92 logo 2 1.96 * 4 16 16 = 8. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .96 LSC = µ + = 10 + 1.

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

141 Vem que o obsv.991 observado = 31.4 528 557. considerado razoável face aos valores normalmente utilizados. concluindo-se que.Manual de Exercícios de segmentar o mercado. que é 5.141 é maior do que o valor obtido a partir da tabela. no grupo estudado.05). O número de aprovações foi de 33.=31. α=0. Assim sendo. há associação entre as variáveis. dos quais 20 não tinham prestado qualquer prova durante o ano. para os quais se convencionou a adopção de um nível de significância de 5%. a hipótese Ho será rejeitada. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação.8 164 186. 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. Para o cálculo das frequências esperadas. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos.05)=5. procedeu-se à aplicação de eij = n i .8 285 233.6 1126 Preço Baixo 212 189.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568. Em média.991 (cruzamento da linha 2 com a coluna 0. j n . Estatística Aplicada 132 . * n.2 376 Refrigerante 186 237.

a hipótese Ho não será rejeitada (há independência). Logo. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. construiu-se a seguinte tabela de contingência. α=0.84 observado = 3. com base nestes elementos.Manual de Exercícios Diga. 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. se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame.= 3.05)=3.122 é menor do que o valor obtido a partir da tabela. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 .122 Vem que o obsv. para um nível de significância de 5%.

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

33 obsv.5 130. + = 85.991 observado = 85. concluindo-se que há associação entre as variáveis. Moeda 0-10 10-45 45-70 Reduzida 20 20 250 Média 30 400 30 Elevada 200 30 20 Utilizando um nível de significância de 5%. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc. est.33 6..33) 2 (80 − 43. Assim sendo.84 113. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro.33 43.5 87 Média 115 207 138 Elevada 62.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113.069 é maior do que o valor obtido a partir da tabela. teste = Vem que o (150 − 113.66 43.5 112. a hipótese Ho será rejeitada.= 85.069 > 3.5 75 Estatística Aplicada 135 .33 crítico (GL=1. procedeu-se à recolha periódica de elementos sobre essas variáveis. Moeda 0-10 10-45 45-70 Reduzida 72. construindo-se a seguinte tabela de contingência: Taxa juro Proc..66 Elevado 86. α=0.05)=5.33) 2 + .069 Valor obsv.

49 observado = 1183. concluindo-se que há associação entre as variáveis.84 observado = 30 Vem que o obsv. Assim sendo. α=0.= 30 é maior do que o valor obtido a partir da tabela. que fazem parte de um determinado projecto de estudo e aplicou-lhes uma escala de atitudes com o objectivo de conhecer as suas opiniões em relação ao projecto. A. 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. B e C. concluindo-se que há associação entre as variáveis. a hipótese Ho será rejeitada. Estatística Aplicada 136 . 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%. Exercício 6 Um investigador seleccionou três amostras de estudantes.= 1183. Assim sendo.05)=3.05)=9.Manual de Exercícios crítico (GL=4. a hipótese Ho será rejeitada.7 é maior do que o valor obtido a partir da tabela.7 Vem que o obsv. α=0.

Sign up to vote on this title
UsefulNot useful