104

Introdução ao e-learning

Manual de Exercícios

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

Estatística Aplicada

2

.... 3....... 3................................................................1 Noções básicas de probabilidades ...6 Aplicações Estatísticas: Fiabilidade ...2 Probabilidade condicionada ........ Fiabilidade de um sistema 3.............8 Aplicações Estatísticas: Tratamento Estatístico de Inquéritos ......Manual de Exercícios 3......... 3........3 Funções de Probabilidade ..….... 3..... 3..............2. 3........... 3....6............................8................................. 3.1.…......... Teste de independência do qui-quadrado 45 45 48 49 76 89 105 105 105 110 114 114 Estatística Aplicada 3 ..................................................................4 Estimação por Intervalos .7 Aplicações Estatísticas: Controlo Estatístico de Qualidade ...…..... Conceito de fiabilidade 3...…................6........................................ ESTATÍSTICA INDUTIVA ....................... 3..1..5 Testes de hipóteses ..

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

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. Processo de amostragem Para conhecer de forma completa a população. As variáveis discretas assumem apenas um número finito numerável de valores. etc 1.1.1. As variáveis podem ser de natureza qualitativa ou quantitativa.1. 1. Exemplo: um conjunto de empresas pode ser analisado em termos de sector de actividade (atributo qualitativo). As variáveis quantitativas podem ainda dividir-se entre discretas e contínuas.Manual de Exercícios (iv) Análise e Interpretação dos Dados A última fase do trabalho estatístico é a mais importante e delicada. Está ligada essencialmente ao cálculo de medidas e coeficientes. cuja finalidade principal é descrever o comportamento do fenómeno em estudo (estatística descritiva). Na estatística indutiva a interpretação dos dados se fundamentam na teoria da probabilidade. As variáveis contínuas podem assumir um número finito não numerável ou um número infinito de valores. Definições Gerais 1. Exemplo: Empresas existentes em Portugal 1. Variáveis ou atributos As propriedades de uma população são estudadas observando um certo número de variáveis ou atributos. número de trabalhadores (atributo quantitativo discreto).1.2.1. podem efectuar-se: Estatística Aplicada 5 .3. rácio de autonomia financeira (atributo quantitativo contínuo).

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

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

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

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

Variáveis Quantitativas Contínuas Como foi dito anteriormente. podem assumir qualquer valor dentro de um intervalo. sendo a amplitude de cada classe ai=ei-ei-1.Número de classes a constituir Depende de n = dimensão da amostra Se n≥25. uma variável (ou atributo) é contínua quando assume um número infinito não numerável de valores. o número de classes a constituir deve ser 5 Se n<25. o número de classes a constituir deve ser n . 1. Neste caso. então a amplitude de cada classe será: Valor máximo da variável observado – Valor mínimo da variável observado Nº de classes a constituir Classes de valores da variável [x1. x3[ [x3. A área total do histograma é a soma das frequências relativas. Estatística Aplicada 10 . isto é. x2[ [x2. em que a base é uma classe e a altura a frequência (relativa ou absoluta) por unidade de amplitude (ni/ai ou fi/ai). correspondentes a intervalos de números reais fechados à esquerda e abertos à direita. isto é. Um histograma é uma sucessão de rectângulos adjacentes. a construção da tabela compreende duas etapas: (i) Definição de classes de valores disjuntas. 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) .Manual de Exercícios 2.3. xn] Total Frequências absolutas n1 nj n n: dimensão da amostra Frequências relativas f1 fj fn 1 A distribuição de frequências representa-se através de um histograma.Amplitude comum a todas as classes Sendo a amplitude total dos dados dada pela diferença entre o valor máximo e o valor mínimo observados. x4[ [xn-1.

Também é possível calcular as frequências (absolutas – Ni . agrupados numa tabela de frequências) Variáveis contínuas x = 1 n n i =1 n i =1 ni ci = f i ci Média ponderada dos pontos médios das classes Estatística Aplicada 11 . Média ( X ) É a medida de localização mais usada. 2. Esta distribuição permite visualizar o tipo de distribuição e deve salientar alguns aspectos mais relevantes desta (moda.Fi) acumuladas.). Medidas de localização 2.4.e relativas . 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. 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.Manual de Exercícios 1.4. Como as classes podem ter amplitudes diferentes.1... sobretudo pela sua facilidade de cálculo. Dados não-classificados (não agrupados numa tabela de frequências) x = 1 n n i =1 xi Média aritmética simples Dados classificados (isto é. . É preferível representar o histograma com fi/hi do que com ni/hi uma vez que deste modo é possível comparar distribuições com diferente número de observações amostrais. classe modal.

sup . Nestes casos. inf . Me = x n+1 2 Se n fôr par.5. é preferível recorrer à informação complementar fornecida por outras medidas de localização. a média tem o grande inconveniente de ser sensível a valores muito extremados ou aberrantes da distribuição (outliers). a média deixa de ser um valor que aparece na parte central da distribuição para ser “empurrada” para os extremos. então fala-se em intervalo mediano. Estatística Aplicada 12 .4. x2.. entendido como o valor em torno do qual se distribuem os valores observados. ) 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. Mediana (Me) A mediana não se calcula a partir do valor de todas as observações. geralmente.. a média é muitas vezes utilizada como valor representativo da amostra. como a moda e a mediana. . Desta forma. que se definem a seguir. + lim . Em casos desses. mas a partir da posição dessas observações.Manual de Exercícios onde ci é o ponto médio de cada classe ( lim . Dados não-classificados Se tivermos n valores x1.2. 2.5 Variáveis discretas Se existe um valor de xi para o qual Fi = 0. indica o valor central da distribuição. xn Se n fôr ímpar. No entanto.

Se p=0.. atendendo a que as frequências acumuladas variam uniformemente dentro de cada classe.02.5 através de uma regra de três simples. então a mediana é o primeiro valor para o qual Fi > 0. chama-se ao quantil percentil Se p=0...75.4.0. isto é.5.1.25. Estatística Aplicada 13 . Variáveis contínuas A classe modal é a classe de valores de X para o qual fi/hi é máximo. classe mediana FL sup − FL inf 2. é o valor mais frequente da distribuição.5. Moda (Mo) Variáveis discretas A moda é valor de X para o qual fi é máximo.3. 0. é a classe a que corresponde maior frequência por unidade de amplitude..99. Medidas de ordem Tal como se definiu para a mediana. chama-se ao quantil QUARTIL (Q1.. Variáveis contínuas Em geral..Manual de Exercícios Se não existe nenhum valor de xi para o qual Fi = 0.5. isto é.9.01.. 0. 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. é possível definir outros valores de posição ou valores separadores da distribuição em partes iguais. Chama-se quantil de ordem p ao valor de x a que corresponde Fi = p. 0. chama-se ao quantil decil Se p=0.. De uma forma geral: Me = L inf + 0.5.0. 2.5 − FL inf xamp. Q2 e Q3). determina-se o valor para o qual Fi = 0.2.

A partir deste diagrama...a distribuição é assimétrica positiva ou “puxada” para Estatística Aplicada 14 . Medidas de assimetria A assimetria é tanto maior quanto mais afastados estiverem os valores da média.............a distribuição é simétrica positiva ou equilibrada Os quartis estão à mesma distância da mediana.75 − FL inf xamp. consideram-se duas linhas que unem os meios dos lados do rectângulo com os extremos da amostra.... se: − − − X = Me = Mo.. De uma forma geral: Q1 = L inf + Q3 = L inf + 25% maiores 0.25 − FL inf xamp.Manual de Exercícios Variável contínua Calcula-se por uma regra de três simples. pode reconhecer-se a simetria ou enviesamento dos dados e a sua maior ou menor concentração: 2. como a mediana. Se g’ > 0 .. a distribuição diz-se simétrica X > Me > Mo. Os valores da amostra compreendidos entre os 1º e 3º quartis são representados por um rectângulo (caixa) com a mediana indicada por uma barra.. classe Q1 FL sup − FL inf 0.. Concretamente. classe Q3 FL sup − FL inf A representação gráfica destas medidas designa-se de diagrama de extremos e quartis e serve para realçar algumas características da amostra. a distribuição diz-se assimétrica positiva (ou enviesada à esquerda) X < Me < Mo..6... mediana e moda.. a distribuição diz-se assimétrica negativa (ou enviesada à direita) Coeficiente de assimetria de Bowley (g’): (Q3 − Q 2) − (Q 2 − Q1) Q3 − Q1 Se g’ = 0 .. Seguidamente.

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

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

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

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

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

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

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

Determine a mediana da distribuição.08 0.12 0.18 0. 50[ Total Frequência. 25[ [25.2 0.04 0. e) Analise a (as)simetria da distribuição em causa.02 0 0 10 20 30 40 50 60 Estatística Aplicada 22 . 1[ [1. f) Analise a concentração através do Índice de Gini e da Curva de Lorenz. 3[ [3. Faça a sua representação gráfica. b) Determine a média e a moda da distribuição. Qual o significado dos valores encontrados? c) Calcule as frequências acumuladas e represente-as graficamente.1 0. d) Determine os quartis da distribuição. 15[ [15.): Resultado Líquido [0.Manual de Exercícios ESTATÍSTICA DESCRITIVA Exercícios resolvidos Exercício 1 Considere a distribuição de 1000 empresas de um sector de actividade segundo os resultados líquidos (em milhares de u.06 0. Relativa (%) 10 25 35 15 10 5 100 a) Represente a distribuição graficamente. 5[ [5.m. Resolução a) fi/hi 0.16 0.14 0.

.. 1[ [1. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude. correspondente à classe [3. isto é. Neste caso. e 5000 u. o resultado líquido de uma empresa é de 7325 unidades monetárias.325 Em média.175 0.002 Fi 10% 35% 70% 85% 95% 100% ci 0.5 x5%) = 7.8 0.7 Estatística Aplicada 23 . 5[ 3 : Fi=0.125 0.Manual de Exercícios [0.35 5 : Fi = 0.1 0.5 b) x = 1 n i =1 n ni c i = n i =1 f i ci = (0. 5[ [5.175. o maior valor de fi / hi é 0.5): [3. c) A representação gráfica das frequências acumuladas (ver tabela) designa-se de polígono integral: Fi 1 0.4 0. 5[.m.5 x10%) + (2 x 25%) + .2 0 0 20 40 60 80 100 120 Classe mediana (classe a que corresponde uma frequência acumulada 0.m.01 0. + (37. 25[ [25.015 0. 15[ [15. 50] Total X fi 10% 25% 35% 15% 10% 5% 1 hi 1 2 2 10 10 25 fi/hi 0.5 2 4 10 20 37. 3[ [3. os valores de resultado líquido mais prováveis para uma empresa situam-se entre 3000 u.6 0.

75): [5.15)/0.2 A distribuição é assimétrica positiva ou enviesada à esquerda.1 -----------.0.Me – 3 Me = 3 + ((2x0.Q1 – 1 Q1 = 1 + ((2x0.7 .35 -------------.05)/0.35) = 3.25): [1.4596 > 0 Q3 − Q1 8.0.2 25% das empresas apresentam resultados líquidos inferiores a 2200 u.333(3) 75% das empresas apresentam resultados líquidos inferiores a 8333 u. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.3 .15 .75 – 0.857) − (3.3 0.7 -----------.Q3 – 5 Q3 = 5 + ((10x0.m.0.857 − 2.15) = 8.Manual de Exercícios Cálculo da mediana: 0.1 -------------.333 − 2. e) g' = (Q3 − Q 2) − (Q 2 − Q1) (8.m.1 3 : Fi = 0.85 .85 Cálculo do Q3: 0.35 Cálculo do Q1: 0.25 – 0.7 -------------.5 .m.857 50% das empresas apresentam resultados líquidos inferiores a 3857 u. 15[ 5 : Fi=0.7 15 : Fi = 0.5 0.35 .25) = 2.15)/0.5 – 0.1 0. Estatística Aplicada 24 . 3[ 1 : Fi=0.333 − 3. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.35 -----------.2) = = 0.

7 0.Manual de Exercícios f) X [0.5 corresponde ao centro da escala possível. Analise a concentração através do Índice de Gini e da Curva de Lorenz.6 0.4 0.Liq.85 0.8 0.744) = 0.1 0.7 + 0.35 + 0.4 amostra. 50[ Total fi 10% 25% 35% 15% 10% 5% 1 ni 1000x10%=100 250 350 150 100 50 n=1000 ci 0.95 Curva de Lorenz 1 A distribuição dos resultados líquidos apresenta concentração média (G=0.6% do total de resultados das empresas da 0. 15[ [15.007 0.8 1 Exercício 2 Considere a seguinte amostra de dimensão 200.95 − 0. Por exemplo.Totais G= (0. referente aos lucros obtidos por empresas de um dado sector industrial..744 1 50 + 500 + 1400 7325 Res.1 − 0.35 0. mas em que cada uma tem baixo resultado líquido. 70% das empresas apresentavam resultados até 5000 u.. 1[ [1.266 0. 5[ [5. mas isso representava apenas 26. entre 0 e 1).075 0.007) + .5=50 250x2=500 1400 1500 2000 1875 7325 pi (=Fi) 0.85 + 0. o que sugere um tecido empresarial com muitas PMEs.2 0.6 0. 0 0 0.95 1 qi 0.m. + (0. expressas numa determinada unidade monetária.2 0. 25[ [25. Estatística Aplicada 25 .471 0.5 2 4 10 20 37.47 0..1 + 0.5 Atributo 100x0. 3[ [3.

