Universidade Católica de Moçambique

Instituto de Educação a Distância

Tema: Trabalho individual de Estatística

Juma Nicolau

Código: 708221267

Curso de Licenciatura em Ensino de História

Disciplina de Estatística

1° Ano

Nampula, Outubro de 2022

 Universidade Católica de Moçambique
Instituto de Educação a Distância

Tema: Trabalho Individual de Estatística

Juma Nicolau

Código: 708221267

Trabalho individual da resolução de exercícios de

carácter avaliativo da cadeira da Estatística, curso de
Licenciatura em Ensino de História, 1º ano, 2º
semestre, leccionada pelo docente:

Egina Bande.

Nampula, Outubro de 2022

ii
 Classificação
Categoria Indicadores Padrões Nota
Pontuação do Subtotal
máxima tutor
Capa 0.5
Índice 0.5
Aspectos Introdução 0.5
Estrutura Organizacionais Discussão 0.5
Conclusão 0.5
Bibliografia 0.5
Contextualização
(Indicação clara do 1.0
Introdução problema)
Descrição dos objectivos 1.0
Conteúdo Metodologia adequada ao
objecto do trabalho 2.0
Articulação e domínio do
discurso académico 2.0
Analise e (expressão escrita
discussão cuidada, coerência ou
coesão textual)
Revisão bibliográfica
nacional e internacionais 2.0
relevantes na área de
estudo
Conclusão Exploração dos dados 2.0
Paginação, tipo de letra e
Aspectos Formatação tamanho de letra, 1.0
Gerais parágrafo, espaçamento
entre linhas.
Normas APA 6ª
Referencias edição em Rigor e coerência das
Bibliográficas citações e citações ou referências 4.0
bibliografia. bibliográficas.
Recomendações de melhoria:

iii
Índice
Introdução..............................................................................................................................................5
PARTE I.................................................................................................................................................6
MEDIDAS DE DISPERSÃO OU VARIABILIDADE..........................................................................6
4.1. Desvio Médio, Variância e Desvio Padrão de Dados agrupados e não agrupados em classes.........6
Exercícios...............................................................................................................................................7
Resolução...............................................................................................................................................7
PARTE II - NOÇÕES BÁSICAS DE PROBABILIDADES................................................................10
5.1. Definições e disposições gerais sobre Probabilidades...................................................................10
Exercícios.............................................................................................................................................11
Resolução.............................................................................................................................................12
5.3. Teoremas de produto das Probabilidades.......................................................................................12
Exercícios.............................................................................................................................................12
Resolução.............................................................................................................................................12
5.4. Independência estocástica (Probabilidades)...................................................................................13
Eventos Independentes.........................................................................................................................13
Eventos Mutuamente Exclusivos..........................................................................................................13
5.5. Participação do espaço amostra e o teorema de Bayes..................................................................13
5.5.1. Teorema da Probabilidade total..................................................................................................14
5.5.2. Teorema de Bayes......................................................................................................................14
Exercícios.............................................................................................................................................14
Resolução.............................................................................................................................................15
PARTE III - TEORIA DE AMOSTRAGEM.......................................................................................15
6.1. Distribuição amostral dos estimadores..........................................................................................15
6.1.1. Distribuição amostral da média..................................................................................................15
6.1.2. Distribuição amostral da variância.............................................................................................16
6.1.3. Distribuição amostral da proporção............................................................................................16
6.2. Estimação......................................................................................................................................17
Estimação intervalar.............................................................................................................................18
Intervalo de confiança para a média.....................................................................................................18
Quando a variância é conhecida...........................................................................................................18
Quando a variância é desconhecida......................................................................................................18
Exercícios.............................................................................................................................................19
iv
Resolução.............................................................................................................................................19
Conclusão.............................................................................................................................................22
Bibliografia..........................................................................................................................................23

v
Introdução
O presente trabalho aborda resolução de exercícios sobre medidas de dispersão ou
variabilidade, noções básicas de probabilidades e teoria de amostragem.

