UNIVERSIDADE PÚNGUÈ

EXTENSÃO DE TETE
CURSO DE LICENCIATURA EM ENSINO DE MATEMÁTICA
CORREÇÃO DETALHADA DISCIPLINA DE INFERÊNCIA ESTATÍSTICA

Campus universitário de Cambinde-Matundo. EN 106. Tel: 252 220421/2; fax: 252 20421. Tete-Moçambique

TAREFA1
Dados Pedido
N=45 𝑋 = {𝑋𝑖+1 ; … ; 𝑋𝑛 }=?
n=15
Amostragem=Sistemáticas
𝑋1 = 2
Resolução
A população já está enumerada de 1 a 45;
𝑁 45
Calculamos a amplitude amostral: 𝑘 = 𝑛 = 15 = 3
Definimos o primeiro elemento da amostragem de 1 a k, neste caso, de 1 a 3. Esse
processo este elemento dever ser escolhido pela AAS. Para o nosso caso, já temos o
primeiro elemento da amostragem que é: 𝑋1 = 2.
Escolhemos os outros elementos da amostragem a partir de uma formula sequencial,
quer dizer: 𝑋𝑖+1 = 𝑋𝑖 + 𝑘 ⟺ 𝑋𝑖 = 𝑋1 + (𝑖 − 1) × 𝑘. Por exemplo, 𝑋2 = 𝑋1 + 𝑘 = 2 + 3 = 5,
assim sucessivamente. De modo geral, os elementos seguintes da amostra são: 5; 8; 11;
14; 17; 20; 23; 26; 29; 32; 35; 38; 41; 44.

TAREFA2
Dados Pedido
#T=22000; n=?
#M=15000 𝑛𝑉 =?
#V=33000
Amostra piloto: 0; 0; 1; 1; 0;
1; 1; 1; 0; 0; 1; 1; 1; 0; 1; 1;
0; 0; 0; 1
𝜖 = 6,4%
𝛼 = 5%
Resolução
Como a variável de interesse é qualitativa, usaremos a formula para o cálculo com a
proporção piloto, isto é:
𝑧 2 × 𝑝 × (1 − 𝑝 ) × 𝑁
𝑛= 2
𝜖 × (𝑁 − 1) + 𝑧 2 × 𝑝 × (1 − 𝑝 )
𝑁 = #𝑇 + #𝑀 + #𝑉 = 22000 + 15000 + 33000 = 70000
Para 𝛼 = 5%, 𝑧 = 1,959963985 ≅ 1,96
 ∑𝑥𝑖 11
𝑝= = = 0,55
𝑛′ 20
1,962 × 0,55 × (1 − 0,55) × 𝑁
𝑛= = 231,36 ≅ 231
0,0642 × (70000 − 1) + 1,962 × 0,55 × (1 − 0,55)
#𝑉 33000
𝑛𝑣 = 𝑛 × = 231 × = 109,0716027 ≅ 109
𝑁 70000

TAREFA3
Dados Pedido
Amostra aleatória X a) Vies(T)
b) Var(T)
𝑛
1
𝑇= ∑ 𝑥𝑖 − 1
𝑛−1
𝑖=1
Resolução
𝑉𝑖𝑒𝑠(𝑇) = 𝜇 − 𝐸 (𝑇)
𝑛
1 𝑛
𝐸 (𝑇 ) = 𝐸 ( ∑ 𝑥𝑖 − 1) = 𝜇−1
𝑛−1 𝑛−1
𝑖=1
𝑛 1
𝑉𝑖𝑒𝑠(𝑇) = 𝜇 − ( 𝜇 − 1) = 1 − 𝜇
𝑛−1 𝑛−1
𝑛
1 𝑛
𝑉𝑎𝑟(𝑇) = 𝑉𝑎𝑟 ( ∑ 𝑥𝑖 − 1) = 𝜎2
𝑛−1 (𝑛 − 1)2
𝑖=1

TAREFA4
Dados Pedido
X é amostra aleatória Calcular o estimador de máxima verossimilhança
𝜃𝑥
𝑓 (𝑥 ) =
𝜃−1
Resolução
𝑛
𝜃 ∑𝑥𝑖
𝐿 (𝑥 ) = ∏ 𝑓 (𝑥 ) =
(𝜃 − 1)𝑛
𝑖=1
𝐿𝑛(𝐿) = ∑𝑥𝑖 × ln(𝜃) − 𝑛 × ln(𝜃 − 1)
𝑑𝑙𝑛𝐿 ∑𝑥𝑖 𝑛 ∑𝑥𝑖
= − =0⇔𝜃=
𝑑𝜃 𝜃 𝜃−1 ∑𝑥𝑖 − 𝑛