243 2.2 0 0 0.546(6) = 0. conclui-se que esta amostra apresenta concentração moderada.4 0. 50[ [50. Exercício 3 Considere o exemplo abaixo referente ao peso e altura de 10 indivíduos.4 0. uma função linear que exprima as peso em função da altura. 500] Total ni 20 60 80 30 10 200 Lucro total 600 4400 14000 7500 3500 30000 pi (=Fi) 0. 100[ [100. b) Analise a correlação existente entre peso e altura.8 1 n −1 ( pi − qi ) n −1 i =1 G= i =1 = pi 0.25 Tanto pela análise da Curva de Lorenz. 200[ [200. a) Represente o diagrama de dispersão.4 0.95 1 qi 0.63(3) 0.1 0.6 0. pelo Método dos Mínimos Quadrados.Manual de Exercícios Resolução Lucros [0. 300[ [300.6 0.16(6) 0.883(3) 1 Curva de Lorenz 1 0.02 0.2 0. encontrandose os valores razoavelmente repartidos.8 0. Estatística Aplicada 26 . como pelo valor do Índice de Gini.8 0. c) Ajuste.

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. isto é. existe uma correlação positiva forte entre as duas variáveis. quase perfeita. c) 190 Recta de Regressão 180 Altura (cm) y = 0.36 170 160 150 50 60 70 Peso (kg) 80 90 Estatística Aplicada 27 .90681871.9016x + 109. r = 0.

472.0651 CV x = sx 69.m. Exercício 4 O quadro abaixo apresenta as vendas e as despesas em publicidade (ambas em milhares de u.Manual de Exercícios A equação desta recta traduz-se em Altura = 109. espera-se que a altura do indivíduo aumente 0.0651 = 0. b) Analise a correlação existente entre volume e custo de produção. 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 ) = 11.714 A dispersão das despesas em publicidade é superior à dispersão das vendas. 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.) 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.36 + 0.9016 x Peso Isto é.429 2 y = sy 2 1 n n i =1 n i =1 yi = 6.714 2 1 = n (xi − x ) = 69. se um indivíduo pesar 70 kg. a altura esperada será de 109.9016 x 70 = 172.9408 = = 0.9016 cm.495 6.36 + 0. pelo Método dos Mínimos Quadrados. Resolução a) Para comparar a dispersão das duas distribuições.39 x 21.429 < CV y = sy y = 11. Estatística Aplicada 28 . uma função linear que exprima as vendas em função das despesas em publicidade. c) Ajuste. Por cada kg de peso adicional.

Recta de Regressão c) 30 y = 2. quando as despesas em publicidade aumentam (diminuem). No quadro abaixo.98 69.8782 Vendas 20 10 0 3 8 Desp. Em média. as vendas aumentam (diminuem) de forma quase exactamente proporcional.9408 x 11. Public. 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 .429)(13 − 6.Manual de Exercícios b) r= s xy s xx s yy 1 [(10 − 21. 13 Exercício 5 Considere que 10 estudantes foram sujeitos a uma prova de avaliação no início e no final do curso.4649x + 4.Riy 0 1 -1 1 1 0 2 1 -4 -1 29 ...0651 Existe uma correlação positiva linear forte entre as duas variáveis.429)(3 − 6. + (35 − 21.714)] 7 = = 0.714) + .

5 1. 5[ [5.8424 10 x(100 − 1) A correlação é positiva e elevada (rs varia entre –1 e 1). 5[ [5. 2[ [2. igualmente boa nota na prova final.5 30 Estatística Aplicada . 15[ [15. 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. 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. isto é. O que conclui sobre a concentração do rendimento? Resolução a) Rendimento anual [0.m. b) Determine o rendimento médio e mediano. 15[ [15. 25[ [25. Exercício 6 O quadro que se segue descreve a distribuição do rendimento anual (em milhares de u.5 10 20 37. os alunos que tiveram boa nota na prova inicial tiveram. 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. 1[ [1.Manual de Exercícios Resolução Como não dispomos das classificações dos alunos. 25[ [25. c) Determine os três primeiros quartis. 2[ [2.5 3. 1[ [1. mas sim das ordenações das classificações (do 1º ao 10º classificado). Que indicações lhe dão sobre a (as)simetria? d) O que pode concluir quanto à dispersão? e) Calcule o índice de Gini. em média.

5 x10%) + (1.5 x15%) + .25 25% das famílias apresentam rendimentos anuais inferiores a 2000 u.5 0.15 . + (37.5 x5%) = 9.Manual de Exercícios 1 0.5.333(3) 75% das famílias apresentam rendimentos anuais inferiores a 13333 u.Q3 – 5 Q3 = 5 + ((10x0.5 -------------.8 0...m.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 = (0.75 – 0.8 Cálculo do Q3: 0. 2[ 3 : Fi = 0.5 15 : Fi = 0. 5[ 5 : Fi = 0.5): [2. Estatística Aplicada 31 . a mediana é 5 (50% das famílias têm rendimentos anuais até 5000 unidades monetárias).25): [1.3) = 13. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.0. o rendimento anual de uma família é de 9025 unidades monetárias. Logo.4 0.6 0.25)/0.5 -----------.m. c) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.025 Em média. Classe mediana (classe a que corresponde uma frequência acumulada 0. 15[ 5 : Fi=0.8 .75): [5.

333 − 5) − (5 − 2) = = 0.1274 0.5 Rend.5 2187.0305 0. 100[ [100. 300[ [300.286875 2 s x = s x = 82.286875 = 9.95 1 qi 0.2 19.5 22562. 1[ [1.8 0. 250[ [250.4 2.5 pi (=Fi) 0.0 100 Estatística Aplicada 32 . 5[ [5.25 0. 80[ [80. total 125 562.6 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 [60.1 5.1 0. 350] Total Frequência. 50[ Total n −1 ni 250 375 625 750 375 125 2500 ci 0. 200[ [200.2 8.46 0. 160[ [160.7922 1 ( pi − qi ) n −1 i =1 G= i =1 = pi 1.5 10 20 37.18436 = 0. d) s x = 2 n i =1 2 fi * ci − x ( ) 2 = n i =1 fici 2 − x = 82.47 > 0 Q3 − Q1 13.8 15.071 e) Rendimento anual [0.333 − 2 A distribuição é assimétrica positiva ou enviesada à esquerda. 2[ [2.5 7500 7500 4687.5 7.00554 0. 15[ [15.5 0. 25[ [25.2 31.4555 2.5 1. 140[ [140.5 3. 120[ [120.Manual de Exercícios g' = (Q3 − Q 2) − (Q 2 − Q1) (13. Relativa (%) 7.6 3.

312) = 101.Manual de Exercícios a) Calcule os quartis da distribuição.2 31. Estatística Aplicada 33 .6 3. b) Analise a dispersão da distribuição em causa.4 97 100 Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.3 50% dos empregados auferem remunerações inferiores a 117.9 89 94. 80[ [80.m.2 8.1 5. 120[ 1 : Fi=0.542 Cálculo do Q1: 0.2 73.m.02)/0.5 .2 19. 120[ [120.28 milhares u. Resolução a) Remuneração [60.3 milhares u.28 25% dos empregados auferem remunerações inferiores a 101.120 .0.8 23 54.23 3 : Fi = 0. 160[ [160.25 .542 .100 0.5 7.100 0.5): [100.23 120 : Fi = 0.0 100 Fi (%) 7.4 2.23 -------------.8 15.100 Q1 = 100 + ((20x0. 120[ 100 : Fi=0.23 -----------. 300[ [300. 100[ [100.25): [100. 140[ [140. 250[ [250. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.120 . 200[ [200.7 80.Q2 . c) Analise a assimetria da distribuição em causa.542 Cálculo do Q2: 0.23 -----------.0.542 .100 Q2 = 100 + ((20x0.Q1 . 350] Total Frequência.27)/0.0. Relativa (%) 7.23 -------------.0.312) = 117.

75 – 0. do conteúdo de uma série de 100 garrafas que.243 > 0 Q3 − Q1 143.75): [140.61(1) . 298[ [298.Q1 = 143. Estatística Aplicada 34 . 306] Total Frequência.m. b) Amplitude do intervalo inter-quartis = Q3 .61(1) 75% dos empregados auferem remunerações inferiores a 143. 301[ [301.140 0.809 Cálculo do Q3: 0. b) Calcule as frequências acumuladas e represente-as graficamente. Relativa (%) 8 21 28 15 11 10 5 1 1 100 a) Represente graficamente os dados acima.3) − (117. expresso em gramas.013)/0.28 c) g ' = A distribuição é assimétrica positiva ou enviesada à esquerda.61 − 101.737 -----------. 303[ [303.101.160 . 160[ 120 : Fi=0. 300[ [300.28) = = 0. 304[ [304.61 − 117. Exercício 8 Os dados seguintes referem-se ao peso. no decurso de um teste. 299[ [299. 305[ [305.0.737 -------------.Manual de Exercícios Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.28 = 42.33 (dispersão reduzida em torno da mediana) (Q3 − Q 2) − (Q 2 − Q1) (143.Q3 .3 − 101.140 Q3 = 140 + ((20x0. saíram de uma linha de enchimento automático: Peso (em gramas) [297.737 140 : Fi = 0.61(1) milhares u.072) = 143. 302[ [302.809 .

298[ [298. + (305..1 0.5 x 21%) + . 301[ [301. Qual o seu significado? d) Determine os quartis da distribuição.4 0.6 0. 299[ [299. Estatística Aplicada 35 . mediano e modal.Manual de Exercícios c) Determine o peso médio.05 Histograma 0 296 297 298 299 300 301 302 303 304 305 306 307 b) Peso (em gramas) [297.3 0.11 O peso médio das garrafas é de 300.11 kg.15 0.5 x1%) = 300. 304[ [304. e) Analise a dispersão do peso das garrafas. 300[ [300.2 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 = (297.25 0.2 0.8 0. 302[ [302. 306] Total F* 1 0.5 x8%) + (298.. Resolução a) 0. 305[ [305. 303[ [303.

isto é.72 -----------.75): [301.299 Q2 = 299 + ((1x0.75 50% das garrafas têm peso inferior a 299. 299[ 298 : Fi=0. os pesos mais prováveis das garrafas situam-se entre 299 kg e 300 kg.301 0. 302[ 301 : Fi=0.27(27) kg.25): [298.08 -----------.21)/0. A classe modal é aquela a que corresponde maior frequência relativa.302 .83 Cálculo do Q3: 0.0357 kg.299 0. o maior valor de fi é 0.17)/0.299 Q1 = 299 + ((1x0.08 299 : Fi = 0.29 300 : Fi = 0.29 .5): [299.29 -----------.29 Cálculo do Q1: 0.72 -------------.08 -----------.0. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.Q3 .301 Q3 = 301 + ((1x0.Q2 .0.5 .28 correspondente à classe [299.25 .03)/0. 300[.28) = 299.83 .300 .0.0357 25% das garrafas têm peso inferior a 299. Estatística Aplicada 36 .298 . 300[ 299 : Fi = 0.29 -------------.57 Cálculo do Q2: 0.72 302 : Fi = 0.Manual de Exercícios Classe mediana (classe a que corresponde uma frequência acumulada 0. Neste caso.75 – 0. d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.75 kg.27(27) 75% das garrafas têm peso inferior a 301.11) = 301.299 0.21) = 299.Q1 .57 .0.0.

1.55[ [1. Resolução a) Altura (em metros) [1. 1.3 Fi 0.75[ [1.7[ [1. d) Determine os quartis da distribuição e diga qual o seu significado.6.75[ [1. 1. 1.4 4 2 0. 1.05 0.6 1.1 fi/hi 0.13 0.5 1.8.8. b) Determine a altura média e a altura modal.02 0.5 0.05 0.5[ [1.37 0.05 0.Manual de Exercícios e) Amplitude do intervalo inter-quartis = Q3 .55[ [1.45 1.55.2 0.237 (dispersão reduzida em torno da mediana) Exercício 8 Numa faculdade.17 0.97 1 6 5 4 3 2 1 0 Histograma 1.9] Total fi/hi ni 2 10 25 13 17 20 10 3 100 fi 0.725 1.05 0.6 3. Qual o seu significado? c) Calcule as frequências acumuladas e represente-as graficamente.0357 = 2.6.02 0.8[ [1.25 0.67 0.87 0.03 1 ci 1.2 2 5 2.5.9] Total Nº Alunos 2 10 25 13 17 20 10 3 100 a) Represente graficamente os dados acima. 1.7[ [1.65[ [1.5[ [1.75.299. 1.1 0. 1.4.1 0.85 hi 0.6[ [1.Q1 = 301. mediram-se as alturas de 100 alunos do primeiro ano: Altura (em metros) [1. 1.1 0.7 1. 1. 1.9 Estatística Aplicada 37 .8[ [1. 1.55.775 1.05 0.12 0. f) Analise a (as)simetria da distribuição. e) Analise a dispersão da distribuição.4 1.05 0.6[ [1.675 1. 1.7. 1.8 1.5.27(27) .625 1.65.65[ [1. 1.525 1.75.65. 1.7.575 1.4.