As medidas de variabilidade ou dispersão indicam se os valores estão relativamente próximos

ou não uns dos outros. Na análise de um conjunto de dados é necessário que sejam
observados tanto as informações relativas à localização (medidas de tendência central) quanto
as informações de dispersão (medidas de variabilidade).

As probabilidades são utilizadas para exprimir a chance de ocorrência de determinado evento.

O estudo das probabilidades é importante pois elas são a base para o estudo estatístico.

Teoria de amostragem é o estudo das relações existentes entre uma população e as amostras
delas extraídas. É muito utilizada para a estimação das grandezas desconhecidas da população
(parâmetros) através de conhecimento das grandezas correspondentes nas amostras
(estatísticas amostrais).

Quanto à estrutura, o trabalho apresentaː capa, contracapa, índice, introdução,

desenvolvimento, conclusão e bibliografia.

6
PARTE I
MEDIDAS DE DISPERSÃO OU VARIABILIDADE
As medidas de tendência central estudadas reduzem a série de dados a um só valor típico
(media, mediana e moda).

O valor central mais usado é o valor médio, que contudo, nem sempre dá uma ideia suficiente
da série estatística

As medidas de dispersão mais usadas são: Amplitude total, Desvio quartílico, desvio médio,
variância e desvio padrão.

Amplitude total (range) – é a diferença entre o valor máximo e mínimo.

R=X max −X min

4.1. Desvio Médio, Variância e Desvio Padrão de Dados agrupados e não agrupados em
classes.

Desvio- Médio (Dm)

É a média dos valores absolutos dos desvios dos dados, a partir da média.

Para dados não agrupados

∑|x i− X|
i=1
Dm=
n

Para dados agrupados ou ponderados

∑ f i ×|x i−X|
i=1
Dm=
n

Variância

É uma medida que representa a variabilidade de um conjunto de dados e, é obtida pelo cálculo
da média dos quadrados dos desvios em relação à média.

Para dados não agrupados

7
 n n

População:
∑ ( x i− X ) 2
Amostra: ∑ ( x i− X )2
S2= i=1 S2= i=1
n n−1

Para dados agrupados ou ponderados

n n

População:
∑ f i × ( x i−X )2 Amostra: ∑ f i × ( x i−X )2
2 i=1 2 i=1
S= S=
n n−1

Desvio padrão

É a raiz quadrada positiva da variância e representa-se por  ou S, para população e amostra

respetivamente.

Para dados não agrupados

√ √
n n

População: ∑ ( x i−X ) 2
Amostra: ∑ ( x i−X )2
i=1 i=1
S= S=
n n−1

Para dados ponderados e agrupados em classe

√ √
n n

População: ∑ f i × ( xi −X ) 2
Amostra: ∑ f i × ( xi −X )2
i=1 i=1
S= S=
n n−1

Exercícios
1. Faça a soma dos desvios dos números: 10, 15, 25, 10
2. Num hospital, foi possível registrar o peso, em kg, de crianças. A lista abaixo informa
quais são esses pesos
19,5−19,8−20,2−20,3−20,6−21,0−21,1−21 ,2−21,6−22,7
3. Em 1600 fábricas diferentes de uma determinada indústria, obteve-se os seguintes dados
em relação a produção dum certo produto:

 𝑀é𝑑𝑖𝑎 = 18 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠;
 1º 𝑄𝑢𝑎𝑟𝑡𝑖𝑙 = 9 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠;
 70º 𝑃𝑒𝑟𝑐𝑒𝑛𝑡𝑖𝑙 = 25 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠;
 𝑉𝑎𝑟𝑖𝑎𝑛ç𝑎 = 25% 𝑑𝑎 𝑚é𝑑𝑖𝑎=4,5 toneladas.
8
a) Quantas fábricas produziram até 9 toneladas?
b) Quantas fábricas produziram mais de 25 toneladas?
c) Determine o coeficiente de variação.

