DEPARTAMENTO DE TECNOLOGIA E DESIGN

Probabilidade e Estatística
Teste 3 – Ano letivo – 2015/2016 – Curso: TPB; EI
Data: 13/06/2016 – Duração: 2h00m – Docente: Cristina Dias

Todas as eventuais dúvidas na interpretação do enunciado deverão ser resolvidas por si próprio. Caso detete
ambiguidades, omissões e/ou incorreções, resolva-as em função da sua melhor interpretação. Caso considere
necessário, explique a sua interpretação. Tal será considerado aquando da avaliação. Não usar corretor.
NÃO é permitida a partilha de elementos de consulta.

Indique todos os cálculos que efetuar

PARTE TEÓRICA
(5 valores)

e 3  3
3
1. A expressão P( X  3)  representa:
3!

a) Uma distribuição de Poisson com parâmetro   0.1

b) Uma distribuição de Poisson com parâmetro   0.2
c) Uma distribuição de Poisson com parâmetro   3
d) Nenhuma das anteriores

2. Seja X uma v.a. contínua que segue uma distribuição normal X  N  ;   a probabilidade de X
se encontrar no intervalo de   2 ;   2  é igual a:
a) 0,68
b) 0.99
c) 0,95
d) Nenhuma das anteriores

3. O intervalo de confiança para a estimação da média populacional, quando  é conhecido e,

sendo a população normalmente distribuída, é dado por:

a) x  zc   p
N n
b) p  zc   p
N 1
c) x1  x2   Z c  x x
1 2
d) Nenhuma das anteriores

4. Sejam X e Y variáveis aleatórias e a e b constantes reais. Então

a) V(a 2 Y )  a 2  V(Y )

ESTG.SA.1-Rev.2
 b) V(X  b)  b 2 V(X)
c) V(b)  0
d) Nenhuma das opções anteriores

5. Os parâmetros que caracterizam a distribuição Normal estandardizada são:

a)   0 e p 1
b)  e
c) 0 e1
d) Nenhuma das anteriores

PARTE PRÁTICA
(15 valores)

1. Suponha que pretende estimar a proporção de professores do sexo feminino que

lecionam o Ensino Secundário no ano letivo de 2000/2001. Com base numa lista fornecida
pelo Ministério da Educação, selecionou aleatoriamente 120 professores, dos quais 83 são
do sexo feminino.
Construa um intervalo de 95% de confiança para a proporção de mulheres que lecionam no
Ensino Secundário. (4 v)

2. Seja X a variável aleatória que representa o número de televisores, por habitação, na

população em que foi recolhida a amostra do Gráfico 1.
Suponha que o modelo de distribuição de probabilidades para X é o seguinte, em que a e b
são dois números reais.

Determine a e b, sabendo que P X  1  0,995 . (3,5 v)

3. A produção anual de centeio, milho e trigo de uma região do norte da Europa é de 92000
sacas. Considere a variável aleatória X, «massa, em quilogramas, de uma saca de cereais
escolhida ao acaso de entre as sacas de cereais que, por dia, são embaladas numa
determinada fábrica». A variável aleatória X segue, aproximadamente, uma distribuição
normal de valor médio igual a 1000 quilogramas e desvio padrão igual a 16 quilogramas.
Escolhe-se, aleatoriamente, uma saca de cereais. Determine um valor aproximado para a
probabilidade de a saca escolhida apresentar uma massa compreendida entre 968
quilogramas e 1016 quilogramas.
Apresente o resultado na forma de percentagem, com arredondamento às centésimas. (3,5
v)

4. O Portal do Consumidor tem recebido queixas pelo aumento, verificado entre 2001 e
2009, da densidade postal (número de habitantes / número de pontos de acesso). Em 2012,
uma recolha aleatória em 200 desses pontos indicou uma média amostral de x habitantes
por cada ponto de acesso e um desvio padrão amostral de s habitantes.
 
Tendo em conta os valores de x e de s, obteve-se o intervalo 546, 554 para estimar o
número médio de habitantes servidos por cada ponto de acesso à rede postal, em 2012, com
uma confiança de 90%.

Determine os valores de x e de s, com os quais se obteve o intervalo 546, 554 . 
Apresente os valores de x e de s arredondados às unidades. (4 v)

ESTG.SA.1-Rev.2
 FORMULÁRIO DE PROBABILIDADE E ESTATÍSTICA

Estatística Descritiva
R  X máx  X min Regra de Sturges: k  1  3,3  log n
R h
h Inicio 1ª classe: I   X min
K 2
n

