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

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

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

podem efectuar-se: Estatística Aplicada 5 .2.1. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores. População Fazer estatística pressupõe o estudo de um conjunto de objectos bem delimitado com alguma característica em comum sobre os quais observamos um certo número de atributos designados por variáveis.1.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada. As variáveis discretas assumem apenas um número finito numerável de valores. número de trabalhadores (atributo quantitativo discreto). Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo). etc 1. Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade.1. Está ligada essencialmente ao cálculo de medidas e coeficientes. Exemplo: Empresas existentes em Portugal 1. cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). As variáveis podem ser de natureza qualitativa ou quantitativa. 1. Definições Gerais 1.1.1.3. As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas. Processo de amostragem Para conhecer de forma completa a população. rácio de autonomia financeira (atributo quantitativo contínuo).

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

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

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

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

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

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

) 2 A média é uma medida de localização que. xn + xn Me = 2 2 +1 2 Dados classificados A mediana é o valor tal que Fi = 0. entendido como o valor em torno do qual se distribuem os valores observados. indica o valor central da distribuição. a média deixa de ser um valor que aparece na parte central da distribuição para ser “empurrada” para os extremos.Manual de Exercícios onde ci é o ponto médio de cada classe ( lim . mas a partir da posição dessas observações. Mediana (Me) A mediana não se calcula a partir do valor de todas as observações. inf . + lim . é preferível recorrer à informação complementar fornecida por outras medidas de localização. Estatística Aplicada 12 . Em casos desses.. Desta forma.4.5 Variáveis discretas Se existe um valor de xi para o qual Fi = 0. que se definem a seguir. Dados não-classificados Se tivermos n valores x1. . geralmente. a média tem o grande inconveniente de ser sensível a valores muito extremados ou aberrantes da distribuição (outliers). sup .5. então fala-se em intervalo mediano. x2.2. xn Se n fôr ímpar. a média é muitas vezes utilizada como valor representativo da amostra. No entanto. 2. Nestes casos. como a moda e a mediana.. Me = x n+1 2 Se n fôr par.

01. é a classe a que corresponde maior frequência por unidade de amplitude.25. determina-se o valor para o qual Fi = 0.75. Estatística Aplicada 13 . De uma forma geral: Me = L inf + 0.5 através de uma regra de três simples.5 − FL inf xamp.4. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. Medidas de ordem Tal como se definiu para a mediana.5. chama-se ao quantil decil Se p=0.. Q2 e Q3). Se p=0. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe.3..0. 0. classe mediana FL sup − FL inf 2..5. 2.5.Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0. 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.2... 0. 0... 0. isto é.02..99. Variáveis contínuas Em geral.0. A mediana é uma caso particular dos quartis (coincide com Q2) Variável discreta O quantil de ordem p é o primeiro valor de x para o qual i>p. chama-se ao quantil QUARTIL (Q1. isto é.9. é o valor mais frequente da distribuição. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p. chama-se ao quantil percentil Se p=0.5.1.

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

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

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

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

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

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

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

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

e) Analise a (as)simetria da distribuição em causa.04 0.2 0. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz. 3[ [3. Determine a mediana da distribuição. 25[ [25. Faça a sua representação gráfica.m.): Resultado Líquido [0. 50[ Total Frequência. 15[ [15. b) Determine a média e a moda da distribuição.18 0. Resolução a) fi/hi 0. d) Determine os quartis da distribuição.06 0.1 0.14 0. 5[ [5.12 0. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 .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. 1[ [1.08 0.16 0. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente.

correspondente à classe [3. o resultado líquido de uma empresa é de 7325 unidades monetárias. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0. Neste caso.5 2 4 10 20 37.m.5 x10%) + (2 x 25%) + .Manual de Exercícios [0.1 0. 25[ [25.2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0.5 x5%) = 7.35 5 : Fi = 0.175.125 0. + (37.8 0.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0. 1[ [1. 3[ [3. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u. o maior valor de fi / hi é 0. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.4 0.7 Estatística Aplicada 23 .015 0.175 0.01 0.m.6 0.. e 5000 u.325 Em média.002 Fi 10% 35% 70% 85% 95% 100% ci 0. 15[ [15. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude. 5[ 3 : Fi=0. 5[ [5. 5[..5): [3. isto é.

Estatística Aplicada 24 .25): [1.333 − 2.35 Cálculo do Q1: 0.7 . Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.Manual de Exercícios Cálculo da mediana: 0.15) = 8.1 -------------.15)/0.7 -----------. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.75 – 0.Q3 – 5 Q3 = 5 + ((10x0.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u. 15[ 5 : Fi=0.35 -----------.15 .Q1 – 1 Q1 = 1 + ((2x0.2) = = 0.3 .75): [5.5 0.1 -----------.05)/0.m.35) = 3.m.15)/0.1 3 : Fi = 0. 3[ 1 : Fi=0.0.857 50% das empresas apresentam resultados líquidos inferiores a 3857 u.0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.Me – 3 Me = 3 + ((2x0.35 .2 A distribuição é assimétrica positiva ou enviesada à esquerda.333 − 3.m.35 -------------.5 .85 .25) = 2.7 -------------.7 15 : Fi = 0.857) − (3.1 0.25 – 0.85 Cálculo do Q3: 0.857 − 2.0.4596 > 0 Q3 − Q1 8.5 – 0.3 0. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.

1[ [1.47 0.m.85 0.744) = 0.7 0.1 − 0.6 0. Estatística Aplicada 25 .85 + 0.Liq. Analise a concentração através do Índice de Gini e da Curva de Lorenz.5 2 4 10 20 37.Manual de Exercícios f) X [0.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200.5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0. 25[ [25.7 + 0.007 0.Totais G= (0. o que sugere um tecido empresarial com muitas PMEs.6% do total de resultados das empresas da 0.007) + .471 0. 15[ [15. entre 0 e 1). referente aos lucros obtidos por empresas de um dado sector industrial.95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0. + (0.35 + 0.35 0.. 70% das empresas apresentavam resultados até 5000 u.2 0. 3[ [3.6 0..744 1 50 + 500 + 1400 7325 Res..1 + 0.95 − 0.4 amostra. 0 0 0.075 0. mas em que cada uma tem baixo resultado líquido. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.8 0. Por exemplo. expressas numa determinada unidade monetária.5 Atributo 100x0.266 0.1 0.4 0.2 0. 5[ [5. mas isso representava apenas 26.5 corresponde ao centro da escala possível.95 1 qi 0.

c) Ajuste.1 0. 100[ [100.546(6) = 0. pelo Método dos Mínimos Quadrados.Manual de Exercícios Resolução Lucros [0.4 0.63(3) 0.6 0. b) Analise a correlação existente entre peso e altura. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.6 0.883(3) 1 Curva de Lorenz 1 0.8 0.25 Tanto pela análise da Curva de Lorenz.243 2. conclui-se que esta amostra apresenta concentração moderada.2 0. Estatística Aplicada 26 .95 1 qi 0.02 0. 50[ [50. uma função linear que exprima as peso em função da altura. 300[ [300.4 0. como pelo valor do Índice de Gini. encontrandose os valores razoavelmente repartidos.8 0.16(6) 0.2 0 0 0.4 0. a) Represente o diagrama de dispersão. 200[ [200. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.

r = 0. existe uma correlação positiva forte entre as duas variáveis. isto é.90681871. quase perfeita. c) 190 Recta de Regressão 180 Altura (cm) y = 0.9016x + 109.36 170 160 150 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.

714 A dispersão das despesas em publicidade é superior à dispersão das vendas.m. b) Analise a correlação existente entre volume e custo de produção. pelo Método dos Mínimos Quadrados.0651 CV x = sx 69.9016 x Peso Isto é.472.0651 = 0.Manual de Exercícios A equação desta recta traduz-se em Altura = 109. c) Ajuste.36 + 0.714 2 1 = n (xi − x ) = 69. é necessário calcular os coeficientes de variação (medidas de dispersão relativa): Dados não-classificados x = sx 2 1 n n i =1 n i =1 xi = 21.429 < CV y = sy y = 11. a altura esperada será de 109.39 x 21.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6. Publicidade 3 3 5 6 8 9 13 a) Compare as vendas e as despesas em publicidade quanto à dispersão.9408 1 = n (yi − y ) = 11.9408 = = 0. Resolução a) Para comparar a dispersão das duas distribuições. se um indivíduo pesar 70 kg. uma função linear que exprima as vendas em função das despesas em publicidade.36 + 0. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u. espera-se que a altura do indivíduo aumente 0.9016 cm.) 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. Estatística Aplicada 28 .9016 x 70 = 172. Por cada kg de peso adicional.495 6.

Riy 0 1 -1 1 1 0 2 1 -4 -1 29 .714) + ..9408 x 11.98 69. Em média. quando as despesas em publicidade aumentam (diminuem). Public.714)] 7 = = 0. No quadro abaixo. as vendas aumentam (diminuem) de forma quase exactamente proporcional.Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21..429)(3 − 6. + (35 − 21.8782 Vendas 20 10 0 3 8 Desp.429)(13 − 6. 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 .4649x + 4. Recta de Regressão c) 30 y = 2. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.0651 Existe uma correlação positiva linear forte entre as duas variáveis.

b) Determine o rendimento médio e mediano. 2[ [2. 5[ [5. mas sim das ordenações das classificações (do 1º ao 10º classificado). isto é. 25[ [25. Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. em média. os alunos que tiveram boa nota na prova inicial tiveram. igualmente boa nota na prova final.5 30 Estatística Aplicada .5 1. 50[ Nº de famílias 250 375 625 750 375 125 a) Represente as frequências acumuladas graficamente.) de 2500 famílias da população de um país: Rendimento anual [0. 5[ [5.5 3.5 10 20 37. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u.m.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). 25[ [25. c) Determine os três primeiros quartis. 1[ [1. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0. 1[ [1. 2[ [2.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos. 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. 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. 15[ [15. 15[ [15.