Resolução
1. Faça a soma dos desvios dos números: 10, 15, 25, 10
Media
n

∑ Xi× f i 60
i=1
X= = =15
n 4

xi
fi x i−X |xi− X| ( xi− X )2 |xi− X|× f i ( xi− X)2 × f i xi × f i
10 2 -5 5 25 10 50 20
15 1 0 0 0 0 0 15
25 1 10 10 100 10 100 25
Total 4  15 125 20 150 60

Desvio medio
n

∑|xi −X| 15
DM = i=1 = =3.75
n 4

Variância
n

∑ ( X i−X ) 2 125 125

2 i=1
S= = = =41.66
n−1 4−1 3

Desvio padrão

S= √ S =√ 41.66=6.46
2

2. Num hospital, foi possível registrar o peso, em kg, de crianças. A lista abaixo informa quais
são esses pesos

9
Resolução
Dados em rol

19,5−19,8−20,2−20,3−20,6−21,0−21,1−21 ,2−21,6−22,7

Amplitude total

R=X max −X min =22,7−19,5=3.2

Número de classes

K=1+ 3.23 log n=1+3.22 log 10=4.2

Amplitude de classes

R 3.2
h= = =0.8
K 4.2

Tabela de distribuição de frequências

Media
n

∑ xi ∙ fi 208.6
i=1
X= = =20.9
n 10

CLASSES fi x i−X |xi− X| |xi− X|

2
|xi− X|× f i 2
(xi− X) × f i xi× f i xi
19.5-20.3 3 -1 1 1 3 3 59.7 19.9
20.3-21.1 3 -0.2 0.2 0.04 0.6 0.12 62.1 20.7
21.1-21.9 3 0.6 0.6 0.36 1.8 1.08 64.5 21.5
21.9-22.7 1 1.4 1.4 1.96 1.4 1.96 22.3 22.3
Total 10 6.8 6.16 208.6

Desvio medio
n

∑|xi −X|× f i 6.8

DM = i=1 = =0.68
n 10

10
Variância
n

∑ ( X i−X ) 2 × f i 6.16 6.16

2 i=1
S= = = =0.684
n−1 10−1 9

Desvio padrão

S= √ S =√ 0.684=0.827
2

3. Em 1600 fábricas diferentes de uma determinada indústria, obteve-se os seguintes dados

em relação a produção dum certo produto:

 𝑀é𝑑𝑖𝑎 = 18 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠;
 1º 𝑄𝑢𝑎𝑟𝑡𝑖𝑙 = 9 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠;
 70º 𝑃𝑒𝑟𝑐𝑒𝑛𝑡𝑖𝑙 = 25 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠;
 𝑉𝑎𝑟𝑖𝑎𝑛ç𝑎 = 25% 𝑑𝑎 𝑚é𝑑𝑖𝑎=4,5 toneladas.

Pede-se:

a) Quantas fábricas produziram até 9 toneladas?

1600=100 % ∧25 %=x

25 % ×1600 40000
x= = =400
100 % 100

R: as fábricas que produziram ate 9 toneladas são 400 fábricas.

b) Quantas fábricas produziram mais de 25 toneladas?

1600=100 % ∧70 %=x

70 % ×1600 1120000
x= = =1120
100 % 100

1600−1120=480

R: as fábricas que produziram mais de 25 toneladas são 480

c) Determine o coeficiente de variação.

Resolução
δ=√ δ =√ 4.5=2,12
2

11
 δ 2,12
CV = × 100 %= × 100 %=0,118 ×100 %=11.8 %
X 18
R: a distribuição tem variabilidade baixa porque coeficiente de variação está abaixo de 20%

PARTE II - NOÇÕES BÁSICAS DE PROBABILIDADES

5.1. Definições e disposições gerais sobre Probabilidades.
Acontecimentos Aleatórios e Acontecimentos Deterministas Consideremos duas experiências
seguintes: 1ª) “a tirar uma pedra ao mar”.

Já sabemos qual é o resultado mesmo antes de a efetuarmos.

A pedra vai para o fundo. 2ª) ´´lançar uma moeda para cima``. Não podemos afirmar se sai
cara ou coroa.

A 1ª experiência chama-se determinista ou causal. Pois, experiências deterministas ou causais

caracterizam-se por produzirem o mesmo resultado, desde que sejam repetidas sob as mesmas
condições.