55.6[ 1.65 m.12 -----------.576 m.75 : Fi = 0.4 0.7.55 Q1 = 1. a altura mais provável de um aluno rondará 1.8 0.55m / 1.4 1.55 : Fi=0.576 25% dos alunos têm altura inferior a 1.05x0.Q1 – 1.7 : Fi=0.25): [1. 1.12 -----------.65 m.75): [1.6 1.25) = 1. + (1.8 1.55 + ((0.2 0 1.37 Cálculo do Q1: 0.Manual de Exercícios b) x = 1 n n i =1 ni c i = n i =1 f i ci = (1. A classe modal é aquela a que corresponde maior frequência por unidade de amplitude.1.3 1...6m.65 : Fi = 0.37 – 0.5 1. 1.6 0.67 1.12 1.55 0.525x10%) + . 1.5 50% dos alunos têm altura inferior a 1. Neste caso.85x3%) = 1.6.6 : Fi = 0.75[ 1. 1.5): [1.25 – 0.6[.65 A altura média dos alunos é de 1. isto é.6 – 1.55. Classe a que pertence Q3 (classe a que corresponde uma frequência acumulada 0.13)/0.65[ 1.87 Estatística Aplicada 38 .9 2 d) Classe a que pertence Q1 (classe a que corresponde uma frequência acumulada 0.45x 2%) + (1. Classe a que pertence Q2 (classe a que corresponde uma frequência acumulada 0.7 1. correspondente à classe [1. o maior valor de fi / hi é 5. c) F* 1 0.

7 Q3 = 1.00536875 = 0.72 − 1. registou-se a duração das chamadas realizadas em Dezembro de 2001: Duração (em minutos) [0.576) = −0.576 = 0.72 – 1.7 0.00536875 2 s x = s x = 0.576 f) g ' = A distribuição é ligeiramente assimétrica negativa ou enviesada à direita (quase simétrica).67-----------.2) = 1.72 75% dos alunos têm altura inferior a 1. b) Determine a duração média das chamadas e respectivo desvio-padrão. e) Amplitude do intervalo inter-quartis = Q3 . 20[ [20.144 (dispersão reduzida em torno da mediana) sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 0.75 – 0.1.65) − (1.027(7) < 0 = Q3 − Q1 1. Exercício 9 Em determinada central telefónica.0.Q1 = 1.Manual de Exercícios Cálculo do Q3: 0.Q3 – 1. 10[ [10. 50] Total Nº Chamadas 2000 1500 1000 300 200 5000 a) Represente graficamente as frequências simples e acumuladas.65 − 1.05*0. 5[ [5. 30[ [30. c) Qual a duração da chamada mediana? Qual o significado do valor encontrado? Estatística Aplicada 39 .67-------------.7 + ((0.87.08)/0.07327 (dispersão reduzida em torno da média) (Q3 − Q 2) − (Q 2 − Q1) (1.72 m.75 – 1.72 − 1.

5 x 40%) + (7.08 0. 10[ Estatística Aplicada 40 . Resolução a) Duração (em minutos) [0.35 A duração média de uma chamada é de 9.96 1 ci 2.5 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 = (2.5 7.5 x30%) + .7 minutos.06 0.7 0.4525 2 s x = s x = 0. 30[ [30.2 0. + (40 x 4%) = 9.2 0 0 10 20 n i =1 ni 2000 1500 1000 300 200 5000 fi 0.6 0. sx = 2 n i =1 fi * ci − x 2 ( ) 2 = n i =1 fici 2 − x = 81.006 0. quanto à dispersão.9 0.00536875 = 9. as chamadas efectuadas em Dezembro com as que tiveram lugar durante todo o ano de 2001.02 0 0 F* 1 0.Manual de Exercícios d) Sabe-se que as chamadas realizadas durante o ano de 2001 apresentaram uma duração média de 10 minutos.04 1 Histograma hi 5 5 10 10 20 fi/hi 0. 20[ [20.08 0.5): [5.025 c) Classe mediana (classe a que corresponde frequência acumulada 0.3 0.4 0. 5[ [5. 50] Total fi/hi 0. com desvio-padrão de 8.1 0.04 0. Compare.4 0..002 Fi 0. 10[ [10.8 0.4 0.06 0.06 0.02 0..35 minutos.

d) CV Dez = s x 9.965 > x 9.0.10 .Manual de Exercícios 5 : Fi = 0.3)(3100 − 2708. uma função linear que exprima o custo em função do volume de produção.1)/0. Resolução a) r = s xy s xx s yy 1 [(1500 − 1358.98 520854x 1145944 Correlação positiva quase perfeita.3) + . + (2000 − 1358. b) Ajuste.4 -----------.67 50% das chamadas têm duração a 6.4 10 : Fi = 0. Estatística Aplicada 41 ..3)(3800 − 2708.Me .5 Me = 5 + ((5x0.4 -----------.3)] = 12 = 0.5 .67 minutos.025 = = 0.87 10 Exercício 10 Uma empresa coligiu dados relativos à produção de 12 lotes de um tipo especial de rolamento. 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.35 CV2001 = sy y = 8..7 Cálculo da Me: 0.7 .3) = 6.5 0.0. pelo Método dos Mínimos Quadrados.7 = 0.

3 0. b) Ajuste. + (81 − 121.8 0. pelo Método dos Mínimos Quadrados. uma função linear que exprima a variável EPS em função de PBV.6 Exercício 11 Um conjunto de empresas do sector da Construção e Obras Públicas cotadas na Bolsa de Valores foram analisadas relativamente aos seguintes indicadores: EPS (Earnings per Share): Resultado Líquido por Acção PBV (Price/Book Value): Preço / Situação Líquida por Acção Empresa 1 2 3 4 5 6 7 8 9 EPS ($) 191 32 104 117 210 95 65 201 81 PBV ($) 0.4553x + 731.4 − 0.7 0.9 1.096933 Correlação positiva moderada.7)(0.Manual de Exercícios b) 6000 5000 4000 Custo 3000 2000 1000 0 0 500 1000 1500 Volume 2000 2500 3000 y = 1.92) + .9 1.92)] =9 = 0.61 3669.332 x 0.4 a) Analise a correlação existente entre aqueles dois indicadores..7)(0.5 0.9 − 0.8 1..0 0. Resolução a) r = s xy s xx s yy 1 [(191 − 121. Estatística Aplicada 42 .

6 0.04x + 7. pelo Método dos Mínimos Quadrados. Estatística Aplicada 43 .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.Manual de Exercícios b) 250 200 150 100 50 0 0 0.8 PBV 1 1.m. b) Ajuste. uma função linear que exprima a variável Gi em função de Ri.6 y = 124.2 1.4 0.4 1.2 0.) Ri 125 127 130 131 133 135 140 143 169 Dados adicionais Gi 54 56 57 57 58 58 59 59 66 Ri 144 147 150 152 154 160 162 165 Gi 61 62 62 63 63 64 65 66 EPS Ri = 2467 Gi = 62620 2 Gi = 1030 Ri Gi = 150270 Ri = 361073 2 a) Estude a correlação entre rendimento e despesas em bens de luxo.

986 Correlação positiva forte. b) 68 66 64 62 Gasto 60 58 56 54 52 50 100 120 140 160 180 200 y = 0.2604x + 22.Manual de Exercícios Resolução a) rXY = Ri G i − n R G ( Ri − n R )( 2 2 G − nG ) 2 i 2 = 150270 − 17 * 2 2467 1030 * 17 17 2467 1030 2 (361073 − 17 * )(62620 − 17 * ) 17 2 17 2 = 0.801 Rendimento Estatística Aplicada 44 .

104 Introdução ao e-learning .

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

obtém-se um resultado individual. que não sei mais que subconjuntos do espaço de resultados. aos acontecimentos é aplicável toda a construção disponível para aqueles. num lançamento de um dado ordinário tem-se que o espaço de resultados é { . 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. Por exemplo. 1 Definidos como conjuntos. mas não é possível prever exactamente esse resultado os resultados das experiências individuais mostram-se irregulares.3. 1 A importância da definição deste conceito advém sobretudo por ser o meio empregue para a definição de acontecimentos.2. outros como “saída de um número ímpar” definido pelo subconjunto { . isto é.5}. o de espaço de resultados. mas os resultados obtidos após uma longa repetição da experiência patenteiam uma grande regularidade estatística no seu conjunto Alguns autores consideram inserido no conceito de experiência aleatória um outro. para além dos 6 acontecimentos elementares correspondentes à saída de cada uma das faces. no lançamento de um dado podem definir-se. 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 .4. O espaço de resultados corresponde ao conjunto formado por todos os resultados possíveis de uma experiência aleatória.6}.5.3. Por exemplo.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.

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

3. 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”. 0.1 = 0.Manual de Exercícios Após a apresentação desta definição.25 pretende-se calcular a probabilidade do acontecimento “ser hipertenso”.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. Por outras palavras. 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.8 1.2 0. isto é 0.08 0.1 0.15 0.4 . a da chamada teoria frequencista. numa outra perspectiva. Probabilidade condicionada Exemplo: Um grupo de pessoas é classificado de acordo com o seu peso e a incidência de hipertensão.53 Magro 0.2 0.2.25 Normal 0.02 0. São as seguintes as proporções das várias categorias: Obeso Hipertenso Não Hipertenso Total 0. sabendo que ocorreu o acontecimento “ser obeso”. Este exemplo corresponde ao cálculo de uma probabilidade condicionada. a probabilidade de um acontecimento é definida como sendo o valor para o qual tende a frequência relativa do acontecimento quando o número de repetições da experiência aumenta. sabendo que ocorreu ou condicionado pelo acontecimento “ser obeso”. Estatística Aplicada 48 .22 Total 0.45 0. convém ainda referir que.

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

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

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

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

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

f: degrees of freedom) é habitualmente usado para designar o número n de parcelas (variáveis Zi) adicionadas. as variáveis Zi são mutuamente independentes Então. a variável aleatória X. denotada por n i =1 X= 2 2 Z i2 = Z12 + Z 2 + .. segue distribuição Qui-Quadrado com n graus de liberdade. aproximando-se da distribuição Normal à medida que n cresce. + Z n 2 X ∩ χn O termo “Graus de Liberdade” (d. construída a partir da soma das n variáveis Zi elevadas ao quadrado. obedecendo às seguintes condições: - cada variável Zi segue distribuição N(0.1).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. Estatística Aplicada 54 .

Manual de Exercícios Estatística Aplicada 55 .

104 Introdução ao e-learning .

sabe-se que: - a probabilidade de A falhar é de 20% a probabilidade de B falhar sozinho é 15% a probabilidade de A e B falharem é 15% Determine a probabilidade de: Estatística Aplicada 56 .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. De ensaios anteriores. A e B.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) .

7%.8% P(A ∩ B) = 5.15 = 30% b) P(A-B) = P(A) – P(A ∩ B) = 0. B e C: 2. C: 12.35 = 65% e) P( A ∩ B ) = 1 – P ( A ∩ B ) = 1 – 0.15 = 5% c) P(A ∪ B) = P(A) + P(B) .7% P(C) = 12.9%.15 = 35% d) P( A ∩ B ) = P( A ∪ B ) = 1 – P(A ∪ B) = 1 – 0. A. com as seguintes percentagens de leitura: A: 9. B: 22.1%.Manual de Exercícios a) B falhar b) falhar apenas A c) falhar A ou B d) não falhar nem A nem B e) A e B não falharem simultaneamente Resolução A: o subsistema A falha B: o subsistema B falha P(A)=20% P(B-A)=15% P(A ∩ B)=15% a) P(B) = P(B-A)+ P(A ∩ B) = 0.15 + 0.1%.2 + 0.8%. 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. A e B: 5.15 = 85% Exercício 3 P( A )= 80% Suponha que há 3 jornais.P(A ∩ B) = 0.2 – 0.1% P(B ∩ C) = 6% P(A ∩ B ∩ C) = 2.9% P(A ∩ C) = 3. A e C: 3.4% Estatística Aplicada 57 .3 – 0. B e C: 6%.4% Escolhe-se uma pessoa ao acaso. B e C.1% P(B) = 22.