Classe mediana (classe a que corresponde uma frequência acumulada 0.6 0. a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias)..m.8 .8 Cálculo do Q3: 0.5 x10%) + (1.75): [5.5 x15%) + .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 = (0.5 0.. 15[ 5 : Fi=0.m. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0. 2[ 3 : Fi = 0. 5[ 5 : Fi = 0.5): [2. o rendimento anual de uma família é de 9025 unidades monetárias.5 -------------.5.5 -----------.5 x5%) = 9. Logo.25)/0. + (37.25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u.0. Estatística Aplicada 31 .8 0.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.75 – 0.Manual de Exercícios 1 0.5 15 : Fi = 0.3) = 13.025 Em média.4 0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.15 .Q3 – 5 Q3 = 5 + ((10x0.25): [1.

140[ [140.1274 0.46 0.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.1 5.2 19.5 0.5 7.5 2187.5 pi (=Fi) 0. 80[ [80. 2[ [2.8 15. 200[ [200. Relativa (%) 7.5 10 20 37.47 > 0 Q3 − Q1 13.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda. 25[ [25.95 1 qi 0.4555 2.0305 0. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0.333 − 5) − (5 − 2) = = 0.1 0.5 1.00554 0.286875 = 9.25 0. 1[ [1. 15[ [15.5 3.2 31.8 0. 120[ [120.6 3. 250[ [250.18436 = 0.5 22562.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13. 160[ [160. 300[ [300.071 e) Rendimento anual [0.0 100 Estatística Aplicada 32 . 5[ [5.4 2.6 Concentração moderada do rendimento Exercício 7 Considere a seguinte tabela que representa a distribuição dos empregados de uma instituição bancária segundo a remuneração bruta mensal (em milhares de unidades monetárias): Remuneração [60.5 7500 7500 4687. 350] Total Frequência. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82.2 8.286875 2 s x = s x = 82. total 125 562. 100[ [100.5 Rend.

2 31.100 Q2 = 100 + ((20x0.23 -----------.m.23 3 : Fi = 0.5 7.100 0. Relativa (%) 7.0. 250[ [250. Resolução a) Remuneração [60.120 .2 19.8 15. 80[ [80.312) = 117.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.8 23 54. 200[ [200.4 2.9 89 94.28 25% dos empregados auferem remunerações inferiores a 101.m.Manual de Exercícios a) Calcule os quartis da distribuição.542 .100 0.2 8.27)/0.Q1 .0 100 Fi (%) 7. 300[ [300. 120[ [120.5): [100.Q2 . 120[ 100 : Fi=0.23 -----------.7 80.312) = 101. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.542 .02)/0. c) Analise a assimetria da distribuição em causa.120 .100 Q1 = 100 + ((20x0. b) Analise a dispersão da distribuição em causa.28 milhares u. 160[ [160. 350] Total Frequência.23 -------------. 140[ [140.25): [100.5 .542 Cálculo do Q1: 0. 120[ 1 : Fi=0.0. Estatística Aplicada 33 .0.25 .3 milhares u.2 73.23 -------------. 100[ [100.3 50% dos empregados auferem remunerações inferiores a 117.6 3.1 5.542 Cálculo do Q2: 0.23 120 : Fi = 0.0.

Q1 = 143. 160[ 120 : Fi=0. 304[ [304.809 . 302[ [302. 300[ [300.737 140 : Fi = 0. 306] Total Frequência. 301[ [301.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0. b) Calcule as frequências acumuladas e represente-as graficamente.140 Q3 = 140 + ((20x0. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.243 > 0 Q3 − Q1 143.61(1) .737 -----------. 305[ [305.28 = 42.0. saíram de uma linha de enchimento automático: Peso (em gramas) [297.737 -------------.140 0.Q3 . 299[ [299.160 . do conteúdo de uma série de 100 garrafas que.28) = = 0.33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143. Exercício 8 Os dados seguintes referem-se ao peso. expresso em gramas.75): [140. Estatística Aplicada 34 .m.101.61 − 101.072) = 143.75 – 0.61(1) milhares u. 298[ [298.3 − 101.61(1) 75% dos empregados auferem remunerações inferiores a 143.809 Cálculo do Q3: 0.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda. 303[ [303.61 − 117. no decurso de um teste.013)/0.3) − (117. b) Amplitude do intervalo inter-quartis = Q3 .

306] Total F* 1 0.11 kg. 300[ [300.15 0.8 0.. 298[ [298.6 0. e) Analise a dispersão do peso das garrafas. Estatística Aplicada 35 .05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297.3 0. 303[ [303.4 0. 304[ [304.. 301[ [301.25 0.1 0.5 x8%) + (298.2 0 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 Frequência Relativa (%) 8 21 28 15 11 10 5 1 1 100 Fi (%) 8 29 57 72 83 93 98 99 100 c) x = 1 n n i =1 ni c i = n i =1 f i ci = (297. 302[ [302. 299[ [299.5 x 21%) + .2 0. mediano e modal. 305[ [305.11 O peso médio das garrafas é de 300.5 x1%) = 300.Manual de Exercícios c) Determine o peso médio. + (305. Resolução a) 0. Qual o seu significado? d) Determine os quartis da distribuição.

300 .25): [298. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.08 299 : Fi = 0. 302[ 301 : Fi=0.299 Q1 = 299 + ((1x0.298 .72 -------------.299 0.0. Neste caso.21) = 299.57 .301 0.5 .0.29 -----------.0.83 Cálculo do Q3: 0.57 Cálculo do Q2: 0.Q1 .72 302 : Fi = 0.5): [299.0357 25% das garrafas têm peso inferior a 299.75 50% das garrafas têm peso inferior a 299.25 . 299[ 298 : Fi=0.28) = 299.29 Cálculo do Q1: 0.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0.299 Q2 = 299 + ((1x0. o maior valor de fi é 0.27(27) kg. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.Q3 . Estatística Aplicada 36 .17)/0.21)/0.83 .299 0. 300[ 299 : Fi = 0.08 -----------.08 -----------.11) = 301.0. 300[. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.27(27) 75% das garrafas têm peso inferior a 301.29 300 : Fi = 0.0.29 -------------.29 .75 – 0.Q2 .301 Q3 = 301 + ((1x0.75 kg.0357 kg.302 .03)/0. isto é.72 -----------.75): [301. A classe modal é aquela a que corresponde maior frequência relativa.28 correspondente à classe [299.

775 1.02 0. 1.5[ [1. Resolução a) Altura (em metros) [1.1 0.55[ [1.675 1.2 2 5 2.27(27) .0357 = 2.05 0.97 1 6 5 4 3 2 1 0 Histograma 1.65.525 1.75[ [1.65[ [1.6[ [1.4.55. 1.4.6[ [1.25 0. 1. 1.05 0.67 0. 1. 1.3 Fi 0.03 1 ci 1.6 3. d) Determine os quartis da distribuição e diga qual o seu significado.575 1.299. 1.45 1.75.37 0.55.75[ [1. 1.7. 1.725 1. 1. 1.05 0.05 0.8[ [1.02 0.65[ [1.5[ [1.5. 1. e) Analise a dispersão da distribuição.12 0.7.17 0.75. 1.8[ [1.6 1. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.8.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.1 fi/hi 0.65.625 1.7[ [1.9 Estatística Aplicada 37 .1 0. b) Determine a altura média e a altura modal.87 0.8. 1. 1.13 0.6.7 1.05 0.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .6.8 1. f) Analise a (as)simetria da distribuição.Q1 = 301.4 1.5 1.5 0.4 4 2 0.2 0.85 hi 0.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1.1 0.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima.55[ [1.5.7[ [1.05 0. 1.

1.8 1.12 1.5 1.65[ 1.7 1.2 0 1.4 0.67 1.37 Cálculo do Q1: 0.55.12 -----------. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.37 – 0.75 : Fi = 0.65 m.6[ 1.25) = 1.Q1 – 1.576 m. Neste caso.13)/0.4 1. + (1.6 : Fi = 0. a altura mais provável de um aluno rondará 1.65 A altura média dos alunos é de 1.3 1.7 : Fi=0. 1.6.6[.55 Q1 = 1.6 0.05x0.6m.55m / 1.25 – 0.45x 2%) + (1.5): [1.5 50% dos alunos têm altura inferior a 1.65 : Fi = 0.9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.75): [1.7. correspondente à classe [1.55 + ((0. 1.55.25): [1.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1.85x3%) = 1.87 Estatística Aplicada 38 .. c) F* 1 0.65 m.55 : Fi=0.55 0.8 0.525x10%) + .75[ 1. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0. isto é.. 1. 1.576 25% dos alunos têm altura inferior a 1. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.12 -----------.6 1. o maior valor de fi / hi é 5.6 – 1.

7 0. 10[ [10.0.027(7) < 0 = Q3 − Q1 1.72 − 1.1.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).Q1 = 1.72 – 1.00536875 2 s x = s x = 0.7 Q3 = 1. b) Determine a duração média das chamadas e respectivo desvio-padrão.72 75% dos alunos têm altura inferior a 1.00536875 = 0.75 – 1. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.576) = −0.67-----------. 5[ [5.72 m. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 . Exercício 9 Em determinada central telefónica.7 + ((0.Manual de Exercícios Cálculo do Q3: 0.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0.2) = 1.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.72 − 1.65) − (1. 30[ [30.08)/0.87. e) Amplitude do intervalo inter-quartis = Q3 .65 − 1. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.67-------------. 20[ [20.Q3 – 1.05*0.576 = 0.75 – 0.