A 2ª experiência chama-se aleatória ou casual. As experiências aleatórias ou casuais

caracterizam-se pela impossibilidade de prever o resultado que se obtém, ainda que as
experiências sejam realizadas nas mesmas condições.

Os fenómenos aleatórios constituem o objecto de estudo das probabilidades.

Espaço Amostral. Eventos

Chama-se espaço amostral, ao conjunto formado por todos resultados possíveis de uma
experiência aleatória. E representa-se por S, U ou Ω.

Ex.1: Na experiência de lançamento de uma moeda, os resultados possíveis são: S= ca, co,

Ex.2: lançar simultaneamente duas moedas e observar as faces que ficam voltadas para cima.

Temos: S= caca, caco, coca, coco Ex.3: lança-se um dado honesto e observa-se a face
voltada para cima: S  1,2,3,4,5,6

Evento é qualquer subconjunto do espaço amostral S.

12
Se n (A) =nº de casos favoráveis ao evento A e n (S) =nº total dos casos possíveis (S), desde
que igualmente provável (equiparável), então, a probabilidade (sucesso) da ocorrência de um
experimento A, é igual ao quociente entre o nº de casos favoráveis ao evento e o nº de casos
possíveis (S).

𝑃(𝐴) é Frequentemente enunciado da seguinte maneira:

Este método de avaliar

𝑛𝑢𝑚𝑒𝑟𝑜𝑑𝑒 𝑣𝑒𝑧𝑒𝑠𝑒𝑚 𝑜 𝑒𝑣𝑒𝑛𝑡𝑜𝐴 𝑝𝑜𝑑𝑒 𝑜𝑐𝑜𝑟𝑟𝑒𝑟

𝑃(𝐴) =
𝑛𝑢𝑚𝑒𝑟𝑜𝑑𝑒 𝑣𝑒𝑧𝑒𝑠𝑒𝑚 𝑞𝑢𝑒 𝑜 𝑒𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙𝑆 𝑜𝑐𝑜𝑟𝑟𝑒

Ou , Lei de Laplace

Exercícios
1. Se é escolhido aleatoriamente um número da sequência (2, 3, 5, 7, 11, 13, 17, 19) qual a
probabilidade de escolher um número primo?

Resolução
1. Espaço amostral S= { 2, 3 , 5 ,7 ,11 , 13 ,17 , 19 }
Todos elementos do espaço amostral são números primos, portanto o número de casos
possíveis são iguais ao número de casos favoráveis.

Como todos elementos do espaço amostral são números primos, portanto o número de casos
possíveis é igual ao número de casos favoráveis.

8
⟺ P= =1
8

5.3. Teoremas de produto das Probabilidades

A probabilidade de ocorrência simultânea de dois eventos, A e B, do mesmo espaço amostral,
é igual ao produto da probabilidade de um deles pela probabilidade condicional do outro,
dado o primeiro.

13
 P ( BA )= P (PA( ∩B
B)
)
⟺ P ( A ∩ B ) =P ( B ) × P ( )
A
B

P ( BA )= P (PA( ∩B
A)
)
⟺ P ( A ∩ B ) =P ( A ) × P ( )
B
A

Exercícios
2. Uma pessoa foi até a padaria para comprar pão e iogurte. Se o estabelecimento possui 30
pães, sendo que 5 são do dia anterior e os outros foram fabricados no dia, e 20 iogurtes
com data de validade inelegível, dos quais 1 já venceu, qual a probabilidade do cliente
escolher um pão do dia e um iogurte dentro da validade?

3. Qual a probabilidade de escolher uma carta no baralho e essa carta não ser um ás?

Resolução
2. Neste caso, a quantidade de pães é 30 e 25 são do dia.