__  Xi
X  i 1
n
n k

__  ni xi n __
 n j xj k
X  i 1
n
  fi xi X 
j 1
n
  f j xj
i 1 j 1

 x  x
n

i
2
S  S2
S2  i 1
n 1
n k

 ni  xi  x   n  x  x 
2 2
i i
S 
2 i 1
S  2 i 1

n 1 n 1

 n  x  x
n k
 ni  xi  x 2
2
i i
S  i 1
S  i 1
n 1 n 1
n n
N mo1
me  X min 2

me1  h min 
mo  X mo

 hmo
me n me n
mo1
 n
mo1
me  

 X n 1 se n é ímpar
 2 :n
 IQ  Q3  Q1
me   X n  X n
 2 :n 1:n
2
 se n é par
 2
np  N classe1
Q p  X classe
min
  hclasse
nclasse
x  mo Q3  Q1  2  me
G1  G2 
S Q3  Q1
Q3  Q1
K
2  P90  P10 
n k

 ni  xi  x  n  x  x i i
DM  i 1
DM  i 1

n n
k
S
C.V .   100%
x
n
j 1
j x j
m k 
n
n n

 n  x  x  n  x  x 
K K
i i i i
mK , x  i 1
mK , x  i 1

n n

ESTG.SA.1-Rev.2
 Probabilidades
P Ai   PBi | A PA  B  PA  PB  PA  B
P Ai | B   K

 P  A   P B | A 
J 1
i i

P A  B  P A | B  PB PA  B   P A  B  P A  P A  B
PA  B  PA  PB se A e B são n n
P A   P A  Bi    PBi  P A | Bi 
independentes i 1 i 1

PA   1  P A P A | B  
P A  B 
, P B   0
P B 
Variáveis Aleatórias
f x   P X  x  b
Pa  X  b    f x  dx
a
Função de Probabilidade Discreta Função densidade de Probabilidade
1) f xi   0
1) f X x   0 b

 2)  f xi   1

2)  f X xi   1
a

 x

FX x   P X  x    f X t  P X  x   1  P X  x   1  F x 
tx
X
x
FX x   P X  x    f t  dt


 
V  X   E X 2  EX 2

 
n n

EX    xi  f X xi   E X 2   xi  f X  xi 
2

i 1
i 1

 
 
EX    xi  f X xi  EX 2
 xi
2
 f X xi 
 
Ek  X   Ek   EX 
Distribuições Discretas de Probabilidade

e    x E X    ; V X   
X  P0    P X  x  
x!
X  Bi n , p  P( X  x)  Cxn p x 1  p nx E X   n  p ; V X   n  p  q
X  H N , M , n  E X   n 
M
N
MnN  M N  n 
V X  
N 2 N  1

ESTG.SA.1-Rev.2
 Distribuições Contínuas de Probabilidade
1  x 
2
Distribuição Normal  
 

f x  
1 2  
X ~ N ,  2 e ,  x  
2 2
E X    ; V  X   2
Z  N 0 , 1 E X   0 ; V  X   1
 x    x   a   1  a 
P  X  x   P Z     
     
 x  x  
x Px1  X  x2   P 1 Z  2 
P X  x   1  P X  x    1  P Z   =1-    
   x  x 
=  2    1 
 x  
       
  
 x 
P X  x   1  P X  x   1   
  

INTERVALOS DE CONFIANÇA A 1     100% PARA MÉDIAS, VARIÂNCIAS E

PROPORÇÕES POPULACIONAIS

Parâmetro Condições Intervalo de confiança Distribuição

(amostral)
1. Dist. normal e s
σ conhecido; x  Zc  (Caso amostragem pop.infinita, ou amostra
2. n “grande” (se n
σ desconhecido pop.finita com reposição)
μ utilizar s)
Ou N0, 1
s N n ( caso amostragem pop.finita de
x  Zc 
n N 1
dimensão N sem reposição)
n “pequeno”; s t n 1
Dist. Normal e σ x t c 
μ n
desconhecido
Amostras
independentes:
1.Pop. normais e
σ12 σ 22
μ1  μ 2
σ1 e  2 x1  x 2   z c   N0, 1
conhecidos n1 n 2
2. n 1 e n 2
“grandes” (se σ1 e
 2 desconhecidos
utilizar s1 e s 2 ).
Amostras
s12 s22
independentes: x1  x 2   t c  
n1 e n 2 n1 n 2
μ1  μ 2 “pequenos”, pop. ou
normais e σ1 e
2 t n1 n2 2
desconhecidos
mas supostos

ESTG.SA.1-Rev.2
 iguais ( σ1 =  2 )

n  1s 2  σ2 
n  1s 2 
χ , sup
2
gl χ gl
2
, inf
σ2 χ (n2 1)
Dist. normal

n  1s 2  σ2 
n  1s 2
χ2 α χ2 α
n 1, 1 n 1,
2 2

σ12 1 s12 σ12 1 s12 Fn 

Dist. normais .   . 1 1, n 2 1

σ 22 independentes Fα s 22 σ 22 F α s 22
;  n1 1, n 2 1 1 ;  n1 1, n 2 1
2 2
Provas repetidas,
p1  p 
p independência, n p z c N0, 1
“grande” n
Provas repetidas,
p1  p 2 independência,
p1 1  p1  p 2 1  p 2  N0, 1
n1 e n 2 (p1  p 2 )  Zc 
“grandes” n1 n2

Nível de 99,73% 99% 98% 96% 95,45% 95% 90% 80% 68,27% 50%
Confiança
Z 3,00 2,58 2,33 2,05 2 1,96 1,645 1,28 1 0,6745
C

ESTG.SA.1-Rev.2
ESTG.SA.1-Rev.2