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

3 máquinas.Manual de Exercícios Exercício 8 Numa fábrica. M1.3 P(M2) P(D / M1) = 3% P(D / M2) = 1% P(D / M3) = 2% P(D) = 1. A probabilidade de um parafuso escolhido ao acaso ter sido produzido por M1 é 30% da probabilidade de ter sido produzido por M2. determine o número de parafusos que cada máquina produz diariamente. Sabendo que a probabilidade dele ser defeituoso é de 1. 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) = 0.02 Estatística Aplicada 61 . 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.65%.0165 = 0. 1 = P(M1)*10000 = ? Prod.65% Prod. 3 = P(M3)*10000 = ? P( M 1) = 0. 2 = P(M2)*10000 = ? Prod.3P( M 2) + P( M 3) = 1 ⇔ 0.3P( M 2) * 0.03 + P( M 2) * 0.3P( M 2) P( M 1) + P ( M 2) + P( M 3) = 1 ⇔ P( D) = P( M 1) * P( D / M 1) + P( M 2) * P ( D / M 2) + P( M 3) * P( D / M 3) − 1. sendo a produção diária total de 10000 unidades. M2 e M3 fabricam parafusos.01 + P( M 3) * 0.

01 + (1 − 1.5 = 35% P( M 2) = 50% Exercício 9 O João tem à sua disposição 3 meios de transporte diferentes para se deslocar de casa para a escola: os transportes A.3P( M 2)) * 0.2P(B) a) P(T) = P(A)*P(T/A) + P(B)*P(T/B) + P(C)*P(T/C) Estatística Aplicada 62 .03 + P( M 2) * 0.02 P( M 1) = 0.5 P(T/C) = 0.5 = 15% P( M 3) = 1 − 1.3 * 0.3 * 0.6 P(B) = P(C) P(A)+P(B)+P(C) = 1 P(A) = 1.8 P(T/B) = 0.3P( M 2) 0.3P( M 2) = 1 − 1. Resolução T: O João chega atrasado A: o João utiliza o transporte A B: o João utiliza o transporte B C: o João utiliza o transporte C P(T) = 0.Manual de Exercícios − ⇔ P( M 3) = 1 − 1.6 P(T/A) = 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) * 0.0165 = 0. calcule a probabilidade de ter utilizado os transportes B ou C. B ou C.

Manual de Exercícios Logo 0.8 + P(B)*0.5 + P(B)*0. de 30% e de 60% a percentagem de indivíduos com Q.5 + 0.I.4 * 0.I.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.4 = 20% b) P(B ∪ C / T) = P ( B ) * P (T / B ) + P (C ) * P (T / C ) 0. médio que ficam aptos no teste é de 50% a probabilidade de um indivíduo com Q. baixo ficar apto no teste é de 20% finalmente. 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.) elevado e médio são.3% P (T ) 0.6 e vem que P(B) = 40% Então P(A) = 1 – 2P(B) = 1 – 2*0.I. baixo.I.6 = (1-2P(B))*0.I.6 = =73. sabe-se que 70% dos indivíduos com Q.4 * 0. elevado ficam aptos no teste a) Qual a probabilidade de um indivíduo escolhido ao acaso ficar apto no teste? b) Qual a probabilidade de um indivíduo ter Q.6 = 10% P(A/E) = 70% P(A/B) = 20% Estatística Aplicada 63 .3 – 0. respectivamente.

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. possuir telefone ou frigorífico 2.1 * 0.2=53% b) P(B/ A ) = P( B ) * P ( A / B) 0. automóvel e frigorífico a) Calcule a probabilidade de um agregado familiar 1.5+0.7+0.Manual de Exercícios a) P(A) =P(E)*P(A/E)+P(M)*P(A/M)+P(B)*P(A/B) =0.1*0. não possuir nenhum daqueles três objectos Resolução A: agregado familiar possui telefone B: agregado familiar possui frigorífico C: agregado familiar possui automóvel P(A) = 35% P(B) = 50% P(C) = 25% Estatística Aplicada 64 . possuir também telefone ou frigorífico c) Calcule a probabilidade de um agregado familiar 1.6*0. possuir também frigorífico 2.3*0. possuir pelo menos um daqueles três objectos 2.8 = = 17% 1 − 0. não possuir nem telefone nem automóvel b) Calcule a probabilidade de um agregado que possui automóvel 1.

2 + 0. pelo menos.7 = 30% Exercício 12 Admita que 60% dos seguros no ramo automóvel respeitam a condutores com mais de 40 anos de idade. 3% têm um ou mais acidentes no mesmo período. Todos terem idade igual ou inferior a 40 anos.5+0. P ( A ∪ B ∪ C ) = P ( A) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( A ∩ C ) − P ( B ∩ C ) + P ( A ∩ B ∩ C ) = 0. dos quais 5% sofrem. dado que cada um sofreu. P(B / C) = 2.5 – 0.1 − 0.15-0. pelo menos. um acidente durante o referido período? Estatística Aplicada 65 . 1 – P( A ∪ B ∪ C ) = 1 – 0. numa amostra de três segurados 1.15 = 70% 2.1 = = 40% P (C ) 0.25-0.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. um acidente por ano.25 P( B ∩ C ) 0. P(A ∪ B) = P(A) + P(B) .35 + 0.P(A ∩ C) = 0.2-0.05 = = 100% P (C ) 0.35+0.P(A ∩ B) = 0.2 = 40% b) krysktsh1. P( A ∩ C ) = P( A ∪ C ) = 1 – P(A ∪ C) = 1 – 0.05 = 70% 2.4 = 60% P(A ∪ C) = P(A) + P(C) . nenhum ter sofrido qualquer acidente durante um ano? 3.1+0.35 + 0. todos terem idade igual ou inferior a 40 anos? 2.25 c) 1. 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.25 – 0. De entre os segurados com idade igual ou inferior a 40 anos.

95 + 0.4*0.3% Estatística Aplicada 66 .958*0.03 = 97% a) P( A ) = P(I1)* P( A /I1) + P(I2)* P( A /I2) = 0. P( A ∩ A ∩ A) = 0.6 = 40% P( A /I1) = 1 – 0.958 P ( A) P ( A) c) 1.4*0.03 = = = 28.2857 = 2.9% 3.57% = P(B) 1 − 0.6*0.4*0.6 * 0.2857*0. P( I 2 ∩ I 2 ∩ I 2) = 0.958*0. P( B ∩ B ∩ B ) = 0.4% 2.4 = 6.8% b) P(I2/A) = P ( A ∩ I 2) P ( I 2) * P ( A / I 2) 0.97 = 95.958 = 87.05 = 95% P( A /I2) = 1 – 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 – 0.2857*0.

104 Introdução ao e-learning .

2 q=1-p=0.4096 = 41% Exercício 2 O número médio de chamadas telefónicas a uma central. entre as 4 bobines necessárias a um determinado cliente.3.4. 8) λ=5 8 p=0. Qual a probabilidade de não ocorrerem avarias antes do instante t=6 horas? Estatística Aplicada 67 . Resolução X: número de bobines defeituosas no conjunto de 4 bobines necessárias a um determinado cliente (0. 5.Manual de Exercícios FUNÇÕES DE PROBABILIDADE Exercícios resolvidos Exercício 1 Se 20% das bobinas de um determinado cabo eléctrico forem defeituosas.8 P(X=1)=C4p1q4-1 = 4*0. Qual a probabilidade de não serem atendidas todas as chamadas no intervalo de tempo de 1 minuto? Resolução X: número de chamadas telefónicas atendidas numa central. A central só pode atender um número máximo de 8 chamadas por minuto.4) n=4 p=0.2*0.5 horas.2. escolhidas ao acaso uma ser defeituosa. por minuto.83 = 0. é 5. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.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 4.8 Logo P(X>8) = 1-0. calcule a probabilidade de. 7.06 e −5 5 x P(X ≤ 8) = = 0.2.3. 6.932 = 0.1.2 q=1-p=0. por minuto (0.1.

destinado aos turistas que a frequentam.5. isto é. esse serviço é procurado por 8 turistas interessados em alugar barcos.333 = 0. num período de 6h λ=1/4. que esse serviço funciona ininterruptamente das 8 às 20 horas. Verificou-se que.5 corresponde ao número de avarias por unidade de tempo (por hora) Logo P(T ≥ 6) = P(X=0)= e − 1 *6 4. em média.264 Exercício 4 Considere que o comprimento médio de determinado fio condutor é 120. por hora. e X: numero de avarias que ocorrem no intervalo [0.6[. entre as 8 e as 9 horas.5 = e −1.Manual de Exercícios Resolução Seja T: tempo de funcionamento sem avarias (ou entre avarias consecutivas) de uma máquina. Qual a percentagem de fio com comprimento superior a 121? Resolução X: comprimento de determinado fio condutor Calculando a variável reduzida correspondente. em cada hora. os barcos sejam procurados por mais de 25 turistas? Estatística Aplicada 68 .9772. Exercício 5 Numa praia do litoral português existe um serviço de aluguer de barcos. verifica-se que o valor da função Z é P(X ≤ 2) = 0. entre as 9 e as 11 horas.9772 = 2. com desvio padrão 0.28%. está associado a uma variável aleatória com distribuição de Poisson. vem: 121 − 120 =2 0. se aluguem 5 barcos? Qual a probabilidade de que. O número de turistas que procuram este serviço. a) b) Qual a probabilidade de que. sabe-se.5 Consultando a tabela. por outro lado. Z= Logo P(X>2) = 1-0.

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

3 Em média. Suponha um cliente cujo consumo por mês segue lei normal de média 400 kwh e desvio-padrão 40 kwh.Y E(Z) = E(X -Y) = E(X) .6767 = 0. Z = X . 2.1353 g(1) = P(X=1) = 0.782 São atendidos.E(Y) = 2 . com probabilidade 27. em média..1429 = 4.1353 + … + 3*0.30) W segue Bi (n = 30. entre 1 e 2 petroleiros diariamente f) Z: nº de petroleiros que recorrem diariamente a outros portos (0. 5. 3. 2.3233 = 1.2707 g(3) = P(X=3) = 1 – P(X<3) = 1 – P(X ≤ 2) = 1 – 0.3233 E(Y) = 0*0.1429) E(W) = 30*0.07% e) Y: nº de petroleiros que são atendidos diariamente numa certa refinaria (0. 2.218 Recorrem a outros portos.1. pg. 4.1. p = P(X>3) = 0.1. 3) g(0) = P(X=0) = 0.. 6) Logo. a) Qual o consumo teórico que lhe é mensalmente debitado? b) 1. em média.782 = 0. é preciso enviar petroleiros para outro porto 4 a 5 dias/mês Exercício 7 Os Serviços Municipalizados de Gás e Electricidade debitam mensalemnte aos seus clientes um consumo teórico T de energia eléctrica calculado de tal modo que a probabilidade de o consumo efectivo o exceder seja de 30.85%.Manual de Exercícios a) P(X>3) = 1 – P(X ≤ 3) = 1 – F(3) = 1 – 0.8571 =14.. 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 (0.29% (tab. a capacidade devia aumentar em 6 petroleiros/dia (9-3) c) E(X) = 2 d) X = 1 ou X = 2.14) b) Nº máximo de petroleiros que podem chegar: 9 (informação da tabela) Logo.1.2707 g(2) = P(X=2) = 0. Qual a distribuição do consumo efectivo durante 3 meses? Estatística Aplicada 70 .

1600). isto é.Manual de Exercícios 2. ao fim de 3 meses.5 ⇔ T = 420 40 40 Exercício 8 Num determinado processo de fabrico. existem 2 cadeias de montagem A e B. com funcionamento independente.1)< = P(N(0. determine: a) a probabilidade de se efectuarem mais de 6 montagens numa hora com a cadeia B Estatística Aplicada 71 . 1600) a) P(X>T) = 0.6915 ⇔ = 0. Qual a probabilidade de que. 1600*3). N(1200. vem que: Y=X1+X2+X3 segue N(400*3.a. 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) = 0.3085 ⇔ P( P(N(0.1)<-0. P(3*420-Y > 100) = P(Y < 1160) = P(N(0.1) ≤ b) 1. A cadeia A opera a um ritmo médio de 2 montagens por hora. Poisson. X2 e X3 independentes e que todas seguem N(400.58) = 28. considerando X1.71%.3085 X segue N(400.3085 ⇔ 40 40 T − 400 T − 400 ) = 0.1% 1160 − 1200 )= 4800 X − 400 T − 400 > ) = 0. e a probabilidade da cadeia B efectuar pelo menos uma montagem numa hora é de 98. Admitindo que o número de montagens efectuadas por hora em ambas as cadeias é uma v. X1: consumo efectivo de energia eléctrica de um cliente no 1º mês (em kwh) X2: consumo efectivo de energia eléctrica de um cliente no 2º mês (em kwh) X3: consumo efectivo de energia eléctrica de um cliente no 3º mês (em kwh) Logo X1+X2+X3: consumo efectivo de energia eléctrica em 3 meses (em kwh) Pelo Teorema da Aditividade da Normal. 4800) 2.