25
P ( P 1 )=
30

No outro caso, são 20 iogurtes dos quais 1 está vencido

19
P ( I 1 )=
20
A probabilidade dos eventos ocorrerem simultaneamente será dada pelo produto de suas
probabilidades

25 19 475 19
P ( P 1 ∩ I 1 )=P ( P 1 ) × P ( I 1 ) = × = =
30 20 600 24

19
R: a probabilidade de um cliente escolher um pão do dia e um iogurte dentro de validade é
24
.

3. Qual a probabilidade de escolher uma carta no baralho e essa carta não ser um ás?
n=52
4 1 48 12
P ( A )= = ∧ P ( A )= =
52 13 52 13
14
 12
R: a probabilidade de escolher uma carta e essa carta não ser as é .
13

5.4. Independência estocástica (Probabilidades)

Eventos Independentes
Diz – se que dois eventos são independentes quando a realização ou não realização de um dos
eventos não afecta a probabilidade da realização o outro e vice - versa. Se dois eventos A e B
são independentes: P A B P A∗P B. Se n eventos são independentes: então:
P A B C ¿ P A∗P B ¿∗P(C )

Eventos Mutuamente Exclusivos

Diz - se que dois eventos são mutuamente exclusivos quando a realização de um exclui a
realização do outro ou seja: A B

P ( A ∪ B ) =P ( A )+ P ( B )
Neste caso:
Se A B, A B, A B, ⇒ P ( A ∪ B ∪C ) =P ( A )+ P ( B ) + P ( C )

5.5. Participação do espaço amostra e o teorema de Bayes

5.5.1. Teorema da Probabilidade total

Seja {B 1 , B 2 ,… . , Bn }uma partição do espaço amostral S em eventos de probabilidade
positiva. Então, para qualquer evento A,

( ) ( ) ( ) ( )
n
A A A A
P ( A )=P ( B1 ) × P + P ( B2 ) × P +⋯+ P ( Bn ) × P =∑ P ( Bi ) × P
B1 B2 Bn i=1 Bi

5.5.2. Teorema de Bayes

Seja {B 1 , B 2 ,… . , Bn } uma partição do espaço amostral S em eventos de probabilidade
positiva. Se A é um evento com P A 0, então, para todo j 1 ,... , n ,

15
 P ( )=
Bj
(
P ( Bj) × P
B )
A
j

∑ P ( B ) × P( B )
n
A A
i
i=1 i

Esta fórmula é uma consequência imediata da definição de probabilidade condicional e do

teorema das probabilidades totais.

A fórmula de Bayes tem a seguinte interpretação. Seja A um acontecimento que se realiza se e

só se um dos acontecimentos mutuamente exclusivos, Bi(i=1,2 , …), se realiza. Os Bitomam
o nome de << causa >>. A fórmula de Bayes dá então a probabilidade de que o acontecimento
A que ocorreu seja o resultado da causa Bj. a probabilidade P(Bj) toma o nome de
“probabilidade” à priori da ¿ Bj , P(Bj / A) é a probabilidade à posteriori, isto é, a
probabilidade de Bj calculada após a informação de que A se realizou.
Exercícios
4. Um gerente de banco tem que decidir se concede ou não empréstimo aos clientes que o
solicitam. Ele analisa diversos dados para estudar a possibilidade de o cliente vir a
inadimplente. Com base em dados passados, ele estima em 12% a taxa de in adimplência.
Dentre os inadimplentes, ele tem 85% de chance de tomar a decisão certa, enquanto essa
chance aumenta para 95% entre os clientes adimplentes. Esse gerente acaba de recusar um
empréstimo. Qual é a probabilidade de ele ter tomado a decisão incorrecta?

Resolução
4. Seja I – 𝑜 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 é 𝑖𝑛𝑎𝑑𝑖𝑝𝑙𝑒𝑛𝑡𝑒
A - 𝑜 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 é 𝑎𝑑𝑖𝑝𝑙𝑒𝑛𝑡𝑒
R - 𝑜 𝑔𝑒𝑟𝑒𝑛𝑡𝑒 𝑟𝑒𝑐𝑢𝑠𝑎 𝑜 𝑒𝑚𝑝𝑟é𝑠𝑡𝑖𝑚𝑜

Pelos dados seguintes:

P( I )=0.12; P( A)=0.88; P(R ¿)=0.85 ; P( R ̅ ¿)=0.95 ; P( R ¿)=0.05 𝐴𝑞𝑢𝑖 𝑝𝑒𝑑𝑒−𝑠𝑒
P( A ¿)?