08 0.35 minutos.5 7.5 x30%) + .006 0.06 0.00536875 = 9. 10[ [10. com desvio-padrão de 8.3 0.025 c) Classe mediana (classe a que corresponde frequência acumulada 0. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001. Compare.5): [5. 5[ [5.7 minutos.. 30[ [30.002 Fi 0.9 0..7 0.2 0.1 0.5 15 25 40 10 20 30 40 50 60 30 40 50 60 70 80 90 100 b) x = 1 n i =1 n ni c i = f i ci = (2.06 0.02 0 0 F* 1 0.04 1 Histograma hi 5 5 10 10 20 fi/hi 0.35 A duração média de uma chamada é de 9. 10[ Estatística Aplicada 40 .6 0.06 0.96 1 ci 2. + (40 x 4%) = 9.02 0. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81. 50] Total fi/hi 0.04 0.4525 2 s x = s x = 0.5 x 40%) + (7.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.4 0.08 0.8 0. quanto à dispersão.4 0. Resolução a) Duração (em minutos) [0.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0. 20[ [20.4 0.

5 0. pelo Método dos Mínimos Quadrados.3)] = 12 = 0.67 50% das chamadas têm duração a 6.0..87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento.10 . + (2000 − 1358.7 = 0.67 minutos.5 Me = 5 + ((5x0.Manual de Exercícios 5 : Fi = 0.4 -----------..1)/0.7 . d) CV Dez = s x 9. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358.025 = = 0. b) Ajuste.7 Cálculo da Me: 0.35 CV2001 = sy y = 8.3) = 6. O volume de produção e o custo de produção de cada lote apresentam-se na tabela: Lote 1 2 3 4 5 6 7 8 9 10 11 12 Volume (unidades) 1500 800 2600 1000 600 2800 1200 900 400 1300 1200 2000 Custo (contos) 3100 1900 4200 2300 1200 4900 2800 2100 1400 2400 2400 3800 a) Analise a correlação existente entre volume e custo de produção. uma função linear que exprima o custo em função do volume de produção.4 10 : Fi = 0.3)(3100 − 2708.Me . Estatística Aplicada 41 .5 .0.965 > x 9.4 -----------.3)(3800 − 2708.3) + .98 520854x 1145944 Correlação positiva quase perfeita.

7 0. Estatística Aplicada 42 .7)(0.8 0.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.8 1.5 0. pelo Método dos Mínimos Quadrados.0 0.096933 Correlação positiva moderada.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 ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.61 3669. Resolução a) r = s xy s xx s yy 1 [(191 − 121.4553x + 731. + (81 − 121.9 1.9 − 0. uma função linear que exprima a variável EPS em função de PBV...3 0.92)] =9 = 0.4 − 0.4 a) Analise a correlação existente entre aqueles dois indicadores.7)(0. b) Ajuste.332 x 0.9 1.92) + .

6 0.m.8 PBV 1 1. b) Ajuste.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. uma função linear que exprima a variável Gi em função de Ri.6 y = 124.04x + 7.) 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. pelo Método dos Mínimos Quadrados.4 0.2 1. Estatística Aplicada 43 .2 0.Manual de Exercícios b) 250 200 150 100 50 0 0 0.

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

104 Introdução ao e-learning .

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

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. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares.2. Por exemplo. num lançamento de um dado ordinário tem-se que o espaço de resultados é { .5.4. para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces.5}.6}. aos acontecimentos é aplicável toda a construção disponível para aqueles. 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 . 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos.3. 1 Definidos como conjuntos. que não sei mais que subconjuntos do espaço de resultados. Por exemplo. 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. obtém-se um resultado individual. o de espaço de resultados.3. 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. O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória. isto é. outros como “saída de um número ímpar” definido pelo subconjunto { . no lançamento de um dado podem definir-se.

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

numa outra perspectiva. Este exemplo corresponde ao cálculo de uma probabilidade condicionada. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”.4 .02 0.15 0.08 0. Estatística Aplicada 48 .2 0.8 1. isto é 0.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”.1 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.2 0. 3.25 Normal 0.45 0. Por outras palavras. 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”.22 Total 0.53 Magro 0. convém ainda referir que. a da chamada teoria frequencista.Manual de Exercícios Após a apresentação desta definição.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. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.2. sabendo que ocorreu o acontecimento “ser obeso”. a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta. 0.1 = 0. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0.

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

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

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

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

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

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

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

A e B. De ensaios anteriores.P(A ∩ B) = 1/13+1/4-1/52 = 4/13 (=(13+3)/52) d) P(A-B) = P(A) – P(A ∩ B) = 1/13 – 1/52 = 3/52 (= (4-1)/52) e) P( A )= 1-1/13 = 12/13 (=(52-4)/52) f) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 4/13 = 9/13 g) P( A ∪ B ) = P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 1/52 = 51/52 Exercício 2 Um sistema electrónico é formado por dois sub-sistemas.Manual de Exercícios PROBABILIDADES Exercícios resolvidos Exercício 1 De um baralho ordinário (52 cartas) extrai-se ao acaso 1 carta. 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 .

15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.8%. C: 12.7%.1%.9% P(A ∩ C) = 3.2 + 0.3 – 0. B e C: 6%. A. 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) = 9.8% P(A ∩ B) = 5.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) = 0.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0. B e C. com as seguintes percentagens de leitura: A: 9. A e B: 5.7% P(C) = 12. A. B: 22.4% Estatística Aplicada 57 .4% Escolhe-se uma pessoa ao acaso.9%. A e C: 3.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2.15 = 5% c) P(A ∪ B) = P(A) + P(B) . B e C: 2.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0.2 – 0.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0.1%.P(A ∩ B) = 0.1% P(B) = 22.15 + 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

03 + P( M 2) * 0. A incidência de defeituosos na produção de cada máquina é: M1: 3% M2: 1% M3: 2% Extrai-se ao acaso da produção diária um parafuso. 3 máquinas.01 + P( M 3) * 0.3P( M 2) + P( M 3) = 1 ⇔ 0. 1 = P(M1)*10000 = ? Prod.65% Prod.0165 = 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.Manual de Exercícios Exercício 8 Numa fábrica.3P( M 2) P( M 1) + P ( M 2) + P( M 3) = 1 ⇔ P( D) = P( M 1) * P( D / M 1) + P( M 2) * P ( D / M 2) + P( M 3) * P( D / M 3) − 1. determine o número de parafusos que cada máquina produz diariamente.02 Estatística Aplicada 61 . A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2. 2 = P(M2)*10000 = ? Prod. sendo a produção diária total de 10000 unidades. M2 e M3 fabricam parafusos. M1.65%. Sabendo que a probabilidade dele ser defeituoso é de 1.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1.3P( M 2) * 0. 3 = P(M3)*10000 = ? P( M 1) = 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.3P( M 2) * 0.3P( M 2)) * 0.3 * 0.Manual de Exercícios − ⇔ P( M 3) = 1 − 1. calcule a probabilidade de ter utilizado os transportes B ou C.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) 0.5 = 15% P( M 3) = 1 − 1.3 * 0.8 P(T/B) = 0.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A. 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) = 0.02 P( M 1) = 0.5 P(T/C) = 0.6 P(T/A) = 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.03 + P( M 2) * 0. B ou C.01 + (1 − 1.0165 = 0.3P( M 2) = 1 − 1.

Manual de Exercícios Logo 0.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 . de 30% e de 60% a percentagem de 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.I.I.I.I.6 = =73.3 – 0.I.4 * 0. sabe-se que 70% dos indivíduos com Q. respectivamente. baixo.8 + P(B)*0.) elevado e médio são. 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.5 + 0.6 Exercício 10 Uma empresa que se dedica à prestação de serviços de selecção de pessoal em relação a um teste psicotécnico para uma profissão específica sabe o seguinte: - as percentagens de indivíduos com um quociente de inteligência (Q. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q.6 = (1-2P(B))*0.5 + P(B)*0.3% P (T ) 0.4 * 0. baixo ficar apto no teste é de 20% finalmente.

automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1. 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 .7+0. possuir pelo menos um daqueles três objectos 2. possuir telefone ou frigorífico 2.1*0.1 * 0. possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0. possuir também frigorífico 2.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0.3*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.5+0.6*0.8 = = 17% 1 − 0. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.

pelo menos. P(A ∪ B) = P(A) + P(B) .1+0.15 = 70% 2.2-0. P(B / C) = 2. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade.25 c) 1.P(A ∩ C) = 0.5+0.2 = 40% b) krysktsh1.35 + 0. um acidente durante o referido período? Estatística Aplicada 65 .25 – 0. a) Qual a probabilidade de um segurado não sofrer qualquer acidente durante um ano? b) Qual a probabilidade de um segurado que sofreu pelo menos um acidente ter idade igual ou inferior a 40 anos? c) Qual a probabilidade de.35 + 0.1 = = 40% P (C ) 0.1 − 0. todos terem idade igual ou inferior a 40 anos? 2. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0. dado que cada um sofreu. dos quais 5% sofrem.25-0. De entre os segurados com idade igual ou inferior a 40 anos. Todos terem idade igual ou inferior a 40 anos. nenhum ter sofrido qualquer acidente durante um ano? 3.2 + 0.Manual de Exercícios P(A ∩ B) = 15% P(A ∩ C) = 20% P(B ∩ C) = 10% P(A ∩ B ∩ C) = 5% a) 1. P(A ∪ B/ C) = P ( A ∩ C ) + P ( B ∩ C ) − P ( A ∩ B ∩ C ) 0.35+0. 3% têm um ou mais acidentes no mesmo período.4 = 60% P(A ∪ C) = P(A) + P(C) .5 – 0. 1 – P( A ∪ B ∪ C ) = 1 – 0.25 P( B ∩ C ) 0. um acidente por ano.P(A ∩ B) = 0.05 = 70% 2.05 = = 100% P (C ) 0. pelo menos.15-0. numa amostra de três segurados 1.