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.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 . em 3 horas de trabalho. Y2 e Y3 independentes e que todas seguem Po(4)..9817. λ = 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) = 0.1048 = 34.012*0. vem que P(Y<1) = 1 – 0.0183 + 0. vem que: Z=Y1+Y2+Y3 segue Po(4*3=12) P(Z ≤ 10) = f(0) + f(1) +. P(Y>6) = 1–P(Y ≤ 6) = 1–F(6) = 1-0.0183 pode ser encontrado no cruzamento da linha 0 com a coluna 4.9817 = 0.2707*0. como se sabe que P(Y ≥ 1) = 0. Logo.1465 + 0.0753 + 0.Manual de Exercícios b) a probabilidade de. considerando Y1.0183 Na tabela da Poisson. Na tabela da Po(4). + f(10) = 0 + 0.0001 + … + 0.0902*0.1954 = 3. percorrendo as linhas de 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. numa hora..0009*0. se efectuarem no máximo 10 montagens com a cadeia B c) a probabilidade de.8893=11.1954 + 0. vem que o valor 0.1353*0. mas desconhece-se a média (=parâmetro λ) No entanto.

conter 1 cigarro com filtro defeituoso 2. segue Po(6*8=48) Logo.01) a) 1.01*0. constata-se que 1% dos filtros que compõem o cigarro saem defeituosos.66 Estatística Aplicada 73 .8179 = 16.52% 2. p=P(X=0) = 0. Crit. Crit.9919 = 16.8179) Logo E(Y) = 20*0.9831) Logo E(Y) = 20*0.9831 = 19. 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. a companhia espera poder aproveitar se utilizar o critério: 1. maço é aproveitável se contiver no máximo 1 cigarro defeituoso Resolução X: nº de cigarros com filtro defeituoso em 20 cigarros de um maço X segue Bi(n=20. também pelo mesmo Teorema. p=P(X=0)+P(X=1)= 0. num volume que contém 20. o número médio de montagens efectuado pelas 2 cadeias num dia de trabalho de 8 horas é de 48. p=0. P(X=1) = 20*0. conter 0 cigarros com filtro defeituoso b) o número de maços que. maço é aproveitável se não contiver cigarros defeituosos 2.9920 = 81. 1: maço é aproveitável se não contiver cigarros defeituosos Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20.8179+0.Manual de Exercícios Pelo Teorema da Aditividade de Poisson.79% b) 1. Numa rápida análise às condições de produção. P(X=0) = 0.36 2. sendo as variáveis independentes e seguindo Po(2) e Po(4) respectivamente. E Z .1652 = 0.010*0. 2: maço é aproveitável se contiver no máximo 1 cigarro defeituoso Y: nº de maços aproveitáveis num volume que contem 20 maços Y segue Bi(n=20. determine: a) a probabilidade de um maço acabado de formar 1. Nestas condições. vem que Xi + Yi segue também Po(2+4=6).

96 e logo σ = 0. E como σ tem que ser =0.5% vem que P( 0.25 − 0.2 74 θ( Estatística Aplicada .25 mm e 0.45 − 0.642) = 47.a.25<X<0. a) Calcule a média e o desvio-padrão do comprimento das peças.392 = 1.5% a) Como P(X<0.25 0.642 mm.25 σ ) = P (0 < N (0.25 ) −θ ( ) = θ (1) − θ (−1) = D (1) = 84.392 σ )= =θ( σ ) − θ (0) = 0.25 − µ σ 0.392 ) = 0. Resolução X: comprimento das peças produzidas por uma máquina X segue N(µ.13% 0. Normal com média µ e variância σ2.475 + 0.45) – P(X<0.2 0.25 σ 0. b) Determine a probabilidade de uma peça não ser defeituosa.25 − µ ) = 50% Na tabela. logo µ = 0.475 0.Manual de Exercícios Exercício 10 O comprimento das peças produzidas por uma máquina é uma v.975 0.25<X<0.45) = P(X<0.05) = 0. vem que σ b) P(peça não defeituosa) = P(µ .05 < X < 0.05 − 0.σ P(X<0.5 = 0.2 Sendo θ (0)=0.25) = 50% P(0.1) < 0. σ2) Peça defeituosa se X>µ + σ ou se X< µ .25) = 50% vem que P( X −µ σ < 0. Uma peça defeituosa se o seu comprimento diferir do valor médio mais do que σ.642 − 0.25 P(0.5.5% têm comprimento entre 0. Sabemos que 50% das peças produzidas têm comprimento inferior a 0.σ < X < µ + σ) = P(0.642) = 47.25 mm e 47.25 σ < 0. vem que θ ( σ Na tabela 3B da Normal.392 < X − 0.

4 q=1-p=0..58% Exercício 12 Sabe-se por via experimental que.4) P(X ≥ 8)=1. Admite-se que o medicamento é eficaz no caso de contribuir para a cura de. Qual a probabilidade de ter de aguardar mais de 10 minutos até à chegada de um veículo? Resolução X: nº de veículos que chegam ao posto abastecedor por período de 5 minutos X segue Po(4) Se X1: nº de veículos que chegam ao posto no 1º período de 5 minutos X2: nº de veículos que chegam ao posto no 2º período de 5 minutos então X1+X2: nº de veículos que chegam ao posto abastecedor em 10 minutos Pelo Teorema da Aditividade de Poisson. em média.19.Manual de Exercícios Exercício 11 Sabe-se que a probabilidade de cura de uma certa doença é 20%. ministrando-o a um grupo de 20 doentes. considerando X1 e X2 independentes e que ambas seguem Po(4). vem que X1+X2 também segue Po(4+4=8) Logo P(X1+X2=0) na tabela da Po(8) vem igual a 0. ainda que este eleve de facto a probabilidade de cura para 40%.1. 20) n=20 p=0. Um empregado entra ao serviço às 8 horas. Calcule a probabilidade de se concluir pela ineficácia do medicamento.6 X segue Bi (20. Resolução X: número de doentes curados no grupo de 20 a que é ministrado o novo medicamento (0. 0. chegam.2.03%. pelo menos.F(7) = 41.. que eleva a probabilidade de cura para 40%. por cada período de 5 minutos. 8 doentes em 20. Põe-se à prova um novo medicamento. Estatística Aplicada 75 . 4 veículos a determinado posto abastecedor de combustíveis.

ao recolher um determinado número de pacotes da produção total aleatoriamente. dentro das normas de qualidade exigíveis. Por exemplo.12 kg. em média. a estimativa do parâmetro assumiria valores distintos. De facto. se nos fosse possível observar um número infinito de amostras. Assim. 95% ou 99% de confiança). Claro que nada nos garante que esse valor coincide com o valor do parâmetro da população em estudo. permitir afirmar que seria altamente provável que o peso dos pacotes produzidos estivesse a variar entre 0. é possível calcular o peso médio de acordo com as técnicas de estatística descritiva apreendidas atrás.Manual de Exercícios 3. mais. tal significa que. por exemplo. Estimação por intervalos Conhecendo-se uma amostra em concreto. suponhamos que numa fábrica produtora de açúcar se pretende averiguar se o peso dos pacotes produzidos está. Isto é.92 kg e 1. por exemplo. a partir da recolha de uma única amostra. Na impossibilidade de medição do peso de todos os pacotes. a estatística permite que. se dissermos que o nível de confiança ou certeza implicado é de 95%. é possível estimar os valores dos seus parâmetros caracterizadores através de métodos probabilísticos. 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.4.02 kg. caso o valor amostral fosse de 1. pela morosidade e dispêndio de recursos que tal implicaria. aferir entre que valores seria de esperar que variasse o parâmetro de interesse se nos empenhássemos a recolher um número infinito de amostras. seja possível inferir entre que valores varia o peso médio com um grau de confiança ou probabilidade elevado. Isto é. o valor seja diferente. o intervalo de valores apresentado corresponderia aos resultados obtidos em 95% delas (os valores mais usualmente utilizados são 90%. este método poderia. a partir da observação de uma única amostra. E esse resultado tem um determinado nível de confiança associado: por exemplo. Estatística Aplicada 76 . Então. como retirar conclusões? Como garantir algum nível de rigor? O método a estudar neste capítulo – a estimação por intervalos – permite. para cada amostra de dimensão n recolhida. se recolhermos outro conjunto idêntico de pacotes.

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

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

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

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

X +c σ n = 1. observando-se um valor médio de 1.Lim. que o teor médio de nicotina de um cigarro se situa entre 1.76 n Sendo que x =110 σ=30 c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2.2 γ=99% c: P (−c ≤ Z ≤ c) = 99% ⇔ D (c) = 99% ⇔ c = 2. Resolução X segue N(µ.88 – 104.1.576 vem que n = 173 cabos σ Exercício 4 Uma amostra de 20 cigarros é analisada para determinar o conteúdo de nicotina. Admita-se ainda que foi recolhida uma amostra aleatória com dimensão n=25 alunos e calculada a respectiva média amostral.085 mg e 1.085. Exercício 5 Admita-se que a altura dos alunos de uma escola segue distribuição Normal com variância conhecida e igual a 0.2 mg. tendo-se obtido o valor de 1.Manual de Exercícios b) Amplitude = 115. = ( X + c Logo 2c σ n ) -( X − c σ n ) = 2c σ n =11.2 20 = [1. com 99% de confiança.2 mg. contenha o valor esperado da altura µ.051.576 x0. Estatística Aplicada 83 .315 mg.315] Estima-se.70m. 0. com 99% de confiança. Sabendo que o desvio padrão do conteúdo de nicotina de um cigarro é 0.2 σ=0.576 x0. Defina um intervalo que.76 Amplitude = Lim. . com probabilidade 95%.2 − 2.22) n=20 e logo X −c x =1.2 − 2.1. diga. entre que valores se situa o teor médio de nicotina de um cigarro.Inf.2 20 .Sup.576 σ n .12 = 11.

1 − 1.645 e logo ˆ p−c ˆ ˆ ˆ ˆ 0. com 95% de confiança. Construa um intervalo Estatística Aplicada 84 .611.645 = 0.1x0.Manual de Exercícios Resolução X segue N(µ.70 σ2=0.085 mg e 1.0876.1.1 − 1. procura conhecer-se a incidência de defeituosos na produção de uma máquina. Para tanto. Exercício 7 O director fabril de uma empresa industrial que emprega 4000 operários emitiu um novo conjunto de normas internas de segurança.9 p (1 − p ) p (1 − p ) ˆ .96 x 0.96 σ n .315 mg. que a proporção de artigos defeituosos na produção se situa entre 8.051 25 = [1.7 − 1.645 = 1600 1600 n n = [0.9 0.051 25 . colhe-se uma amostra de dimensão suficientemente grande (1600 artigos). onde 10% dos artigos são defeituosos.1123] Estima-se.p+c .96 x 0.1.051) n=25 e logo X −c x =1. Passada uma semana. seleccionou aleatoriamente 300 operários e verificou que apenas 75 deles conheciam suficientemente bem as normas em causa.23%.051 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. que o teor médio de nicotina de um cigarro se situa entre 1.76% e 11.0.788] Estima-se.X +c σ n = 1.2 − 1. Determine o intervalo de confiança para a referida proporção com 90% de confiança. Resolução n=1600 ˆ p =10% c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1. com 90% de confiança. 0. Exercício 6 Numa fábrica.1x0.0.

0. qual deve ser a dimensão mínima da amostra? c) Sabendo que o intervalo de confiança determinado pela Direcção de Marketing foi [0. Nesse sentido. com 95% de confiança.034.75 0. efectuou um inquérito junto de 1200 pessoas escolhidas aleatoriamente. Se se pretender que a amplitude do intervalo de confiança da alínea anterior não seja superior a 0.767.p+c = 0.96 .833]. 0.25 − 1. calcule o nível de confiança utilizado Resolução a) n=1200 ˆ p= 960 = 0. Exercício 8 A Direcção de Marketing de uma empresa pretende conhecer a notoriedade da marca de determinado produto. Resolução n=300 ˆ p= 75 = 0.1% e 29. a) b) Estime a proporção de pessoas conhecedoras da marca através de um intervalo de confiança a 90%.201. verificando que 960 a conheciam.25 x0.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.96 = n n 300 300 = [0.8 1200 c: P (−c ≤ Z ≤ c) = 90% ⇔ D (c) = 90% ⇔ c = 1.75 ˆ .299] Estima-se.25 x0. que a proporção de operários que conheciam adequadamente o conjunto das normas se situa entre 20.9%.25 − 1.25 300 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.645 e logo Estatística Aplicada 85 .96 e logo ˆ p−c ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.0.

2 = 0. ˆ b) Amp. com 90% de confiança.576 * 70 n ≤ 60 ⇔ n ≥ 36 Estatística Aplicada 86 .8 x0.0.8 * 0.819] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.781.645 = n n 1200 1200 Estima-se.Manual de Exercícios ˆ p−c = [0.-Lim.2 ˆ .padrão da tensão de ruptura do material em causa é de 70 psi.=Lim.2 = 2 *1. estima-se que o desvio .0.Sup.8 x0.2 0. que a proporção de indivíduos conhecedores da marca se situa entre 78.8 − 1.1% e 81. pretendendo-se que a sua amplitude não exceda 60 psi. Com base num vasto conjunto de ensaios realizados no passado.1) vem igual a 99.6%.8 + c E D(2. = ( p + c Logo ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c n n n 2c ˆ ˆ p(1 − p) 0.034 ⇔ n ≥ 1499 n n ˆ c) p + c ˆ ˆ p(1 − p) = 0.9%.86) na tabela N(0.8 * 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.p+c = 0.86 1200 Logo 0.645 * ≤ 0. a que corresponde o nível de confiança utilizado Exercício 9 O gabinete de projectos de uma empresa de material de construção civil pretende estimar a tensão de ruptura do material usado num determinado tipo de tubos.Inf.645 . Deseja-se definir um intervalo de confiança a 99% para o valor esperado da tensão de ruptura.8 − 1.576 Amplitude = 2c σ n Logo 2c σ n ≤ 60 ⇔ 2 * 2.833 ⇔ c = 2.833 n 0.