TAREFA5
Dados Pedido
𝑛1 = 2357 𝐴𝐼𝐶 2 =?
𝐼𝐶1 = [88,5; 91,5]
𝑛2 = 9428
Todos outros parâmetros
são iguais
Resolução
𝜎 𝜎
𝐼𝐶 = [𝑥̅ − 𝑧 × ; 𝑥̅ + 𝑧 ×]
√𝑛 √𝑛
𝜎 𝜎 𝜎
𝐴𝐼𝐶 = 𝐿𝑠𝑢𝑝 − 𝐿𝑖𝑛𝑓 = 𝑥̅ + 𝑧 × − (𝑥̅ − 𝑧 × ) = 2 × 𝑧 ×
√𝑛 √𝑛 √𝑛
 Se tomos parâmetros se mantiveram constantes, mudando apenas o tamanho da
amostra, teremos:
𝜎
2×𝑧×
𝐴2 √𝑛 2 𝑛1 2357
= ⇔ 𝐴 = 𝐴 × √ = ( 91,5 − 88,5 ) × √ = 1,5%
𝐴1 2 × 𝑧 × 𝜎 2 1
𝑛2 9428
√𝑛1

TAREFA6
Dados Pedido Resolução
2
Universidade 𝑛𝑖 𝑥̅𝑖 𝑠𝑑 𝐻𝑜 : 𝜎1 ≤ 𝜎 2
Hipótese: 𝐻𝑜 : 𝜎12 ≤ 𝜎22 e 𝐻𝑎 : 𝜎12 > 𝜎22
𝑥1 30 12,9 2,1 𝐻𝑎 : 𝜎12 > 𝜎 2 Calculamos F crítico:
𝑥2 20 14,7 1,8 𝐹𝑐𝑟𝑡 = 𝐹 (29; 19; 0,025) = 2,401942686 ≅
𝛼 = 2,5% 2,402
Definimos as regras de decisão ou a região crítica:
𝑁𝑅𝐻𝑜 𝑠𝑒 𝐹𝑐𝑎𝑙 < 𝐹𝑐𝑟𝑡 ou seja, se 𝑠𝑒 𝐹𝑐𝑎𝑙 < 2,402
𝑅𝐻𝑜 𝑠𝑒 𝐹𝑐𝑎𝑙 > 𝐹𝑐𝑟𝑡 ou seja, se 𝑠𝑒 𝐹𝑐𝑎𝑙 > 2,402
2
𝑆𝑚𝑎𝑥 2,1
Calculamos o valor observado: 𝐹𝑐𝑎𝑙 = 2 = 1,8 = 1,166666667 ≅ 1,17
𝑆𝑚𝑖𝑛
Tiramos as conclusões: Considerando nível de confiança de 95% e um teste bilateral a
direita, não temos evidencias suficientes para rejeitar a hipótese nula de que a
variabilidade no sistema de avaliação e aprovação das duas universidades não é
significativa, pois, vemos que 𝐹𝑐𝑎𝑙 = 1,17 < 𝐹𝑐𝑟𝑡 = 2,402.

TAREFA7
Dados Pedido
𝛼 = 2,5% a) X2cal=?
Dados da tabela b) RAH=?
A tabela é de tamanho 3X4
Resolução
A região de aceitação é: X2cal < 14,4 (14,4 é um valor achado na tabela de distribuição de
2
qui-quadrado a nível de significância de 2,5% e 6 graus de liberdade, isto é, 𝑋𝑐𝑟𝑡 =
2( 2
𝑋 0,025; 2 × 3) = 𝑋 (0,025; 6) = 14.44937534.

O cálculo da estatística calculada é bastante simples. Vamos explicar de forma modesta.