03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0. P( B ∩ B ∩ B ) = 0.97 = 95.958*0. P( I 2 ∩ I 2 ∩ I 2) = 0.05 = 95% P( A /I2) = 1 – 0.9% 3.4*0.6*0.57% = P(B) 1 − 0.3% Estatística Aplicada 66 .6 * 0.95 + 0.6 = 40% P( A /I1) = 1 – 0.03 = = = 28.958*0.2857*0.2857*0.Manual de Exercícios Resolução I1: o segurado tem mais de 40 anos de idade I2: o segurado tem 40 anos ou menos de idade A: o segurado sofre pelo menos 1 acidente por ano A : o segurado não sofre nenhum acidente por ano P(I1) = 60% P(A/I1) = 5% P(A/I2) = 3% P(I2) = 1 – 0.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0. P( A ∩ A ∩ A) = 0.2857 = 2.4*0.4% 2.4 = 6.4*0.958 P ( A) P ( A) c) 1.958 = 87.

104 Introdução ao e-learning .

7.2.3.1. é 5. 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.83 = 0. A central só pode atender um número máximo de 8 chamadas por minuto. entre as 4 bobines necessárias a um determinado cliente.4) n=4 p=0.4. 6.06 e −5 5 x P(X ≤ 8) = = 0.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central.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 4.1.8 Logo P(X>8) = 1-0.8 P(X=1)=C4p1q4-1 = 4*0. 5.2*0. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.2 q=1-p=0.2 q=1-p=0. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 . 8) λ=5 8 p=0.2.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas. Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0. por minuto (0. calcule a probabilidade de.932 = 0.5 horas. por minuto.3. escolhidas ao acaso uma ser defeituosa.

Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente. a) b) Qual a probabilidade de que. vem: 121 − 120 =2 0. sabe-se. se aluguem 5 barcos? Qual a probabilidade de que. O número de turistas que procuram este serviço. num período de 6h λ=1/4. em cada hora. entre as 8 e as 9 horas.9772. em média.5 Consultando a tabela.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4.333 = 0. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. que esse serviço funciona ininterruptamente das 8 às 20 horas.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120. verifica-se que o valor da função Z é P(X ≤ 2) = 0. entre as 9 e as 11 horas.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. destinado aos turistas que a frequentam. e X: numero de avarias que ocorrem no intervalo [0.28%.5. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 . está associado a uma variável aleatória com distribuição de Poisson. por outro lado. Verificou-se que. por hora. esse serviço é procurado por 8 turistas interessados em alugar barcos.9772 = 2. isto é.5 = e −1. com desvio padrão 0. Z= Logo P(X>2) = 1-0.6[.

o cais da refinaria pode atender. num qualquer dia. ser preciso mandar petroleiros para outro porto? b) De quanto deveriam ser aumentadas as instalações de forma a assegurar cais a todos os petroleiros em 99.16% b) Y1: nº de turistas que procuram o serviço de aluguer na 1ª hora Y2: nº de de turistas que procuram o serviço de aluguer na 2ª hora Logo Y1+Y2: nº de turistas que procuram o serviço de aluguer em 2 horas Pelo Teorema da Aditividade da Poisson. a) Qual a probabilidade de. Nas actuais condições.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. os restantes que eventualmente apareçam deverão seguir para outro porto.0057 + .32% Exercício 6 O número de navios petroleiros que chegam diariamente a certa refinaria é uma variável com distribuição de Poisson de parâmetro 2. considerando Y1 e Y2 independentes e que todas seguem Po(8). + 0. Atingido este número..0001 = 1. + f(33) = 0...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 . no máximo. vem que: Z=Y1+Y2 segue Po(2*8=16) Logo P(Z>25) = f(26) +.. 3 petroleiros por dia.

Z = X .3233 E(Y) = 0*0.. 3) g(0) = P(X=0) = 0.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0. pg. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0. 2..218 Recorrem a outros portos.8571 =14.29% (tab.3 Em média.1.1. p = P(X>3) = 0. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1.E(Y) = 2 . 5. 2.1. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .1429 = 4.1353 g(1) = P(X=1) = 0.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0. 3.30) W segue Bi (n = 30. 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 30.1. 4. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2. 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.Y E(Z) = E(X -Y) = E(X) .1353 + … + 3*0.2707 g(2) = P(X=2) = 0. 6) Logo.782 = 0.782 São atendidos.85%.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo.1429) E(W) = 30*0. em média.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0. 2.3233 = 1.6767 = 0. com probabilidade 27.. em média. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh.

considerando X1. A cadeia A opera a um ritmo médio de 2 montagens por hora.a. existem 2 cadeias de montagem A e B.3085 X segue N(400.1)< = P(N(0.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. N(1200. 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. X2 e X3 independentes e que todas seguem N(400.58) = 28.1)<-0. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v.6915 ⇔ = 0. 1600). vem que: Y=X1+X2+X3 segue N(400*3. 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.71%. com funcionamento independente. Poisson. 4800) 2. isto é. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . ao fim de 3 meses. Qual a probabilidade de que.3085 ⇔ 40 40 T − 400 T − 400 ) = 0. 1600*3). P(3*420-Y > 100) = P(Y < 1160) = P(N(0. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98.1) ≤ b) 1.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico.Manual de Exercícios 2. 1600) a) P(X>T) = 0.3085 ⇔ P( P(N(0.

se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de. percorrendo as linhas de valor = 0.0009*0.9817 = 0.0183 Na tabela da Poisson. Y2 e Y3 independentes e que todas seguem Po(4). em 3 horas de trabalho. mas desconhece-se a média (=parâmetro λ) No entanto. numa hora. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.1353*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.1954 = 3. considerando Y1.1048 = 34..0001 + … + 0.8893=11.0183 + 0. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +.0753 + 0. Logo..1954 + 0.2707*0.0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4.72% c) P(X=2Y) = P(X=0 ∩ Y=0) + P(X=2 ∩ Y=1) + P(X=4 ∩ Y=2) + P(X=6 ∩ Y=3) + P(X=8 ∩ Y=4) = 0.8% d) W: nº de montagens das 2 cadeias num dia de trabalho de 8 horas W= 8 i =1 ( X i + Yi ) onde Xi + Yi corresponde ao nº de montagens das 2 cadeias por hora Estatística Aplicada 72 . + f(10) = 0 + 0. Na tabela da Po(4).012*0.9817. vem que P(Y<1) = 1 – 0.0902*0. vem que o valor 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. como se sabe que P(Y ≥ 1) = 0. λ = 4.Manual de Exercícios b) a probabilidade de.

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. p=0.8179+0. num volume que contém 20.9831 = 19.Manual de Exercícios Pelo Teorema da Aditividade de Poisson.79% b) 1.66 Estatística Aplicada 73 . Crit. determine: a) a probabilidade de um maço acabado de formar 1. segue Po(6*8=48) Logo.52% 2.9919 = 16. P(X=0) = 0.8179) Logo E(Y) = 20*0. Crit. Numa rápida análise às condições de produção. também pelo mesmo Teorema. conter 0 cigarros com filtro defeituoso b) o número de maços que. 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. 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. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. E Z .1652 = 0. a companhia espera poder aproveitar se utilizar o critério: 1.9831) Logo E(Y) = 20*0. vem que Xi + Yi segue também Po(2+4=6). P(X=1) = 20*0.010*0.01*0.8179 = 16. maço é aproveitável se não contiver cigarros defeituosos 2.36 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. p=P(X=0)+P(X=1)= 0.01) a) 1.9920 = 81. conter 1 cigarro com filtro defeituoso 2. p=P(X=0) = 0. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos. Nestas condições. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente.

475 0. logo µ = 0.25 − 0.5% vem que P( 0.2 0. a) Calcule a média e o desvio-padrão do comprimento das peças. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.25 σ < 0.642) = 47. Sabemos que 50% das peças produzidas têm comprimento inferior a 0.25 σ ) = P (0 < N (0.642 mm.σ < X < µ + σ) = P(0.05 − 0.13% 0.25 σ 0.392 = 1.2 74 θ( Estatística Aplicada .45) = P(X<0.1) < 0.392 σ )= =θ( σ ) − θ (0) = 0.25<X<0.475 + 0.25 − µ σ 0.a.25) = 50% P(0.25 − µ ) = 50% Na tabela.975 0.25<X<0.392 ) = 0.5% a) Como P(X<0.642 − 0.25 mm e 0.96 e logo σ = 0.25) = 50% vem que P( X −µ σ < 0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.σ P(X<0. b) Determine a probabilidade de uma peça não ser defeituosa.5% têm comprimento entre 0.25 P(0.25 0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.05) = 0. E como σ tem que ser =0.5 = 0.45 − 0. vem que σ b) P(peça não defeituosa) = P(µ .5.2 Sendo θ (0)=0.642) = 47.05 < X < 0.392 < X − 0. Normal com média µ e variância σ2. σ2) Peça defeituosa se X>µ + σ ou se X< µ .25 mm e 47.45) – P(X<0.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v. vem que θ ( σ Na tabela 3B da Normal.

vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0.19. Estatística Aplicada 75 . 20) n=20 p=0.6 X segue Bi (20.58% Exercício 12 Sabe-se por via experimental que..F(7) = 41. 0. que eleva a probabilidade de cura para 40%. por cada período de 5 minutos. Um empregado entra ao serviço às 8 horas. 4 veículos a determinado posto abastecedor de combustíveis..2. em média. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0.4 q=1-p=0. 8 doentes em 20. Calcule a probabilidade de se concluir pela ineficácia do medicamento. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de. Põe-se à prova um novo medicamento. chegam.1. pelo menos. ainda que este eleve de facto a probabilidade de cura para 40%.4) P(X ≥ 8)=1. considerando X1 e X2 independentes e que ambas seguem Po(4). ministrando-o a um grupo de 20 doentes.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%. Qual a probabilidade de ter de aguardar mais de 10 minutos até à chegada de um veículo? Resolução X: nº de veículos que chegam ao posto abastecedor por período de 5 minutos X segue Po(4) Se X1: nº de veículos que chegam ao posto no 1º período de 5 minutos X2: nº de veículos que chegam ao posto no 2º período de 5 minutos então X1+X2: nº de veículos que chegam ao posto abastecedor em 10 minutos Pelo Teorema da Aditividade de Poisson.03%.