Manual de Exercícios Exercício 10 A empresa SCB controla regularmente a resistência à ruptura dos cabos por si produzidos.X +c σ n = 4537 − 1.58 10 = [4530. 112) n=10 e logo X −c x =4537 σ=10.5. Recentemente. a 95%. O director comercial pretende saber qual o intervalo de confiança. com 95% de confiança.96 σ n . e em 18 foram observados alguns danos. Exercício 11 Uma amostra de 50 capacetes de protecção. a 95%. que o tensão média de ruptura dos cabos se situa entre 4530.4543. tendo sido obtida uma média de 4537 kg/cm2. para a verdadeira proporção p de capacetes que sofre danos com este teste. Resolução a) n=50 ˆ p= 18 = 0.58 γ=95% c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. que é respeitada. Defina esse intervalo. Resolução X segue N(µ.5 kg/cm2 e 4543. seleccionados aleatoriamente a partir de um lote de grandes dimensões.5] Estima-se.5 kg/cm2.4537 − 1.36 50 c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1. Interprete o resultado obtido.96 x10. foram analisadas as tensões de ruptura de 10 cabos SCB-33R.96 x10. usados por trabalhadores de uma empresa de construção civil. Construa um intervalo de confiança. foram seleccionados aleatoriamente e sujeitos a um teste de impacto. para o valor esperado da tensão de ruptura dos cabos do lote em causa.96 e logo Estatística Aplicada 87 .58 10 . Existe uma norma de 112 kg/cm2 em relação à variância.

vem que: 2c ˆ ˆ p(1 − p) 0. que a proporção amostral é 50% ( p(1 − p)' = 1 − 2 p = 0 ).22695.36 x0. isto é.0.36 − 1.36 x0.5 * 0.7% e 49. 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. 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.08 n n n c: P (−c ≤ Z ≤ c) = 95% ⇔ D (c) = 95% ⇔ c = 1.36 − 1.0.49305] ˆ ˆ ˆ ˆ p (1 − p ) p (1 − p ) 0.Manual de Exercícios ˆ p−c = [0. com 95% de confiança.96 * < 0.64 0.p+c = 0. que a proporção de capacetes que sofre danos se situa entre 22.96 Considerando que a proporção amostral é a que maximiza a amplitude (pior ˆ ˆ ˆ dos casos).08 ⇔ n > 600 n n Estatística Aplicada 88 .5 = 2 * 1.96 .64 ˆ .= ( p + c ˆ ˆ ˆ ˆ ˆ ˆ p(1 − p) p(1 − p) p(1 − p) ˆ ) – ( p−c ) = 2c < 0.96 = n n 50 50 Estima-se.3%.

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

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

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

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

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

quanto menor o erro de 2ª espécie. Esta é uma decisão certa. dependendo do valor do parâmetro que não é fixo.Manual de Exercícios Região de rejeição e de aceitação da hipótese nula Unilateral à esquerda H1: µ < 600 RA Bilateral H1: µ ≠ 600 RA Unilateral à direita H1: µ > 600 RA RR α RR α/2 1−α RR α/2 1−α RR 1−α α Chama-se potência de um teste à probabilidade de rejeitar H0 quando esta é falsa. Quando H1 é uma hipótese composta (>. < ou ≠ ). Logo. Nesse caso falase em função potência do teste = 1 -β (µ1) Resumindo: passos para construção de um teste de hipóteses: Passo No 1: Formular as hipóteses nula e alternativa Passo No 2: Decidir qual estatística (estimador) será usada para julgar a Ho e a variável de decisão Passo No 3: Definir a forma da Região Crítica. maior a sua qualidade (diz-se que o teste é mais potente) . logo. e é complementar do erro de 2ª espécie. em função da hipótese H1 Passo Nº 4: Fixar o nível de significância Passo Nº 5: Construir a Região Crítica em função do nível de significância Passo Nº 6: Cálculo (eventual) da potência do teste Passo Nº 7: Calcular a estatística da amostra Passo No 8: Tomar a decisão: rejeição ou não de Ho Estatística Aplicada 94 . maior será o valor da potência do teste e. não implica erro. a potência do teste é variável.

Seja X a variável que representa o peso de um pacote de arroz.645 x c −1 ) = 0.97 1.00 Será que. determinar a região de rejeição e aceitação.99 0.0. RC = ]− ∞.97 1.98 1.0. para um nível de significância de 5% se pode dizer que o peso médio corresponde ao peso de 1 kg assinalado na embalagem? Resolução Passo 1 Formular as hipóteses: Ho: µ = 1 H1: µ < 1 Passo 2 A estatística a ser utilizada será a média amostral Passo 3 A região crítica é formada por todos os valores menores ou iguais a c Passo 4 Assumir um nível de significância de 5% Passo 5 Para α=5%.02 0.9945] ⇔ c = 1 − 1.02 0.05 ⇔ 0. sendo P(Rejeitar Ho / Ho) = α = 5%.98 0.01 0.05 ⇔ P ( X −µ σ < n 0. Suponha que X ∩ N ( µ . vem que P ( X < c / µ = 1) = 0.01 = 0.012 ) e que se conhece a seguinte amostra: 1.01 9 Estatística Aplicada 95 . Logo.Manual de Exercícios TESTES DE HIPÓTESES Exercícios Exercício 1 Suponha que o director de qualidade pretende averiguar se o peso dos pacotes de arroz produzidos corresponde ao valor assinalado na embalagem.9945 3 Logo.

aceitaremos Ho. Neste caso.5 H1: p < 0.9922 0. que de 0. Reduzindo a probabilidade de isso ocorrer de 5% para 1%.9922. Faz-se um inquérito a 200 pessoas. Exercício 2 Numa cidade. vem: α=1% RR: Parar a produção α=5% RA: Continuar a produção -∞ 0 0. há o risco de se mandar parar a produção para revisão do equipamento sem necessidade. rejeita-se Ho Ou seja. ou seja. e 45% declaram-se favoráveis.9945.9945 para 0.5 Estatística Aplicada 96 . Estes valores contradizem a hipótese? Resolução Passo 1 Formular as hipóteses: Ho: p = 0. No entanto.9933 e é menor que o valor crítico 0.Manual de Exercícios Passo 6 Calcular a estatística X = Passo 7 Tomar a decisão 1 9 xi = 0. pretende-se saber se metade da população é favorável à construção de um centro comercial.9933 Como o valor da amostra foi 0.9933 A única mudança será no Valor Crítico. consideraremos que não há qualquer anomalia na produção.9945 +∞ Valor da amostra: 0. considera-se que o arroz contido em cada pacote era inferior ao indicado.

45 0.442] Passo 7 Como o valor amostral 0. essa margem não é suficiente para decidir deixar de o construir. RC = ]− ∞.442 Ou seja.442 200 Logo. vem que ˆ P ( p < c / p = 0.5 0.645 x Passo 6 ˆ p =0.0.5) = 0. Logo. não se rejeita Ho RR: Não construir o centro comercial RR: Parar a construção α=5% RA: Decidir pela construção -∞ 0 +∞ Valor amostral: 0.05 ⇔ P ( ˆ p− p p (1 − p ) n < c − 0.442. apesar de apenas 45% dos habitantes se terem manifestado a favor da construção do centro comercial. Passo 3 A região crítica é formada por todos os valores menores ou iguais a c Passo 4 Assumir um nível de significância de 5% Passo 5 Para α=5%.5) 200 ) = 0.45 é maior que o valor crítico 0.5(1 − 0. determinar a região de rejeição e aceitação. onde o cuidado deve ser trabalhar com grandes amostras.5(1 − 0. sendo P(Rejeitar Ho / Ho) = α = 5%.Manual de Exercícios Passo 2 A estatística a ser utilizada será a proporção amostral.45 0.5) = 0.05 ⇔ ⇔ c = 0. Estatística Aplicada 97 .5 − 1.

Exercício 4 Numa região onde existem entre os maiores de 18 anos 50% de fumadores. a) Com 1% de significância. registando-se 45 fumadores.01. que o peso médio dos pacotes de farinha nesse dia não está de acordo com o peso indicado? Resolução X segue N(µ. Ao fim de três meses.997 0.012) n = 49 x = 0. realiza-se um mini-inquérito junto de 100 cidadãos com mais de 18 anos. 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 . produzidos por uma fábrica.998 α = 1% H0: µ = 1 H1: µ < 1 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 1) = 0.Manual de Exercícios Exercício 3 O peso dos pacotes de farinha de 1 kg. é uma variável normalmente distribuída. Pode-se afirmar.01 0. é lançada uma intensa campanha anti-tabaco.01 σ ≤ n 49 49 Como x = 0. pode concluir-se que a campanha surtiu efeito? b) Em caso negativo.998 Kg. com desvio padrão 0. não pertence à região crítica. a um nível de significância de 1%.997.01 ⇔ = −2. com peso médio de 0.326 ⇔ c = 0. Da produção de determinado dia é retirada uma amostra de 49 pacotes.01 ⇔ P ( X −µ c −1 c −1 ) = 0.998 > c = 0. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que o peso médio não esteja de acordo com o indicado). 0.

5) = 0.5 0.5 0.01 ⇔ c − 0. Uma amostra de 18 baterias forneceu os seguintes valores: 237 242 244 262 225 218 242 248 243 234 236 228 232 230 254 220 232 240 Supondo que o tempo de vida das baterias se distribui normalmente.5) = 0. poder-se-á concluir. não pertence à região crítica. que as especificações não estão a ser cumpridas? Estatística Aplicada 99 .326 ⇔ n = 541 0. com desvio-padrão de 20 horas.326 ⇔ c = 0.5 n n ⇔ 0.5 n Exercício 5 Um fabricante afirma que o tempo médio de vida de um certo tipo de bateria é de 240 horas.384.5 * 0. logo não se rejeita Ho a um nível de significância de 1% (a campanha não surtiu efeito).45 / p = 0.45 − 0.5 100 = −2.5 (a campanha não surtiu efeito) H1: p < 0.45 > c = 0.5 * 0. b) P( X ≤ 0.Manual de Exercícios Resolução a) n = 100 ˆ p = 0.5 * 0.384 ˆ Como p = 0.5 = −2.5 100 ) = 0. a 5% de significância.5 ≤ ) = 0.5 * 0.01 ⇔ P( ˆ p− p 0.45 α = 1% H0: p = 0.5 (a campanha surtiu efeito) P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.01 ⇔ p(1 − p) 0.45 − 0.

Exercício 6 Uma empresa de cerâmica tem. A experiência tem demonstrado que a variância dos valores da temperatura no interior desses fornos é de 360.05 ⇔ P ( X −µ c − 240 c − 240 ) = 0.25. utilizando novos controladores: 620º 595º 585º 602º 608º Para 5% de significância.05 > c = 232.05 α = 5% H0: µ = 240 H1: µ < 240 P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / µ = 240) = 0. não pertence à região crítica. logo não se rejeita Ho a um nível de significância de 1% (não se pode afirmar que as especificações não estão a ser cumpridas). Foram registadas 5 medidas de temperatura de fornos regulados para 600º. A empresa fornecedora dos fornos comercializa agora um novo tipo de controlador.360) n=5 Estatística Aplicada 100 . em dada secção. poder-se-á concluir que a temperatura não se afasta significativamente do valor desejado? Resolução X segue N(µ. fornos controlados por termóstatos para manter a temperatura no interior dos fornos a 600 graus centígrados.Manual de Exercícios Resolução X segue N(µ. 202) n = 18 1 18 x = xi = 237.25 20 20 σ ≤ n 18 18 Como x = 237.05 ⇔ = −1. que é anunciado como garantindo que as temperaturas se mantêm dentro do limite desejado.645 ⇔ c = 232.

96. Foi recolhida uma amostra de 100 ovos.97 5 n Como x = 602 < c = 613. se a afirmação do fabricante pode ser considerada verdadeira. não pertence à região crítica.25) n = 100 x = 158.437 α = 1% H0: µ = 160 H1: µ < 160 P(Rejeitar Ho/Ho verdadeira) = α = 1% Estatística Aplicada 101 . Teste. ou se.95 ⇔ c − 600 = 1.645 ⇔ c = 613. cujo peso médio foi de 158.Manual de Exercícios x = 1 5 xi = 602 α = 5% H0: µ = 600 H1: µ > 600 P(Rejeitar Ho/Ho verdadeira) = α = 5% P( X ≥ c / µ = 600) = 0.05 ⇔ P( X −µ σ ≤ c − 600 360 5 ) = 0. 90.96 18. pelo contrário. a) O fabricante diz que o peso médio é de 160 g. a um nível de significância de 1%. o verdadeiro peso dos ovos será menor. logo não se rejeita Ho a um nível de significância de 1% (a temperatura não se afasta significativamente do valor desejado). 437 g. Exercício 7 O peso dos ovos de chocolate produzidos numa fábrica segue distribuição normal com variância 90. b) Qual o nível de significância a partir do qual a conclusão seria diferente? Resolução a) X segue N(µ.25.