Nota que se ele acaba de recusar um empréstimo, só pode ter tomado a decisão incorrecta se
recusou conceder o empréstimo a um adiplente

Logo, pelo teorema de Bayes temos:

16
 P(A∩R) P ( A )× P (R ¿ ) 0.88 ×0.05
P( A ¿)= = = =0.301
P ( R) P ( A ) × P ( R ¿ )+ P ( I ) × P ( R ¿ ) 0.88 ×0.05+ 0.12× 0.85

P( A ¿)=0.301
R: probabilidade de o Gerente do banco ter tomado a decisão incorrecta é de 0.301

PARTE III - TEORIA DE AMOSTRAGEM

6.1. Distribuição amostral dos estimadores
Se extrairmos n amostras de uma determinada população, para cada uma das amostras pode se
calcular, por exemplo, a média, o desvio e tem-se a distribuição amostral desses parâmetros.
Como a média, os desvios são variáveis aleatórias, pode se determinar as suas características.

Existem vários estimadores mas este trabalho focalizou-se na média, variância e proporção.
Pretende-se caracterizar a distribuição amostral desses parâmetros.

6.1.1. Distribuição amostral da média

Seja X 1 , X 2, … , Xn , uma amostra aleatória duma dada população com média μ e variância σ 2
. A média amostral é definida por:

n
xi
X =∑
i=1 n
Propriedades:
 μ X =E( X)=μ ;
2 1 2
 σ X =Var ( X )= σ
n

Fator de correção de população finita:

Se a dimensão 𝑁 da população é conhecida e a amostra foi recolhida com base numa
amostragem sem reposição tendo uma dimensão n ≤ 0,05 N , então:

1
σ 2X = σ 2
n (N−n
N−1 )

17
6.1.2. Distribuição amostral da variância
Seja X 1 , X 2, … , Xn , uma amostra aleatória duma dada população com variância S2. A
variância amostral é definida por:
2
n
( x i− X )
S =∑
2

i =1 n−1
Propriedades:
 μS =E ( S )=S
2 2
2

2 σ4
 Se a distribuição da população for Normal então σ 2S =Var ( S2 ) = 2 .
n−1

Se a distribuição da população for Normal, com variância S2, então:

2 ( n−1 ) ×S 2 2
X = 2
X n−1
σ

6.1.3. Distribuição amostral da proporção

Seja X 1 , X 2, … , Xn , uma amostra aleatória duma população Bernoulli com probabilidade de

sucesso 𝑝, em que Xi toma o valor 1 se for um sucesso e o valor 0 se for um insucesso. A
proporção amostral de sucessos é dada por:

n
Xi
X =∑
i=1 n

Propriedades:
 μ P=E ( P )= p
2 p ( n−1 )
 μ P=Var ( P )=
n
Se a dimensão da amostra for pequena então sabe-se que,

n x
P ( X=x )=C x p ( 1− p )
n− x , x=0 , 1 , … , n com 0< p<1 , pelo que

18
 1 2 n
P ( P=a )=P ( X=na )=C nna pna ( 1− p )n−na, a=0 , , , … ,
n n n

Se a dimensão da amostra for grande então, pelo Teorema de Moivre-Laplace (i.e., variante
do T. L. C. para a distribuição Binomial),

P−p
( √ )
p ( n− p ) Z= N ( 0 ,1 )
P ˙ N p;
n
, ou seja,
√
p ( n− p ) ˙
n

6.2. Estimação
Tal como foi definido na introdução, existe agora o objetivo adicional de caracterizar a
população a partir da qual foi retirada a amostra, procurando, nomeadamente, estimar os
parâmetros desta população.