02 kg. Estimação por intervalos Conhecendo-se uma amostra em concreto. Assim. se recolhermos outro conjunto idêntico de pacotes. suponhamos que numa fábrica produtora de açúcar se pretende averiguar se o peso dos pacotes produzidos está. é possível estimar os valores dos seus parâmetros caracterizadores através de métodos probabilísticos.Manual de Exercícios 3.12 kg. Isto é. ao recolher um determinado número de pacotes da produção total aleatoriamente. é possível calcular o peso médio de acordo com as técnicas de estatística descritiva apreendidas atrás. Na impossibilidade de medição do peso de todos os pacotes. De facto. tal significa que. se dissermos que o nível de confiança ou certeza implicado é de 95%. a partir da observação de uma única amostra.4. pela morosidade e dispêndio de recursos que tal implicaria. este método poderia. se nos fosse possível observar um número infinito de amostras. a estatística permite que. dentro das normas de qualidade exigíveis.92 kg e 1. para cada amostra de dimensão n recolhida. Claro que nada nos garante que esse valor coincide com o valor do parâmetro da população em estudo. a partir da recolha de uma única amostra. a estimativa do parâmetro assumiria valores distintos. Isto é. o valor seja diferente. como retirar conclusões? Como garantir algum nível de rigor? O método a estudar neste capítulo – a estimação por intervalos – permite. Estatística Aplicada 76 . mais. Então. caso o valor amostral fosse de 1. permitir afirmar que seria altamente provável que o peso dos pacotes produzidos estivesse a variar entre 0. Caberia depois à empresa julgar se esses seriam ou não valores aceitáveis e proceder aos eventuais reajustes necessários. é até provável que não coincida e. em média. Por exemplo. o intervalo de valores apresentado corresponderia aos resultados obtidos em 95% delas (os valores mais usualmente utilizados são 90%. por exemplo. aferir entre que valores seria de esperar que variasse o parâmetro de interesse se nos empenhássemos a recolher um número infinito de amostras. 95% ou 99% de confiança). seja possível inferir entre que valores varia o peso médio com um grau de confiança ou probabilidade elevado. por exemplo. E esse resultado tem um determinado nível de confiança associado: por exemplo.

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

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

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

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

contenha o valor esperado da altura µ. Resolução X segue N(µ.2 20 . tendo-se obtido o valor de 1.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.76 Amplitude = Lim.085 mg e 1.70m. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.2 − 2. que o teor médio de nicotina de um cigarro se situa entre 1. com 99% de confiança.12 = 11. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0. observando-se um valor médio de 1.Sup.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina. Defina um intervalo que. 0.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.051.Lim.2 σ=0.576 x0. com 99% de confiança.576 x0.576 σ n .88 – 104.1. Estatística Aplicada 83 .315 mg. diga.X +c σ n = 1.2 mg. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0.22) n=20 e logo X −c x =1.1. entre que valores se situa o teor médio de nicotina de um cigarro.2 − 2.2 20 = [1.315] Estima-se.Inf.Manual de Exercícios b) Amplitude = 115. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11.085. . com probabilidade 95%.2 mg.

com 90% de confiança.1.9 p (1 − p ) p (1 − p ) ˆ .2 − 1.9 0. onde 10% dos artigos são defeituosos. com 95% de confiança.611.Manual de Exercícios Resolução X segue N(µ.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.23%. Determine o intervalo de confiança para a referida proporção com 90% de confiança.0. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.645 = 1600 1600 n n = [0.70 σ2=0. que a proporção de artigos defeituosos na produção se situa entre 8.X +c σ n = 1.0876. Para tanto.96 x 0.p+c .788] Estima-se.1x0.1x0.051) n=25 e logo X −c x =1. colhe-se uma amostra de dimensão suficientemente grande (1600 artigos).1.051 25 .085 mg e 1.96 σ n . 0.76% e 11. Construa um intervalo Estatística Aplicada 84 .0.7 − 1.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.1123] Estima-se.1 − 1.1 − 1.96 x 0. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.645 = 0.315 mg. que o teor médio de nicotina de um cigarro se situa entre 1. Passada uma semana.051 25 = [1. Exercício 6 Numa fábrica. procura conhecer-se a incidência de defeituosos na produção de uma máquina.

645 e logo Estatística Aplicada 85 . 0.p+c = 0.9%.96 .96 = n n 300 300 = [0.034.25 − 1.833].25 x0.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.767. Nesse sentido. com 95% de confiança. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20.75 ˆ .75 0. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto.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.299] Estima-se.0.25 x0. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0. verificando que 960 a conheciam. Resolução n=300 ˆ p= 75 = 0.25 − 1. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.1% e 29.0.201.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.

1% e 81.0.8 − 1.2 ˆ .-Lim. a que corresponde o nível de confiança utilizado Exercício 9 O gabinete de projectos de uma empresa de material de construção civil pretende estimar a tensão de ruptura do material usado num determinado tipo de tubos.Manual de Exercícios ˆ p−c = [0. Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.781.86 1200 Logo 0.8 − 1. que a proporção de indivíduos conhecedores da marca se situa entre 78.645 * ≤ 0.833 ⇔ c = 2.Inf. ˆ b) Amp.padrão da tensão de ruptura do material em causa é de 70 psi.=Lim.8 x0.645 .2 = 0.645 = n n 1200 1200 Estima-se.0.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.8 x0.1) vem igual a 99. com 90% de confiança. = ( p + c Logo ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c n n n 2c ˆ ˆ p(1 − p) 0.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .8 * 0.6%.p+c = 0.86) na tabela N(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 = 2.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2. estima-se que o desvio .8 + c E D(2.833 n 0. Com base num vasto conjunto de ensaios realizados no passado. pretendendo-se que a sua amplitude não exceda 60 psi.2 0.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.9%.8 * 0.2 = 2 *1.Sup.

58 10 = [4530.4543.X +c σ n = 4537 − 1. Exercício 11 Uma amostra de 50 capacetes de protecção.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos.58 10 .96 σ n .5. para o valor esperado da tensão de ruptura dos cabos do lote em causa. Resolução a) n=50 ˆ p= 18 = 0.96 x10.5] Estima-se.96 x10. Defina esse intervalo.96 e logo Estatística Aplicada 87 . que é respeitada. tendo sido obtida uma média de 4537 kg/cm2. a 95%. para a verdadeira proporção p de capacetes que sofre danos com este teste. que o tensão média de ruptura dos cabos se situa entre 4530. Recentemente.5 kg/cm2. O director comercial pretende saber qual o intervalo de confiança.4537 − 1. Existe uma norma de 112 kg/cm2 em relação à variância. e em 18 foram observados alguns danos.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Interprete o resultado obtido. usados por trabalhadores de uma empresa de construção civil.5 kg/cm2 e 4543. Construa um intervalo de confiança. com 95% de confiança. foram analisadas as tensões de ruptura de 10 cabos SCB-33R. 112) n=10 e logo X −c x =4537 σ=10. Resolução X segue N(µ. foram seleccionados aleatoriamente e sujeitos a um teste de impacto. a 95%. seleccionados aleatoriamente a partir de um lote de grandes dimensões.

que a proporção de capacetes que sofre danos se situa entre 22.96 = n n 50 50 Estima-se.96 .5 * 0.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos). isto é.22695.36 − 1.Manual de Exercícios ˆ p−c = [0.0. de modo a garantir que um intervalo de confiança a 95% para essa proporção tenha uma amplitude não superior a 8 pontos percentuais? Resolução n=? ˆ Amp.36 x0.7% e 49.5 = 2 * 1.96 * < 0.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.64 0.08 ⇔ n > 600 n n Estatística Aplicada 88 . 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 x0.0.3%.36 − 1.p+c = 0. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. vem que: 2c ˆ ˆ p(1 − p) 0.64 ˆ . com 95% de confiança.

Nesta tomada de decisões. segue uma lei normal N(600. em vez de procurar uma estimativa ou um intervalo para um parâmetro. justamente. A hipótese a testar denomina-se. e ao contrário dos intervalos de confiança. tendo por objectivo verificar. Certos cientistas afirmavam poder fazer aumentar o nível médio µ das chuvas em 50 mm. pois. admite-se ou avança-se um valor hipotético para o mesmo. a estratégia básica seguida no método de teste de hipóteses consiste em tentar suportar a validade H1 de uma vez provada a inverosimilhança de H0. as quais geralmente se baseiam em afirmações sobre as distribuições de probabilidade das populações ou sobre alguns dos seus parâmetros.5. Desta forma. de H0 ou de hipótese nula. Uma das características do teste de hipóteses é. em milímetros por ano. é útil formular hipóteses sobre as populações. os testes de hipóteses podem considerar-se uma segunda vertente da inferência estatística. a partir de dados observados numa amostra. Nos testes de hipóteses. com base em amostras das mesmas (decisões estatísticas). Exemplo: Registos efectuados durante vários anos permitiram estabelecer que o nível de chuvas numa determinada região. a de permitir controlar ou minimizar tal risco. Isto é. Em ambos os casos corre-se o risco de errar. a validade de certas hipóteses relativas à população. A essas hipóteses chamamos hipóteses estatísticas. hipóteses essas que podem ou não ser verdadeiras. utilizando depois a informação da amostra para confirmar ou rejeitar esse mesmo valor. O objectivo é verificar se os factos observados a contradizem. O resultado do teste corresponde inevitavelmente a uma das duas respostas possíveis para cada questão: afirmativa ou negativa. levando a optar pela hipótese alternativa H1.Manual de Exercícios 3.100). Testes de hipóteses Todos os dias temos de tomar decisões respeitantes a determinadas populações. 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. Estatística Aplicada 89 .