1º → Calculamos os totais linha e os totais colunas na tabela 1, como se segue:
𝑘

𝑛𝑖 = ∑ 𝑛𝑖𝑗
𝑗
𝑘′

𝑛𝑗 = ∑ 𝑛𝑖𝑗
𝑖=1
𝑘

𝑛 = ∑ 𝑛𝑖𝑗 = 500
𝑖=1,𝑗=1
Tabela 1: Dados originais (Frequências observadas)

Antiguidade Total linha

Salário <5 "5 - 10" "10 - 15" >15 𝑛𝑖
baixo (<150) 30 20 16 34 100
Médio (150 - 200) 64 34 20 82 200
 Altos (>200) 45 55 16 84 200
Total coluna 𝑛𝑗 149 99 52 200 500

2º → calculamos as frequências esperadas da seguinte forma:

𝑛 ×𝑛
′
𝑛𝑖𝑗 = 𝑖𝑛 𝑗
′ 𝑛1 ×𝑛1 100×149
Exemplo: 𝑛1,1 = = = 29,8; faça isso para outras células da tabela 2.
𝑛 500

Tabela 2: Frequências esperadas

S\A <5 "5-10" "10-15" >15 Total

B 27.8 21.8 10.4 40 100
M 55.6 43.6 20.8 80 200
A 55.6 43.6 20.8 80 200
Total 149 99 52 200 500

3º → Calculamos os valores singulares do 𝑋 2 , da seguinte forma:

′ 2
2
(𝑛𝑖𝑗 − 𝑛𝑖𝑗 )
𝑋𝑖𝑗 = ′
𝑛𝑖𝑗
′ ) 2
2 (𝑛1,1 −𝑛1,1 (30−27,8) 2
Por exemplo: 𝑋1,1 = ′ = = 0.174101. Faça isso para todas as células
𝑛1,1 29,8
da tabela 3.

4º → Calculos o qui-quadrado somando todos os valores particulares da tavele 3, isto é”

𝑘
2
𝑋𝑐𝑎𝑙 = ∑ 𝑋𝑖𝑗2 = 14,01
𝑖=1,𝑗=1
2
Tabela 3: Valores singulares para o cálculo do 𝑋𝑐𝑎𝑙

S\A <5 "5-10" "10-15" >15 Total

B 0.174101 0.148624 3.015385 0.9 4.238109
M 1.269065 2.113761 0.030769 0.05 3.463595
A 2.020863 2.980734 1.107692 0.2 6.30929
Total 3.464029 5.243119 4.153846 1.15 14.01099

TAREFA8
Dados Pedido
Seja: X=Arroz; Y=Feijão e Z=Açúcar Testar a hipótese de igualdade de medias, isto
𝑛𝑥 = 𝑛𝑦 = 𝑛𝑧 = 5 é:
𝛼 = 5% 𝐻0 : 𝜇𝑥 = 𝜇𝑦 = 𝜇𝑧
Arroz 100 120 90 150 130 𝐻0 : Existe pelo menos uma média diferente das
Feijão 60 80 30 0 20 outras
Açúcar 50 90 120 80 40
Resolução
1º → calculamos as medias para cada variável, veja a coluna cinzenta.
1
2º → calculamos as variâncias para cada variável, ver coluna azul. 𝑆 2 = 𝑛−1 ∑(𝑥𝑖 − 𝑥̅ )2
 2 ∑𝑛 (𝑥̅ −𝑥̅ )2
3º → calculamos a variância entre grupos, ver coluna cor de vinho. 𝑆𝐸𝐺 = 𝑖𝑘−1
𝑖
=
8006.667 . Aqui, k refere-se ao número de variáveis existente.
2
4º → Calculamos a variância dentro dos grupos, veja a coluna verde. 𝑆𝐷𝐺 =
∑(𝑛𝑖 −1)×𝑆𝑖2
(𝑛1 −1)+(𝑛2 −1)+(𝑛3 −1)
= 873.3333
𝑆2 60
5º → Calculamos a estatística F calculada, da seguinte forma: 𝐹𝑐𝑎𝑙 = 𝑆𝐸𝐺
2 = 436,666 =
𝐷𝐺
9.167938931
Produto 𝑥̅ var.p var.EG var.DG
Arroz 118 570 8268.889 2280
Feijão 38 1020 7735.556 4080
Açúcar 76 1030 8.888889 4120
Geral 77.33333333 8006.667 873.3333
6º → Calculamos o F critico considerando 𝐹(𝛼, 𝑚, 𝑛). Este valor obtemos na tabela de
distribuição F-Sndecor considerando m=número de variáveis menos o número de
variáveis, n=número de observações menos um. Assim temos, 𝐹𝑐𝑟𝑡 = 𝐹(0,05; 3 − 1; 15 −
3) = 𝐹(0,05; 2; 12) = 3.885293835 ≅ 3.89.
7º → Tiramos as conclusões: Neste caso, ao nível de confiança de 5%, rejeitamos a
hipótese nula de que a procura dos produtos é a mesma, com uma estatística F calculada
de 9,17, pois, 𝐹𝑐𝑎𝑙 > 𝐹𝑐𝑟𝑡 .