Existem dois processos de estimação paramétrica:

 Estimação pontual: produção de um valor, que se pretende que seja o melhor, para um
determinado parâmetro da população, com base na informação amostral;
 Estimação intervalar: construção de um intervalo que, com certo grau de certeza
previamente estipulado, contenha o verdadeiro valor do parâmetro da população. 6.2.
Estimação

Estimação intervalar
Na estimação por intervalos, em vez de se propor apenas um valor concreto para certo
parâmetro da população, constrói-se um intervalo de valores (𝑤1; 𝑤2) que, com um certo
grau de certeza, previamente estipulado, contenha o verdadeiro valor do parâmetro.

Intervalo de confiança para a média

Seja X 1 , X 2, … , Xn uma amostra aleatória de dimensão 𝑛 retirada de uma população com
média 𝜇 e desvio padrão 𝜎.

Quando a variância é conhecida

Se a distribuição da população é Normal e a variância σ 2 é conhecida, então a variável fulcral
a utilizar na construção do intervalo de confiança é:

19
 X−μ
Z= N (0 , 1)
σ
√n

Portanto, quando a população é Normal com variância conhecida, ou a população não é

normal mas a variância é conhecida e a amostra é grande, o I. C. para 𝝁 com 𝟏𝟎𝟎% x (𝟏 − 𝜶)
de confiança é dado por:

S S
¿ X −Z α × ≤μ≤ X +Zα × ¿
2 √n 2 √n

Quando a variância é desconhecida

Se a distribuição da população é Normal com desvio padrão 𝜎 desconhecido, então a variável
fulcral é:
X−μ
T= t n −1
σ
√n
Portanto, quando a população é Normal com variância desconhecida, o I. C. para 𝝁 com
𝟏𝟎𝟎% x (𝟏 − 𝜶) de confiança, é dado por:

α σ α σ
¿ X −t n−1 , 1− × ; X +t n−1 ,1− × ¿
2 √n 2 √n

Exercícios
1. Num estudo de mercado foi encontrado o intervalo de confiança de [0.52; 0.61] a 95%
para a proporção de pessoas receptivas a um novo tipo de espuma de banho a lançar
em breve no mercado: comente as seguintes afirmações, indicando se estas lhe
parecem correctas ou incorrectas:
a) 95% das pessoas vão passar a usar a nova espuma de banho.
b) A probabilidade da nova espuma de banho alcançar uma quota de mercado de 50%,
é de 0.95.
c) A quota de mercado poderá ser, com 95% de confiança, de 56.5% (valor intermédio
do intervalo).
d) O resultado obtido indica apenas que é oportuno proceder ao lançamento da nova
espuma de banho.
20
 2. Desejando estimar o nº médio semanal de acesso ao sistema virtual Moodle, dos
estudantes da EAD do curso de História da UCM-IED, selecionamos uma amostra de
40 alunos e verificamos que estes tiveram um acesso médio de 19,4 acessos ao
sistema. Sabendo-se que os acessos semanais de todos os estudantes deste curso
ocorrem com uma variância de 2,2, realize a estimação desejada com uma
confiabilidade de 90%. (depois usarem a tabela de norma padrão para achar o valor de
Z, cujo valor seja o mais próximo do valor achado).

Resolução
1. Num estudo de mercado foi encontrado o intervalo de confiança de [0.52; 0.61] a 95%
para a proporção de pessoas receptivas a um novo tipo de espuma de banho a lançar em
breve no mercado: comente as seguintes afirmações, indicando se estas lhe parecem
correctas ou incorrectas:

a) 95% das pessoas vão passar a usar a nova espuma de banho.

Resposta: Afirmação incorrecta: Os 95% de confiança significam o seguinte:

O processo que se utiliza para calcular os intervalos, é um processo tal que se o utilizasse com
todas as amostras possíveis (da mesma dimensão) selecionadas da mesma população, cerca de
95% das vezes produziria intervalos que contêm a proporção de pessoas receptivas a um novo
tipo de espuma de banho e cerca de 5% das vezes intervalos que não o contêm.

b) A probabilidade da nova espuma de banho alcançar uma quota de mercado de 50%,

é de 0.95.