01 ⇔ P ( ˆ p− p p (1 − p ) n ≤ c − 0.01 ⇔ c −1 = −2.326 ⇔ c = 157. de 60% de leitores que regularmente compram um jornal desse tipo. Adoptando um nível de significância de 1%.6 ˆ p = 0.5535.326 ⇔ c = 0.01 ⇔ P ( X −µ σ ≤ c − 160 90. numa região.4 600 = −2.4 600 ) = 0.79 9. até então nunca atingida por qualquer semanário.6 0. Efectuando um inquérito junto de 600 leitores.5535 ˆ Como p = 0. Resolução n = 600 H0: p = 0.6) = 0.645) = α ⇔ α = 5% n Exercício 8 Um jornal semanário afirma ter atingido.6 * 0.437 > c = 157.Manual de Exercícios P ( X ≤ c / µ = 160) = 0. o semanário em causa. logo não se rejeita Ho a um nível de significância de 1% (a afirmação do fabricante pode ser considerada verdadeira). não pertence à região crítica. Estatística Aplicada 102 .6 0.55 < c = 0. 55% declararam adquirir. por hábito.25 100 ) = α ⇔ F (−1. b) P ( X ≤ 158.55 α = 1% P(Rejeitar Ho/Ho verdadeira) = α = 1% P ( X ≤ c / p = 0.437 / µ = 160) = α ⇔ P ( X −µ σ ≤ 158.6 * 0. pertence à região crítica.25 100 ) = 0.79.437 − 160 90. pronuncie-se quanto à projecção que o semanário reclama.01 ⇔ c − 0. a percentagem.6 H1: p < 0.5 n 100 Como x = 158. logo rejeita-se Ho a um nível de significância de 1% (o semanário não atingiu a projecção que reclama).

0625 12 ) = 1 − F (0.90 kg/cm ? Resolução a) X segue N(µ.6% n Estatística Aplicada 103 .18) = 0.0625 12 ) = 0. a) Poder-se-á afirmar. que as peças produzidas recentemente são menos resistentes do que o habitual? b) Qual a potência do teste efectuado anteriormente.9) = P ( X −µ σ > 5.645 ⇔ c = 5. logo não se rejeita Ho a um nível de significância de 1% (as peças produzidas recentemente não são menos resistentes do que o habitual). não pertence à região crítica.9 0. As últimas 12 peças produzidas nesse molde foram recolhidas e ensaiadas.5040 = 49.01) = 1 − 0.061. admitindo que o valor esperado da resistência à 2 compressão das peças produzidas recentemente é de 4.18 > c = 5.95 α = 5% H0: µ = 5.18 c − 5.18 P(Rejeitar Ho/Ho verdadeira) = α = 5% P ( X ≤ c / µ = 5. a um nível de significância de 5%.061 / µ = 4.25 σ ≤ 0.Manual de Exercícios Exercício 9 Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência à compressão com valor esperado de 5.18 kg/cm2 e variância 0.18 = −1. tendo-se obtido para a resistência média à compressão o valor de 4.05 ⇔ P ( X −µ c − 5.95 kg/cm2. b) Potência = 1-β β = (Conservar Ho/H1 verdadeira) P ( X > 5.061 − 4.0625) n = 12 x = 4.0625 (kg/cm2)2.18 H1: µ < 5. 0.061 0.05 ⇔ n 12 Como x = 5.

Manual de Exercícios

Exercício 10

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

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

ˆ p = 0,6

α = 10%

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

ˆ p− p
p (1 − p ) n

c − 0,5

0,5 * 0,5 400

) = 0,9 ⇔

c − 0,5

0,5 * 0,5 400

= 1,282 ⇔ c = 0,53205

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

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

Estatística Aplicada

104

Manual de Exercícios

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

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

3.6.2 Fiabilidade de um sistema

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

Estatística Aplicada

105

Manual de Exercícios

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

(i) Associação em paralelo

Consideremos vários componentes redundantes e independentes:

1

2

3

4

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

∏q
i

i

Estatística Aplicada

106

então a fiabilidade de um sistema deste tipo seria 94. a fiabilidade do sistema aumenta à medida que aumenta o número de componentes ligadas ao sistema (que representam como garantias de funcionamento adicionais). Estatística Aplicada 107 . é necessário saber qual o número mínimo de componentes que necessitam de estar em funcionamento para que o sistema sobreviva. isto é. no mínimo. Assim. as condições de funcionamento e de avaria para o sistema têm de ser definidos. no caso de sistemas redundantes.Manual de Exercícios Veja-se que.77%. a probabilidade associada a cada um dos estados possíveis (1. (ii) Associação em paralelo de componentes não redundantes Se o sistema não fôr redundante. vem: Rs = P(pelo menos 3 componentes a funcionar) = P(funcionarem as 4) + P (funcionarem 3) 4 = C 4 p 4 q 4− 4 + C 34 p 3 q 4−3 = p 4 + 4 p3q Por exemplo. a fiabilidade do sistema funcionar pode ser calculada recorrendo à lei binomial. Se as componentes forem todas iguais. 2.9). por exemplo. para um nº mínimo de 3 componentes necessárias. a funcionar). vai considerar-se de novo um sistema composto por quatro componentes em paralelo. 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. com probabilidade de funcionamento p e de indisponibilidade q. 3 ou 4 componentes. Para o efeito.9 (p=0. se todos os componentes tivessem fiabilidade 0.

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

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

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

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

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

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

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

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

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

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

Calcular as frequências esperadas eij = Por exemplo.5 35 Biologia 30 30.5 25 Farmácia 20 17. seria de esperar que o número de estudantes de Medicina a admitir usar drogas fosse de: eij = ni. que é 5. Vem que o obsv.05). Por último. j n 1.0 60 120 Total 60 60 3. As frequências esperadas deverão ser anotadas nas correspondentes células: Medicina Usa drogas Não usa drogas Total nij eij nij eij 10 12. j n = 25 * 60 = 12. compara-se o valor do observado obtido (1. 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. se as duas variáveis fossem independentes. A seguir aplica-se a fórmula = i j (nij − eij ) 2 eij = …=1.=1. Em média. Assim sendo. não há associação entre as variáveis.5 120 2. a proporção de alunos que usam ou não drogas não varia entre os cursos. * n. no grupo estudado. considerando os graus de liberdade (GL) e o nível de significância adoptado (ver tabela anexa).7 é menor do que o valor obtido a partir da tabela.Manual de Exercícios Se o obtido fôr maior ou igual ao crítico.7) com o valor do crítico. Para o cálculo do recomendam-se os seguintes passos: n i .7 4.0 30 30. Estatística Aplicada 118 .991 (cruzamento da linha 2 com a coluna 0. concluindo-se que. * n.5 15 12. a hipótese Ho não pode ser rejeitada. Ho deverá ser rejeitada.5 15 17.

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

337 34.025 0.075 4.336 40.252 120 .671 35.070 12.685 26.490 4.643 9.415 39.449 16.262 6.816 4.461 15.047 19.041 12.869 31.340 19.338 23.549 21.483 23.578 32.989 1.307 20.336 35.844 17.805 37.007 35.343 14.345 12.339 21.142 5.879 10.412 31.000 0.610 2.034 8.815 5.9 0.997 45.932 41.119 29.160 13.319 36.156 42.542 26.05 0.348 10.838 16.844 7.907 11.204 30.196 36.308 18.702 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 ) (    ¡ & ¨ # !    ¨   ¤ ¨ § ¡ £ ¡ 0.558 51.892 29 13.676 0.001 0.337 33.589 27.845 32.120 16.024 7.237 1.520 13.337 26.725 26.819 9.300 32.124 8.645 12.191 38.314 46.114 26.009 5.908 7.659 23.688 29.860 18.582 43.852 36.001 0.924 36.722 49.916 41.265 6.757 31.982 14.994 56.848 22.085 16.457 6.401 15.833 3.564 10.507 17.013 18.706 4.563 38.292 25.179 25 10.072 0.278 24.963 49.275 19.473 24.923 45.289 42.251 7.769 27.466 9.346 12.578 10.312 8.016 0.642 48.584 1.357 4.573 18.652 40.074 3.321 7.443 19.336 37.684 16.260 9.304 11.791 20.264 6.629 6.210 10.296 28.928 52.768 28.989 28.557 45.865 17.781 40.535 20.865 0.434 8.266 9.337 30.256 43.885 41.597 13.750 20.181 49.339 22.307 24.064 1.156 2.831 1.672 59.336 39.314 10.348 11.588 5.484 0.240 20.488 11.455 1.526 34.886 0.143 13.017 14.892 53.290 54.386 2.382 37.646 44.144 32.599 29.919 19.366 3.051 0.698 9.087 42.605 6.344 13.980 45.338 24.340 18.168 4.790 13.141 31.113 43.342 15.566 39.700 3.278 50.741 40.337 44.351 2.877 9.588 52.188 29.267 39.341 17.547 14.231 10.086 16.718 40.204 2.791 8.909 7.362 15.301 30 13.124 8.675 21.736 27.180 2.987 18.689 14.592 14.638 44.841 5.975 0.335 58.000 34.121 16.216 0.779 3.996 27.041 21.064 23.527 7.337 32.651 18.619 26 11.195 46.615 32.1 0.404 5.209 25.191 33.475 20.01 0.401 46.338 27.337 29.939 27.364 42.801 37.362 24.410 34.812 22.076 41.920 24.666 23.337 28.813 33.207 0.211 0.728 12.005 0.409 35.995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0.336 36.461 48.026 23.236 11.565 4.067 16.247 3.812 18.587 30.Manual de Exercícios 0.010 0.819 34.603 3.827 9.479 38.488 30.697 6.635 7.172 38.515 5.690 2.170 37.548 22.475 28 12.773 46.023 21.268 11.991 7.796 10.735 2.217 28.955 26.796 48.787 16.645 55.815 9.601 5.283 13.378 6.051 27 11.344 1.277 14.090 21.591 12.312 15.5 0.808 14.832 15.979 50.412 0.338 25.

e maq 10 não funcionar) = 1 – 0.8801% − ( 5*10−5 ) *5000 Estatística Aplicada 121 .. Suponha que cada máquina funciona independentemente das outras e a probabilidade de funcionamento de cada máquina é 85%.5 = 60. 2x10-5 avarias/hora (B e C) e 5x10-5 avarias/hora (D).. Quatro componentes de um sistema encontram-se associados de acordo com a figura junta.15*0.15*. está instalado um sistema de 10 máquinas para utilização de cartão multibanco.. Calcule a probabilidade do sistema estar em funcionamento. Diz-se que o sistema está em funcionamento se pelo menos uma das máquinas funciona. Estão no seu período de vida útil e as taxas médias de avarias são 10-4 avarias/hora (A). 25 = 77.*0..Manual de Exercícios FIABILIDADE Exercícios Exercício 1 Num centro comercial.15 = 1 (aproximadamente) 2. Resolução P(avaria) = 1-0. Resolução A: Rs = e D: Rs = e −10−4 *5000 = e −0. B A C D Calcule a probabilidade do sistema estar em funcionamento após 5 000 horas.6531% = e −0.85 = 15% P(sistema estar em funcionamento) = 1 – P(sistema avariar) = 1 – P(nenhuma das máquinas funcionar) = 1 – P(maq1 não funcionar e.

778801 = 46. Imagine que a máquina é (re)colocada em funcionamento no instante t=0 horas.1 = 90.4837% P(funcionar 1 ou 2) = 1-P(funcionar nenhuma) = 1 – (1-0. Calcule a fiabilidade do equipamento.171429 = 84.606531*0.904837)2 = 99.5 horas.0944% Logo. 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.8% Exercício 3 Foram ensaiadas durante 3 000 horas. Resolução X: tempo de funcionamento sem avarias da máquina (em horas) (isto é.3000] horas Rs = e Exercício 4 − 3000 17500 = e −0. P(sistema estar em funcionamento após 5 000 horas) = = 0. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/17500) MTBF = 17500 Y: nº de avarias no intervalo [0.990944*0. cinco unidades idênticas de um equipamento que se sabe ter uma curva de sobrevivência que obedece a uma distribuição exponencial.Manual de Exercícios B e C: Rs = e − ( 2*10−5 ) *5000 = e −0. com um MTBF de 17 500 horas. sem que se verificasse qualquer avaria. 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 .25% O tempo de funcionamento sem avarias de uma determinada máquina de produção contínua segue uma lei exponencial negativa com valor esperado igual a 4.