Nesse caso. e avançada a hipótese nula Ho. é natural que envolvam alguma margem de erro e que ocorram em situação de incerteza. no entanto. ou este aumentava de facto o nível médio das chuvas em 50 mm. pode-se manter pequena a probabilidade de os cometer. teste unilateral à esquerda e teste bilateral Sendo os testes de hipóteses.Manual de Exercícios Resolução: Duas hipóteses se colocavam: ou o processo proposto pelos cientistas não produzia qualquer efeito. portanto. Vamos supor uma probabilidade de erro de. Podem-se definir 2 formas de especificar Ho e H1: (i) hipótese simples contra hipótese simples Ho: θ = θ0 H1: θ = θ1 (ii) hipótese simples contra hipótese composta Ho: θ = θ0 H1: θ > θ0 ou θ < θ0 ou θ ≠ θ0 Estes testes designam-se respectivamente de teste unilateral à direita. por exemplo. 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. Ao utilizar uma amostra de uma população. Compete ao investigador decidir qual a dose de risco de se enganar em que está disposto a incorrer. um processo de inferência estatística onde se procuram tomar decisões sobre a população com base numa amostra. 5%. Estas hipóteses podem formalizar-se do modo seguinte: H0: µ=600 mm H1: µ=650 mm Este é um problema clássico de teste de hipóteses. em que está em causa aceitar ou rejeitar a hipótese nula. em função dos resultados de uma amostra. 5 chances em 100 de Estatística Aplicada 90 . estamos a lidar com leis de probabilidades. por exemplo. mas apenas medir as probabilidades envolvidas na tomada de decisão. Estes erros não podem ser completamente evitados mas. logo não é possível de saber se a hipótese nula é verdadeira ou falsa.

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

por falta de provas suficientes para não o fazer. a seguinte: - rejeitar H0 em favor de H1.83(3) 3 A regra de decisão é. isto é. pelo que a decisão é conservar H0 .2 mm.83(3) conservar H0 em detrimento de H1 se fôr inferior a 654. sendo P(Rejeitar Ho / Ho) = α = 5%.83(3) Isto é.645 x 100 = 654. considerar que o processo científico não produz efeitos. Se tal não acontecer.83(3) X µ = 600 Os dados recolhidos indicavam X =610.05 ⇔ P ( X −µ σ > c − 600 ) = 0. superior a um valor crítico c que tem apenas 5 chances em 100 de ser ultrapassado. Logo. opta-se por H1 com probabilidade 5% de se estar a cometer um erro. se o valor amostral fôr superior a 654.Manual de Exercícios Em princípio. Estatística Aplicada 92 . a Região Crítica deste teste. pelo que se opta pela seguinte regra de decisão: Se X fôr demasiado grande.05 ⇔ 100 9 n ⇔ c = 600 + 1. o conjunto de acontecimentos que levam à rejeição de H0 corresponde a todos os valores de X >654. conserva-se Ho. isto é. RA: Região de Aceitação RR: Região Crítica ou de Rejeição RA=(1-α) RR=α 654. vem que P ( X > c / µ = 600) = 0. isto é. grandes valores de X são improváveis.83(3). então.

os erros incorridos não se ficam apenas pelos de 1ª espécie. 100 9 ) RA β 1-β β RR µ = 650 X A probabilidade de rejeitar H1 erradamente. O que na maior parte dos casos se faz é fixar o α (para amostras de dimensão n) e tentar minimizar β. tal não é possível. é possível alternativamente partir do princípio que é H1 que é verdadeira. Estatística Aplicada 93 . considerar que o processo científico é realmente eficaz no aumento do nível médio das chuvas. sendo o teste ideal o que minimiza simultaneamente ambos os valores. No entanto. mas que. Isto é. Existem também erros de 2ª espécie. à partida parte-se do princípio que H0 é verdadeira e só se rejeitará essa hipótese se ocorrerem acontecimentos pouco prováveis. de se cometer um erro de 2ª espécie.Manual de Exercícios No entanto. o número de valores observado não permite observar resultados ou esses resultados foram insuficientes. vem então igual a: P(Rejeitar H1 / H1)=β P ( X ≤ 654. ou seja. infelizmente. Supondo então que H1 é verdadeira (µ=650 mm). e como α e β se referem a realidades opostas e variam em sentido contrário.1) ≤ 0. isto é. então vem que: X ∩ N (650.83(3) − 650 ) = P ( N (0.14) = 55. No entanto.83(3) / µ = 650) = P ( X −µ σ ≤ n 654.57% 100 9 É através das probabilidades α e β que se procura o melhor teste de hipóteses.

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

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.98 0. Logo.645 x c −1 ) = 0.01 9 Estatística Aplicada 95 .01 = 0.0.02 0.00 Será que.97 1.01 0. Suponha que X ∩ N ( µ . Seja X a variável que representa o peso de um pacote de arroz.05 ⇔ P ( X −µ σ < n 0. determinar a região de rejeição e aceitação.9945] ⇔ c = 1 − 1.012 ) e que se conhece a seguinte amostra: 1. RC = ]− ∞. 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%.9945 3 Logo.0.02 0.97 1. vem que P ( X < c / µ = 1) = 0.99 0.98 1.05 ⇔ 0. sendo P(Rejeitar Ho / Ho) = α = 5%.

pretende-se saber se metade da população é favorável à construção de um centro comercial.9933 Como o valor da amostra foi 0. No entanto.9945. Reduzindo a probabilidade de isso ocorrer de 5% para 1%. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0.9933 A única mudança será no Valor Crítico. e 45% declaram-se favoráveis.9945 +∞ Valor da amostra: 0. Faz-se um inquérito a 200 pessoas.5 H1: p < 0. 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 = 0.9922.9933 e é menor que o valor crítico 0.9922 0. ou seja. considera-se que o arroz contido em cada pacote era inferior ao indicado. Exercício 2 Numa cidade. que de 0. rejeita-se Ho Ou seja. Neste caso. aceitaremos Ho.9945 para 0.5 Estatística Aplicada 96 .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.

442] Passo 7 Como o valor amostral 0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.05 ⇔ ⇔ c = 0. Estatística Aplicada 97 . essa margem não é suficiente para decidir deixar de o construir.5) 200 ) = 0.5) = 0.442 200 Logo.45 0.45 é maior que o valor crítico 0.442 Ou seja.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção 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%. sendo P(Rejeitar Ho / Ho) = α = 5%.645 x Passo 6 ˆ p =0. determinar a região de rejeição e aceitação. não se rejeita Ho RR: Não construir o centro comercial RR: Parar a construção α=5% RA: Decidir pela construção -∞ 0 +∞ Valor amostral: 0.5(1 − 0. RC = ]− ∞.5 − 1.5 0. Logo. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial.5) = 0. onde o cuidado deve ser trabalhar com grandes amostras.45 0.5(1 − 0.0. vem que ˆ P ( p < c / p = 0.442.

01 σ ≤ n 49 49 Como x = 0. Ao fim de três meses. Da produção de determinado dia é retirada uma amostra de 49 pacotes. Pode-se afirmar. com desvio padrão 0.997.998 > c = 0. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ. Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores.326 ⇔ c = 0. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo. a um nível de significância de 1%. com peso médio de 0. 0. é lançada uma intensa campanha anti-tabaco.01 0. é uma variável normalmente distribuída.997 0.012) n = 49 x = 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 . a) Com 1% de significância. não pertence à região crítica.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg.998 Kg. registando-se 45 fumadores. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que o peso médio não esteja de acordo com o indicado).998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0.01. produzidos por uma fábrica.01 ⇔ P ( X −µ c −1 c −1 ) = 0. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos.01 ⇔ = −2.

b) P( X ≤ 0.45 − 0.5) = 0.326 ⇔ c = 0.5 * 0.01 ⇔ p(1 − p) 0. a 5% de significância.384 ˆ Como p = 0.384.5 0.5 ≤ ) = 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.5 0.5) = 0.01 ⇔ P( ˆ p− p 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. com desvio-padrão de 20 horas.45 > c = 0.5 100 ) = 0.01 ⇔ c − 0.5 (a campanha não surtiu efeito) H1: p < 0.5 100 = −2.326 ⇔ n = 541 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).5 * 0.45 / p = 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.5 * 0.5 n n ⇔ 0.5 = −2.45 α = 1% H0: p = 0. poder-se-á concluir. não pertence à região crítica.5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .45 − 0.

fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador. não pertence à região crítica.05 ⇔ = −1. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. 202) n = 18 1 18 x = xi = 237. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.360) n=5 Estatística Aplicada 100 .25. Exercício 6 Uma empresa de cerâmica tem. Foram registadas 5 medidas de temperatura de fornos regulados para 600º. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado.Manual de Exercícios Resolução X segue N(µ.645 ⇔ c = 232.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0.05 > c = 232. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas). em dada secção.25 20 20 σ ≤ n 18 18 Como x = 237.

cujo peso médio foi de 158. Teste.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. pelo contrário.97 5 n Como x = 602 < c = 613. a) O fabricante diz que o peso médio é de 160 g. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90. 437 g. a um nível de significância de 1%.645 ⇔ c = 613. 90. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado).95 ⇔ c − 600 = 1.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0.96. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ.96 18. o verdadeiro peso dos ovos será menor. não pertence à região crítica.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 . se a afirmação do fabricante pode ser considerada verdadeira.25.25) n = 100 x = 158. ou se. Foi recolhida uma amostra de 100 ovos.