Resposta: Afirmação incorrecta:

Do estudo conclui-se que a probabilidade de a proporção de pessoas receptivas a um novo
tipo de espuma de banho estar entre 52% e 61% é de 0.95

c) A quota de mercado poderá ser, com 95% de confiança, de 56.5% (valor intermédio
do intervalo).

Resposta: Afirmação incorrecta: (Recorrendo aos comentários das alíneas a) e b)

21
d) O resultado obtido indica apenas que é oportuno proceder ao lançamento da nova espuma
de banho.

Resposta: Afirmação subjectiva:

Pois, para se lançar a nova espuma de banho ao mercado depende de vários factores que o
pesquisador achar lhes relevantes como intervalo de confiança esperado, tamanho da amostra,
o grau de confiança, a margem do erro, etc.

2. Desejando estimar o nº médio semanal de acesso ao sistema virtual Moodle, dos

estudantes da EAD do curso de História da UCM-IED, selecionamos uma amostra de 40
alunos e verificamos que estes tiveram um acesso médio de 19,4 acessos ao sistema.
Sabendo-se que os acessos semanais de todos os estudantes deste curso ocorrem com uma
variância de 2,2, realize a estimação desejada com uma confiabilidade de 90%. (depois
usarem a tabela de norma padrão para achar o valor de Z, cujo valor seja o mais próximo
do valor achado).

Dado que n=40 ; S=√2.2=1.5 ; x̅ =19.4 ;(1 – α ).100 %=90 % onde α=0.10

Pelo teorema de limite central, como:

( )
2
S
X N μ,
n

E S=1.5 e Z α2 =Z 0.05=1.645

A fórmula geral do intervalo de confiança para a média será:

S S
X −Z α × ≤μ≤ X +Zα ×
2 √n 2 √n

Substituindo os dados pela fórmula temos:

1.5 1.5
19.4−1.645 × ≤ μ ≤19.5+1.645 ×
√ 40 √ 40

19.0052≤ μ ≤19.7948

22
Interpretação

A um nível de confiança de 90% pode se afirmar que o intervalo [19.0052; 19.7948] contêm o
verdadeiro nº médio semanal de acesso ao sistema virtual Moodle.

23
Conclusão
Em suma, este trabalho focou-se quatro medidas de dispersão: amplitude, desvio medio,
variância e desvio padrão. Todas elas, exceto a amplitude, têm na média o ponto de
referência. Em cada caso, o valor zero indica ausência de variação; a dispersão aumenta à
proporção que aumenta o valor da medida (intervalo, variância, etc.).

Em relação as noções básicas de probabilidades, Há três maneiras diferentes de calcular ou

estimar probabilidades: o método clássico, quanto o espaço amostral tem resultados
igualmente prováveis. O método empírico, que se baseia na frequência relativa de ocorrência
de um evento num grande número de provas repetidas e o método subjetivo, que utiliza
estimativas pessoais de probabilidade, baseadas num certo grau de crença. Em geral vamos
utilizar o método clássico de cálculo de probabilidades.

Teoria de amostragem, esta teoria é também útil para determinar se as diferenças observadas
entre duas amostras são devidas a uma variação casual ou são verdadeiramente significativas.
Por exemplo: queremos testar se os tempos de processamento da matéria-prima de dois
sistemas de produção são diferentes ou não. A resposta a esta questão implica o uso de testes
de hipótese, que será visto mais adiante.

24
Bibliografia
Módulo de ensino á Distancia (CED) da universidade Católica de Moçambique – UCM da
Cadeira de Estatística.

JAIRO, Simon Da Fonseca e Gilberto De Andrade Martiz, (1995), Curso de Estatística 5ª

edição, São Paulo.

AFONSO, Anabela e NUNES, Carla, (2019), Probabilidades e Estatística: Aplicações e

Soluções em spss. Editora: Universidade de Évora,

CORREA, Sónia Maria Barros Barbosa. (2003). Probabilidade e Estatística. 2ª Edição – Belo
horizonte: PUC Minas Virtual;

COSTA NETO, P.L.O; CYMBALISTA, M. (1994). Probabilidades. São Paulo: Edgard

Blucher

25