1 . estarão provavelmente em funcionamento após 2 000 horas de utilização.302 = 73.5 e dx = e 4.4% 4.6] horas P(Y=2) = e − − 6 4.P(falhar nenhuma) = 1 .6% Logo.1667 = 84. tempo que decorre entre avarias consecutivas (em horas)) X segue Exp(α=1/4.1% = P( X ≥ 2) − P( X ≥ 4) P( X ≥ 4) e 4 . b) Quantas lâmpadas.5 6 0 − 1 − 4.5 = 26.5) MTBF = 4. num conjunto de 10. no período de vida útil. vem que P(X ≥ 6) = P(Y=0) = e-λt = e-(1/4.12% b) Rs = e − 2000 12000 = e −0.5 b) P(X ≥ 6/ X ≥ 4) = = = 4 = 64.5 x(6 / 4. Calcular: a) A probabilidade de falha de uma ou mais lâmpadas.5)t = e-(6/4.4% 6 P( X ≥ 6 ∩ X ≥ 4) P( X ≥ 6) e 4.5) = 26.0488 = 95.9% Em 10.5).73910 = 1 – 0.5) 2 = 23.5 1 6 P(X ≥ 6) = 1 − P ( X < 6) = 1 − Ou considerando Y: nº de avarias no intervalo [0.4% 2! Exercício 5 Sabe-se que um determinado modelo de lâmpadas apresenta no período de vida útil (3625 horas) um MTBF de 12 000 horas. de um conjunto de 1 000. 0.6] horas. Resolução a) Rs = e − 3625 12000 = e −0.Manual de Exercícios Resolução a) X: tempo de funcionamento sem avarias da máquina (em horas) (isto é. como Y segue Po(1/4.5 c) Y: nº de avarias no intervalo [0.846x1000 lâmpadas = 846 Estatística Aplicada 123 .0.

indicando o valor médio de tal distribuição.p=0.05) Valor médio=5*0.15*0. 0.05=0. funcionar) = P(0 avariar e funcionar) + P(1 avariar e funcionar) = (0.095+0. No caso de nenhum elemento avariar o sistema funciona normalmente. A observação prolongada do funcionamento dos telefones levou a concluir que as probabilidades dos 3 telefones. O grupo de telefones satisfaz minimamente o serviço se pelo menos 2 estiverem sem avarias.1425 = 91. Resolução a) P(sist.5% P(3 sem avarias) = 0. colocados estrategicamente a fim de satisfazer adequadamente os utentes.05 a probabilidade de um elemento falhar ao longo de qualquer dia da semana.7 = 0. T2 e T3 se encontrarem avariados são.25 e que as avarias são independentes.15. se mais de um elemento avariar o sistema não funciona.5% P(2 sem avarias) = 0.7.955)* 1 + (5*0. Qual a probabilidade de pelo menos dois destes telefones estarem sem avarias? Resolução P(pelo menos dois destes telefones estarem sem avarias ) = P(2 ou 3 estarem sem avarias) = 0.25+0.63% b) Bi(n=5.15*0.7738 + 0.2*0.05)*0.8*0.85*0.8*0.2*0.75=51% Exercício 7 Um sistema é constituído por 5 componentes iguais. T1.25 Estatística Aplicada 124 .51=60.85*0.Manual de Exercícios Exercício 6 Num grande centro comercial existem 3 telefones públicos. Calcule: a) b) a probabilidade do sistema funcionar ao longo do dia. sendo 0.2 e 0. a função de probabilidade do nº de falhas registadas nos seus componentes ao longo de um dia. respectivamente.954*0. 0.75+0.25=9. se um dos elementos avariar o sistema funciona com probabilidade 0.

50. determine: a) b) c) O valor da norma µ0 A probabilidade de se proceder a uma paragem indevida da produção A probabilidade de.8775 LSC = µ + = 50.1225 cσ n Como LIC + LSC = 100 vem que µ − Logo µ=100/2 = 50 Ω + µ+ cσ n = 2 µ = 100 Estatística Aplicada 125 .8775 LSC: 50.25) 2 ) a) LIC = µ − cσ n cσ n = 49.25 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.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. estando a norma a ser cumprida.1225 n=16 σ=0. se produzir um artigo defeituoso.530. 470] Nestas condições. Resolução X: resistência de um componente em Ω X ∩ N ( µ .

53 − 50 50.53 ≤ X ≤ 50.96.25 16 16 1 – P(49.88) = 0.P( 49. Estatística Aplicada 126 . que afirmam que os produtos produzidos (em série) por esta empresa não obedecem às normas de qualidade estabelecidas e que são: - a norma para o comprimento médio das peças é de 20 cm.1225 sendo µ=50) = 1 .9399 = 6.P(-1.47 sendo µ=50) = 1 .88) = Na tabela da Normal. a amplitude do intervalo de controle para a média deve ser de 1.95 donde 1 – 0.Manual de Exercícios b) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 . SA” mantém um diferendo com os seus principais clientes.9399 donde 1 – 0.P(-1.8775 − 50 50.01% Exercício 2 A empresa “TRADECHO.25 16 16 1. sendo a norma respeitada) = 49. vem D(1.25 0.96 ≤ X ≤ 1. a norma para a variância é de 4 e está a ser cumprida. vem D(1. a dimensão das amostras a extrair é de 16 Afirmam os clientes que a probabilidade de parar indevidamente o processo produtivo é superior àquela que decorre das normas.P( 1 .88 ≤ X ≤ 1.8775 ≤ X ≤ 50.95 = 5% c) P(produzir um artigo defeituoso.96) = Na tabela da Normal.47 − 50 ≤X ≤ )= 0.1225 − 50 ≤X ≤ )= 0.96) = 0.P(49.25 0.

vem D(1.96/2 sendo µ=20) = 1 .98 20 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • •20.96) = 0.96/2 ≤ X ≤ 20+1.P(20-1. Estatística Aplicada 127 .95 = 5% b) e c) Média Amostral (cm) 20.98 ≤X ≤ )= 2 2 16 16 1.P(-1.02 Não é necessário parar o processo produtivo (valores dentro dos limites de controlo).98 0.30 20.P( − 0.90 • • • • • 20 • • • •20.96 ≤ X ≤ 1.15 • • • • • 19. 4) a) P (parar indevidamente o processo produtivo) = P( X cair fora dos limites de controlo quando µ=µ0) = 1 .95 donde 1 – 0.90 20.05 19.96) = Na tabela da Normal.5 • • • • 19.15 Qual a medida a tomar? Resolução X: comprimento das peças em cm X ∩ N ( µ . b) Represente a carta de controle para a média c) A recolha de 5 amostras forneceu os seguintes resultados para a média: 20.Manual de Exercícios a) Determine a probabilidade referida.00 20.3 • • • • •20.

45 sendo µ=1000) = 1 .45] parando-se o processo produtivo se o valor médio amostral se situar fora deste intervalo. O Departamento de Produção construiu o seguinte intervalo para a duração média de uma lâmpada.P( 983.645) = Estatística Aplicada 128 .55 cσ = 1016.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). a partir de uma amostra de dimensão 100: [983.P(983.55 ≤ X ≤ 1016. (100) 2 ) cσ n n a) LIC = µ − LSC = µ + = 983.45 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.P(-1. 1016. Sabe-se que o desvio-padrão da duração de uma lâmpada é de 100 horas.645 ≤ X ≤ 1. a) Calcule o valor adoptado para a norma (µ0) b) Determine a probabilidade de se parar indevidamente o processo produtivo.55. Resolução X: duração das lâmpadas em horas X ∩ N ( µ .55 − 1000 1016.

645) = 0. a) Determine a dimensão da amostra que é necessário recolher para cumprir as condições definidas. SA pretende implementar um sistema de controle interno de qualidade de um determinado tipo de geradores fabricados em série.96 * 4 64 b) LSC = µ + = 10.9 = 10% Exercício 4 O novo Conselho de Administração da empresa de componentes eléctricas “Alta Tensão.8 - = 9.96 logo 2 cσ n 1. Para tal.8 logo µ = 10.8 D(c)= 5% logo c= 1. procede à verificação da produção de energia Estatística Aplicada 129 . definiu com o director de produção os aspectos considerados relevantes no controle da duração média das componentes: - o limite superior de qualidade (LSC) deve ser de 10.96 * 4 n ≤ 1. Assim.96 2 cσ n ≤ 1. Resolução X: duração das componentes em milhares de horas X ∩ N ( µ .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. vem D(1. b) Calcule a norma.9 donde 1 – 0.96 ⇔ n ≥ 64 1.8 milhares de horas a amplitude do intervalo não deve exceder 1. ( 4) 2 ) cσ n a) LSC = µ + = 10. SA” resolveu efectuar um estudo aprofundado sobre o controle estatístico de qualidade das peças produzidas.82 Exercício 5 O director de produção da empresa DISLIX.Manual de Exercícios Na tabela da Normal.

92 A probabilidade de se parar indevidamente a produção não deve exceder 5% Sabe-se que o desvio padrão da produção da energia eléctrica de um gerador é de 4 kws/hora e que a variável segue distribuição Normal. ( 4) 2 ) a) D(c)= 5% logo c= 1.96 • Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 • • • • • • • • • • • • • • • • • • • • • • 10 8.96 LSC = µ + = 10 + 1. 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 * 4 n ≤ 3.04 = 11.92 logo 2 1.04 LIC = µ − cσ n cσ n • • • = 10 − 1.96 * 4 16 16 = 8.96 * 4 Estatística Aplicada 130 .96 2 cσ n ≤ 3. a) Determine a dimensão mínima da amostra a utilizar para o controle de produção.92 ⇔ n ≥ 16 b) Média Amostral (cm) 11. b) Represente a carta de controle para a média.

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

Estatística Aplicada 132 . α=0.141 Vem que o obsv. no grupo estudado. das quais 3 foram de alunos que não tinham efectuado provas durante o ano. dos quais 20 não tinham prestado qualquer prova durante o ano. Exercício 2 Aos exames de primeira época de determinada disciplina compareceram 105 alunos. a hipótese Ho será rejeitada. Assim sendo. O número de aprovações foi de 33. Em média.141 é maior do que o valor obtido a partir da tabela. * n. que é 5. procedeu-se à aplicação de eij = n i . Para o cálculo das frequências esperadas.4 528 557. As frequências foram utilizadas para analisar o mercado como um todo e para interpretar o resultado dos testes de correlação. j n .05)=5. para os quais se convencionou a adopção de um nível de significância de 5%. o poder de compra do consumidor influencia a sensibilidade ao preço.2 376 Refrigerante 186 237. de que resultou a seguinte tabela: Preço Elevado A/B/C1 C2/D/E Total nij eij nij eij 598 568. há associação entre as variáveis.991 observado = 31.6 1126 Preço Baixo 212 189.=31. considerado razoável face aos valores normalmente utilizados.2 471 Total 996 977 1973 Ho: As variáveis são independentes H1: As variáveis não são independentes crítico (GL=2.8 164 186. concluindo-se que.05).Manual de Exercícios de segmentar o mercado.991 (cruzamento da linha 2 com a coluna 0.8 285 233.

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

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

66 Elevado 86. teste = Vem que o (150 − 113.069 Valor obsv. que conclusão pode tirar? Resolução Ho: As variáveis são independentes H1: As variáveis não são independentes Valores esperados: Taxa juro Proc.Manual de Exercícios Valores esperados: Época Normal Ponta Volume DLX Baixo/Médio 113.66 43.33 6.05)=5.33 crítico (GL=1.. Moeda 0-10 10-45 45-70 Reduzida 20 20 250 Média 30 400 30 Elevada 200 30 20 Utilizando um nível de significância de 5%. + = 85.33) 2 + . α=0. Exercício 5 Num estudo que pretendia averiguar a existência de relação entre a procura de moeda e a taxa de juro. construindo-se a seguinte tabela de contingência: Taxa juro Proc.991 observado = 85.5 130. concluindo-se que há associação entre as variáveis.069 > 3. a hipótese Ho será rejeitada. est. Moeda 0-10 10-45 45-70 Reduzida 72.= 85.069 é maior do que o valor obtido a partir da tabela.33 43.84 113.33) 2 (80 − 43.. procedeu-se à recolha periódica de elementos sobre essas variáveis.5 112.33 obsv.5 75 Estatística Aplicada 135 . Assim sendo.5 87 Média 115 207 138 Elevada 62.

84 observado = 30 Vem que o obsv.05)=3.= 1183. a hipótese Ho será rejeitada.49 observado = 1183. 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.7 é maior do que o valor obtido a partir da tabela. Estatística Aplicada 136 . Os resultados de uma amostra de 140 estudantes foram os seguintes: Grupo de Tipo estudantes de atitude Atitude negativa Atitude positiva A 30 10 B 30 20 C 10 40 Utilizando um nível de significância de 5%. Exercício 6 Um investigador seleccionou três amostras de estudantes. concluindo-se que há associação entre as variáveis. α=0. a hipótese Ho será rejeitada. Assim sendo. 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=2.05)=9.Manual de Exercícios crítico (GL=4. Assim sendo.= 30 é maior do que o valor obtido a partir da tabela. A. B e C. α=0. concluindo-se que há associação entre as variáveis.7 Vem que o obsv.

Sign up to vote on this title
UsefulNot useful