326 ⇔ c = 0.55 < c = 0.6 ˆ p = 0.01 ⇔ P ( X −µ σ ≤ c − 160 90. o semanário em causa.25 100 ) = 0. a percentagem.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0. por hábito. 55% declararam adquirir.79 9. não pertence à região crítica. Estatística Aplicada 102 .5535 ˆ Como p = 0. Efectuando um inquérito junto de 600 leitores.5535. pertence à região crítica.6 H1: p < 0.25 100 ) = α ⇔ F (−1.6 0.6) = 0. até então nunca atingida por qualquer semanário. pronuncie-se quanto à projecção que o semanário reclama.Manual de Exercícios P ( X ≤ c / µ = 160) = 0.4 600 ) = 0.437 > c = 157.5 n 100 Como x = 158. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira). numa região.01 ⇔ c −1 = −2.4 600 = −2.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.437 − 160 90.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158. b) P ( X ≤ 158. Resolução n = 600 H0: p = 0. de 60% de leitores que regularmente compram um jornal desse tipo.6 * 0.79.6 0. Adoptando um nível de significância de 1%.6 * 0.01 ⇔ c − 0.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama).326 ⇔ c = 157.

18 H1: µ < 5.25 σ ≤ 0. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.Manual de Exercícios Exercício 9 Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência à compressão com valor esperado de 5.95 kg/cm2.05 ⇔ P ( X −µ c − 5.645 ⇔ c = 5. 0.18 > c = 5.6% n Estatística Aplicada 103 . que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.18 kg/cm2 e variância 0.061.05 ⇔ n 12 Como x = 5.18 c − 5.9 0.0625 12 ) = 1 − F (0.0625 (kg/cm2)2. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5.95 α = 5% H0: µ = 5.0625) n = 12 x = 4.061 0.90 kg/cm ? Resolução a) X segue N(µ.01) = 1 − 0. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5. tendo-se obtido para a resistência média à compressão o valor de 4. a um nível de significância de 5%.0625 12 ) = 0.061 − 4.061 / µ = 4.9) = 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). a) Poder-se-á afirmar.18 = −1. não pertence à região crítica.18) = 0.5040 = 49.

Manual de Exercícios

Exercício 10

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

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

ˆ p = 0,6

α = 10%

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

ˆ p− p
p (1 − p ) n

c − 0,5

0,5 * 0,5 400

) = 0,9 ⇔

c − 0,5

0,5 * 0,5 400

= 1,282 ⇔ c = 0,53205

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

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

Estatística Aplicada

104

Manual de Exercícios

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

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

3.6.2 Fiabilidade de um sistema

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

Estatística Aplicada

105

Manual de Exercícios

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

(i) Associação em paralelo

Consideremos vários componentes redundantes e independentes:

1

2

3

4

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

∏q
i

i

Estatística Aplicada

106

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

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

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

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

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

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

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

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

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

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

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

a proporção de alunos que usam ou não drogas não varia entre os cursos. se as duas variáveis fossem independentes. j n 1. * n. não há associação entre as variáveis.0 60 120 Total 60 60 3.5 120 2.5 35 Biologia 30 30.7) com o valor do crítico. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. Em média.05).5 15 17. * n.=1. Ho deverá ser rejeitada. compara-se o valor do observado obtido (1.0 30 30. Calcular as frequências esperadas eij = Por exemplo. Determinam-se os graus de liberdade na tabela Os graus de liberdade da tabela são calculados multiplicando (número de linhas-1)*(número de colunas-1)= (2-1)*(3-1)=2 GL 5. que é 5. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1. concluindo-se que. j n = 25 * 60 = 12. Vem que o obsv. Para o cálculo do recomendam-se os seguintes passos: n i . Estatística Aplicada 118 .991 (cruzamento da linha 2 com a coluna 0.7 4.5 15 12. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico. a hipótese Ho não pode ser rejeitada. no grupo estudado.5 25 Farmácia 20 17. Assim sendo. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa). Por último.7 é menor do que o valor obtido a partir da tabela.

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

090 21.338 24.409 35.266 9.005 0.490 4.475 20.401 46.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.267 39.675 21.706 4.582 43.041 21.009 5.698 9.378 6.312 8.412 0.865 17.236 11.473 24.292 25.566 39.307 24.507 17.466 9.996 27.684 16.689 14.801 37.488 11.072 0.196 36.989 1.217 28.844 17.143 13.484 0.773 46.168 4.264 6.337 28.635 7.700 3.812 22.025 0.180 2.815 5.336 36.308 18.277 14.652 40.010 0.119 29.120 16.001 0.1 0.741 40.268 11.548 22.301 30 13.736 27.907 11.251 7.348 11.779 3.338 23.526 34.Manual de Exercícios 0.314 10.768 28.885 41.865 0.216 0.013 18.718 40.819 34.064 23.642 48.690 2.340 19.599 29.312 15.646 44.142 5.179 25 10.344 13.845 32.597 13.278 24.588 5.075 4.831 1.479 38.01 0.924 36.342 15.209 25.074 3.909 7.919 19.527 7.791 8.963 49.000 0.404 5.337 30.344 1.578 10.024 7.076 41.337 34.796 10.085 16.975 0.923 45.688 29.412 31.475 28 12.191 33.787 16.816 4.812 18.237 1.262 6.790 13.087 42.204 2.000 34.587 30.307 20.5 0.156 2.685 26.672 59.434 8.335 58.336 37.989 28.457 6.728 12.610 2.515 5.535 20.578 32.932 41.260 9.231 10.781 40.357 4.339 22.415 39.592 14.987 18.300 32.735 2.483 23.240 20.588 52.195 46.955 26.337 33.860 18.645 55.289 42.051 27 11.877 9.819 9.928 52.345 12.813 33.939 27.410 34.121 16.676 0.564 10.892 29 13.443 19.290 54.557 45.997 45.757 31.982 14.869 31.382 37.207 0.659 23.886 0.461 48.283 13.362 24.838 16.638 44.170 37.573 18.211 0.265 6.348 10.144 32.791 20.278 50.275 19.051 0.113 43.064 1.341 17.805 37.916 41.547 14.016 0.920 24.629 6.603 3.252 120 .401 15.124 8.067 16.346 12.337 32.023 21.643 9.815 9.191 38.05 0.833 3.364 42.722 49.796 48.160 13.651 18.848 22.591 12.461 15.337 44.124 8.336 39.601 5.026 23.314 46.832 15.584 1.114 26.908 7.488 30.994 56.892 53.188 29.141 31.844 7.156 42.338 27.296 28.827 9.336 40.449 16.671 35.247 3.455 1.204 30.001 0.565 4.337 29.852 36.340 18.337 26.841 5.549 21.615 32.808 14.542 26.319 36.619 26 11.362 15.336 35.769 27.321 7.366 3.520 13.605 6.017 14.304 11.563 38.343 14.666 23.980 45.086 16.879 10.339 21.256 43.558 51.645 12.041 12.047 19.172 38.338 25.589 27.750 20.725 26.386 2.034 8.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.9 0.181 49.070 12.991 7.697 6.351 2.210 10.979 50.007 35.

Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial.. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0.15*0. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A).8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 . 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D). Resolução P(avaria) = 1-0. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona.*0. 25 = 77.e maq 10 não funcionar) = 1 – 0.6531% = e −0. está instalado um sistema de 10 máquinas para utilização de cartão multibanco. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%. Calcule a probabilidade do sistema estar em funcionamento. B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas.5 = 60.15*.15 = 1 (aproximadamente) 2.85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e.. Quatro componentes de um sistema encontram-se associados de acordo com a figura junta...

25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.8% Exercício 3 Foram ensaiadas durante 3 000 horas.1 = 90. Calcule a fiabilidade do equipamento.606531*0.0944% Logo. 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 . com um MTBF de 17 500 horas.5 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. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial.778801 = 46. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0. sem que se verificasse qualquer avaria. P(sistema estar em funcionamento após 5 000 horas) = = 0.171429 = 84. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.904837)2 = 99.990944*0.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0.

estarão provavelmente em funcionamento após 2 000 horas de utilização.5 c) Y: nº de avarias no intervalo [0.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.0488 = 95. num conjunto de 10.9% Em 10.73910 = 1 – 0. como Y segue Po(1/4.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.5 = 26.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. 1 . Resolução a) Rs = e − 3625 12000 = e −0.302 = 73.5) 2 = 23. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.5). no período de vida útil.5) = 26. 0.P(falhar nenhuma) = 1 .6% Logo.12% b) Rs = e − 2000 12000 = e −0.5)t = e-(6/4. b) Quantas lâmpadas.5 e dx = e 4.1667 = 84.4% 4.5) MTBF = 4.846x1000 lâmpadas = 846 Estatística Aplicada 123 . Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.5 x(6 / 4.6] horas.5 6 0 − 1 − 4.0.6] horas P(Y=2) = e − − 6 4. de um conjunto de 1 000.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 . tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.4% 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.

05)*0.25 Estatística Aplicada 124 .25=9. sendo 0. se mais de um elemento avariar o sistema não funciona.51=60.8*0.954*0.2*0.25 e que as avarias são independentes.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos. T2 e T3 se encontrarem avariados são. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias.7738 + 0.25+0.15. respectivamente.7.2 e 0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones.7 = 0. indicando o valor médio de tal distribuição. se um dos elementos avariar o sistema funciona com probabilidade 0. 0.63% b) Bi(n=5. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0.75+0.5% P(2 sem avarias) = 0. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia.15*0.2*0.85*0.15*0.095+0.85*0.955)* 1 + (5*0. 0. T1. Resolução a) P(sist.p=0.1425 = 91. 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) = 0.5% P(3 sem avarias) = 0.05=0. colocados estrategicamente a fim de satisfazer adequadamente os utentes.8*0.05) Valor médio=5*0. No caso de nenhum elemento avariar o sistema funciona normalmente.

8775 LSC = µ + = 50. Resolução X: resistência de um componente em Ω X ∩ N ( µ . se produzir um artigo defeituoso.25) 2 ) a) LIC = µ − cσ n cσ n = 49. estando a norma a ser cumprida. 470] Nestas condições.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 .530.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. (0.8775 LSC: 50.25 Proceder-se-á à paragem da produção sempre que os limites de controlo sejam desrespeitados Um condutor é considerado não defeituoso se a sua resistência em Ω estiver compreendida entre [49. 50.1225 n=16 σ=0. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de.

1225 − 50 ≤X ≤ )= 0. a norma para a variância é de 4 e está a ser cumprida. vem D(1. a amplitude do intervalo de controle para a média deve ser de 1.P(49.96 ≤ X ≤ 1.88 ≤ X ≤ 1.P(-1.95 donde 1 – 0.8775 − 50 50.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .25 0.P(-1.96) = 0.P( 49.88) = Na tabela da Normal.01% Exercício 2 A empresa “TRADECHO. 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.P( 1 . SA” mantém um diferendo com os seus principais clientes. Estatística Aplicada 126 .25 16 16 1 – P(49.95 = 5% c) P(produzir um artigo defeituoso.1225 sendo µ=50) = 1 .25 0.9399 donde 1 – 0.88) = 0.47 sendo µ=50) = 1 .47 − 50 ≤X ≤ )= 0. a dimensão das amostras a extrair é de 16 Afirmam os clientes que a probabilidade de parar indevidamente o processo produtivo é superior àquela que decorre das normas. sendo a norma respeitada) = 49.53 − 50 50.96.96) = Na tabela da Normal.8775 ≤ X ≤ 50.53 ≤ X ≤ 50.9399 = 6.25 16 16 1. vem D(1.

98 ≤X ≤ )= 2 2 16 16 1.00 20.95 donde 1 – 0.96) = 0.3 • • • • •20.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ . vem D(1.96 ≤ X ≤ 1.90 • • • • • 20 • • • •20.98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.96/2 sendo µ=20) = 1 . Estatística Aplicada 127 .05 19.96) = Na tabela da Normal.P(20-1.5 • • • • 19.95 = 5% b) e c) Média Amostral (cm) 20.30 20.P( − 0.90 20.98 0.Manual de Exercícios a) Determine a probabilidade referida.96/2 ≤ X ≤ 20+1.P(-1. b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.15 • • • • • 19.02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo). 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .

a partir de uma amostra de dimensão 100: [983. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo.55 cσ = 1016. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.45 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).645) = Estatística Aplicada 128 . Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas. 1016.P(983.55.P(-1. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .P( 983.55 − 1000 1016.645 ≤ X ≤ 1.45 cσ n Como LIC + LSC = 2000 vem que µ − Logo µ=2000/2 = 1000 h + µ+ cσ n = 2 µ = 2000 b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .45 − 1000 ≤X ≤ )= 100 100 100 100 1. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.55 ≤ X ≤ 1016.

8 logo µ = 10. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série. b) Calcule a norma. 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. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ .9 donde 1 – 0. Para tal.Manual de Exercícios Na tabela da Normal.645) = 0.8 - = 9. ( 4) 2 ) cσ n a) LSC = µ + = 10.82 Exercício 5 O director de produção da empresa DISLIX. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.96 ⇔ n ≥ 64 1.96 2 cσ n ≤ 1. vem D(1. procede à verificação da produção de energia Estatística Aplicada 129 .96 milhares de horas a probabilidade de se parar indevidamente a produção é de 5% Sabe-se ainda que o desvio padrão da duração de uma componente é de 4 mil horas.96 * 4 64 b) LSC = µ + = 10.96 logo 2 cσ n 1. Assim.8 D(c)= 5% logo c= 1.96 * 4 n ≤ 1.8 milhares de horas a amplitude do intervalo não deve exceder 1.

96 2 cσ n ≤ 3. Resolução X: energia eléctrica produzida em kws/hora X ∩ N ( µ .Manual de Exercícios eléctrica (em kws/hora) tendo e vista a construção de um intervalo de controle para a produção média de energia de um gerador que cumpra os seguintes objectivos: - Norma de produção para a média: 10 A amplitude do intervalo não deve exceder 3.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.96 * 4 16 16 = 8.92 A probabilidade de se parar indevidamente a produção não deve exceder 5% Sabe-se que o desvio padrão da produção da energia eléctrica de um gerador é de 4 kws/hora e que a variável segue distribuição Normal.96 LSC = µ + = 10 + 1.96 * 4 Estatística Aplicada 130 .92 logo 2 1. b) Represente a carta de controle para a média.04 = 11. ( 4) 2 ) a) D(c)= 5% logo c= 1.96 * 4 n ≤ 3. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.92 ⇔ n ≥ 16 b) Média Amostral (cm) 11.04 LIC = µ − cσ n cσ n • • • = 10 − 1.

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

dos quais 20 não tinham prestado qualquer prova durante o ano.8 285 233. para os quais se convencionou a adopção de um nível de significância de 5%.8 164 186. das quais 3 foram de alunos que não tinham efectuado provas durante o ano. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568. Para o cálculo das frequências esperadas. Estatística Aplicada 132 .4 528 557.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2.=31. que é 5.991 observado = 31.141 Vem que o obsv.991 (cruzamento da linha 2 com a coluna 0. no grupo estudado. j n . O número de aprovações foi de 33.05). considerado razoável face aos valores normalmente utilizados.141 é maior do que o valor obtido a partir da tabela. a hipótese Ho será rejeitada. Assim sendo.Manual de Exercícios de segmentar o mercado. * n. Em média.6 1126 Preço Baixo 212 189.2 376 Refrigerante 186 237. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos. α=0. concluindo-se que. o poder de compra do consumidor influencia a sensibilidade ao preço. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação. procedeu-se à aplicação de eij = n i .05)=5. há associação entre as variáveis.

α=0.Manual de Exercícios Diga.122 é menor do que o valor obtido a partir da tabela. Negócios Baixo Médio Elevado Média 44 55 51 Superior 52 43 55 Que conclui. para um nível de significância de 5%. Logo. com base nestes elementos.122 Vem que o obsv. a hipótese Ho não será rejeitada (há independência).05)=3. Exercício 3 Com o objectivo de testar se existe relação entre a formação do gerente de uma dependência bancária e a respectiva “performance”. construiu-se a seguinte tabela de contingência. se pode afirmar que existe independência entre a comparência (ou não) a provas durante o ano de aprovação (ou não) em exame. se.= 3. a um nível de significância de 1%? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 133 . 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=2.84 observado = 3. relativa a 300 balcões de diferentes bancos: Formação Gerente Vol.

+ = 2. α=0. o ano foi dividido em duas épocas: Época de Ponta. Negócios Baixo Médio Elevado crítico (GL=2. Exercício 4 Pretendendo-se analisar o comportamento do volume de divisas ao longo do ano..2876 > 9.21 observado = 2. Assim. Assim sendo. tendo-se obtido: Volume DLX Baixo/Médio 150 20 Elevado 50 80 Época Normal Ponta A um nível de significância de 5%.2876 (44 − 48) 2 (55 − 53) 2 + .= 2. a hipótese Ho será rejeitada. observou-se o nível de Disponibilidades Líquidas sobre o Exterior (DLX) para cada mês.21 48 53 Média 48 49 53 Superior 48 49 53 Valor obsv. concluindo-se que há associação entre as variáveis.Manual de Exercícios Valores esperados: Formação Gerente Vol. Assim. compreendendo os meses de vinda de emigrantes (Verão e Natal) e Época Normal (restantes meses). est..01)=9. teste = Vem que o obsv. que pode concluir? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Estatística Aplicada 134 .2876 é maior do que o valor obtido a partir da tabela. deu-se particular atenção à influência exercida pelas remessas de emigrantes.

teste = Vem que o (150 − 113..66 Elevado 86. α=0.069 > 3. Assim sendo.33 6.33 crítico (GL=1.5 112. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc. est.5 75 Estatística Aplicada 135 .= 85. a hipótese Ho será rejeitada. construindo-se a seguinte tabela de contingência: Taxa juro Proc.66 43.33 obsv. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro.5 87 Média 115 207 138 Elevada 62..069 Valor obsv.5 130.33) 2 + . Moeda 0-10 10-45 45-70 Reduzida 72.33 43.33) 2 (80 − 43.069 é maior do que o valor obtido a partir da tabela.84 113.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113. 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%.991 observado = 85. concluindo-se que há associação entre as variáveis. procedeu-se à recolha periódica de elementos sobre essas variáveis.05)=5. + = 85.

concluindo-se que há associação entre as variáveis.05)=3.49 observado = 1183. concluindo-se que há associação entre as variáveis. Estatística Aplicada 136 . 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. Assim sendo. B e C.7 é maior do que o valor obtido a partir da tabela. a hipótese Ho será rejeitada. 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=2.84 observado = 30 Vem que o obsv. α=0.= 1183. A. Assim sendo.05)=9.7 Vem que o obsv. 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%. a hipótese Ho será rejeitada. α=0.Manual de Exercícios crítico (GL=4.= 30 é maior do que o valor obtido a partir da tabela. Exercício 6 Um investigador seleccionou três amostras de estudantes.