SERVIÇO PÚBLICO FEDERAL

MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL RURAL DO SEMI-ÁRIDO
DEPARTAMENTO DE CIÊNCIAS VEGETAIS

DISCIPLINA: ESTATÍSTICA
PROFESSOR: DR. JANILSON PINHEIRO

EXERCÍCIOS RESOLVIDOS

MOSSORÓ – RN, BRASIL, 2014

 ASSIS, J. P. , 2014 2
DISTRIBUIÇÃO TEÓRICA (ESPECIAL) DE PROBABILIDADE
COMBINAÇÃO DE “n” ELEMENTOS TOMADOS “k” a “k”

Chamaremos cada seleção de n elementos tomados k a k desprezando a

ordem como o número total de combinações por C Kn ou seja,
n(n - 1)L (n - k - 1) n!
C Kn = = , esta extensa fórmula é normalmente
k! k ! (n - k )!
æ nö
abreviada pelo símbolo çç ÷÷ . Não existe nenhuma forma padrão para a leitura
èkø
deste símbolo. Uma maneira apropriada seria “n acima de k”, mas utiliza-se em
geral a seguinte: combinação de n k a k. O símbolo deveria ser cuidadosamente
n
diferenciado de “n sobre k”, que significa a fração .Vejamos um exemplo de
k
combinação: De quantas maneiras três (3) dentre cinco (5) animais suínos da Raça
n(n - 1)L (n - k - 1)
Duroc podem ser selecionados? A equação C Kn = dá a
k!
æ nö n! 5! 5.4.3
resposta. C 35 = çç ÷÷ = = = = 10
è k ø k! (n - k )! 3! (5 - 3)! 1.2.3

Se representarmos os cinco animais, arbitrariamente, por a, b, c, d, e, as dez

combinações serão:

abc, abd, abe, acd, ace, ade, bcd, bce, bde, cde

Observemos que dce ou edc não ocorrem nesta listagem já que eles são
somente arranjos de cde.

Da mesma forma, obtemos.

æ5ö 5! 5!
C15 = çç ÷÷ = = =5
è 1 ø 1!(5 - 1)! 1!!

æ 5ö 5! 5. 4
C25 = çç ÷÷ = = = 10
è 2 ø 2!(5 - 2 )! 1.2

æ5ö 5! 5.4.3.2
C45 = çç ÷÷ = = =5
è 4 ø 4!(5 - 4)! 1.2.3.2

æ 5ö
Observemos que çç ÷÷ = 1 , já que podemos selecionar 5 objetos somente de
è 5ø
æ 5ö æ 5ö æ 5ö æ 5ö
uma maneira. Podemos observar também que çç ÷÷ = çç ÷÷ , çç ÷÷ = çç ÷÷
è 1ø è 4ø è 2ø è 3ø
 ASSIS, J. P. , 2014 3
Esta propriedade tem um significado particular. Se selecionarmos um
objeto dentre cinco, os quatro objetos restantes formam também uma seleção. A
cada seleção de um objeto corresponde exatamente uma seleção de quatro e vice e
versa. Portanto, seus números devem ser iguais. O mesmo é verdadeiro para
æ nö æ n ö
seleções de dois e três objetos dentre cinco. Em geral, temos que çç ÷÷ = çç ÷÷
èkø èn - kø
para k = 1, 2, ... , n-1,

æ nö æ n ö æ nö
Observemos que em çç ÷÷ = çç ÷÷ para k = 1, 2, ... , n-1, o símbolo çç ÷÷ não
èkø èn - kø è nø
æ nö
ter par. Formalmente, ele seria çç ÷÷ . Entretanto, não existe nada como uma
è 0ø
æ nö
combinação de zero objeto dentre n. Introduzimos çç ÷÷ somente para a segurança
è 0ø
æ nö æ n ö
da simetria. Para satisfazer çç ÷÷ = çç ÷÷ para k = 1, 2, ... , n-1, definimos
èkø èn - kø
æ nö æ nö
çç ÷÷ = çç ÷÷ = 1 .
è 0 ø è nø

Aqui, n é qualquer inteiro positivo. Mas, vamos um pouco além e

æ 0ö
permitimos que n seja zero. Então definimos çç ÷÷ = 1.
è 0ø

æ nö
Os números çç ÷÷ são frequentemente dispostos de tal forma que eles
èkø
formam um triângulo de Pascal [Blaise Pascal (1623-1662), matemático, físico e
filósofo francês].
 ASSIS, J. P. , 2014 4
æ 0ö
çç ÷÷
è 0ø 1
æ 1 ö æ 1ö
çç ÷÷ çç ÷÷ 1 1
è 0 ø è 1ø
æ 2ö æ 2 ö æ 2 ö
çç ÷÷ çç ÷÷ çç ÷÷ 1 2 1
è 0ø è 1ø è 2ø
æ 3ö æ 3ö æ 3ö æ 3ö
çç ÷÷ çç ÷÷ çç ÷÷ çç ÷÷ 1 3 3 1
è 0ø è 1ø è 2ø è 3ø
æ 4ö æ 4ö æ 4ö æ 4ö æ 4ö
çç ÷÷ çç ÷÷ çç ÷÷ çç ÷÷ çç ÷÷ 1 4 6 4 1
è 0ø è 1ø è 2ø è 3ø è 4ø
æ 5ö æ 5ö æ 5ö æ 5ö æ 5ö æ 5ö
çç ÷÷ çç ÷÷ çç ÷÷ çç ÷÷ çç ÷÷ çç ÷÷ 1 5 10 10 5 1
è 0ø è 1ø è 2ø è 3ø è 4ø è 5ø
......................................... ....................................................

Existe uma forma fácil de calcularmos os números do triângulo de Pascal.

Observamos que cada número é a soma dos dois números mais próximos na linha
imediatamente superior. Então, 5 = 1 + 4, 10 = 4 + 6 etc. A próxima linha não
representada aqui, conteria, portanto, os números 1 = 5 =6, 5 + 10 =15, 10 + 10 =20
etc.

æ nö
Uma aplicação importante do coeficiente çç ÷÷ é feita na álgebra.
èkø
Consideramos potências de um binômio com inteiros positivos como expoentes
dados por:
(a + b )2 = a 2 + 2ab + b 2 ,

(a + b )3 = a 3 + 3a 2 b + 3ab 2 + b 3 ,

(a + b )4 = a 4 + 4a 3 b + 6a 2 b 2 + 4ab 3 + b 4 , etc.
Os coeficientes formam as linhas do triângulo de Pascal. Em geral, pode-se
escrever o seguinte:

(a + b )n = æçç ö÷÷a n + æçç ö÷÷a n-1 b + æçç ö÷÷a n- 2 b 2 + L + æçç ö÷÷b n ,

n n n n
è0ø è1ø è 2ø è nø

Uma forma de demonstrar esta fórmula utiliza combinação, e para explicar

a idéia, vamos mostrar o caso especial em que n=4. Consideramos o produto.

(a1 + b1 )(a 2 + b2 )(a 3 + b3 )(a 4 + b4 ).

Quando fazemos as multiplicações, obtemos uma soma de muitos termos.
Cada um dos termos contém exatamente quatro fatores, tais como (a 1 b2 b3 b4 ) ou
 ASSIS, J. P. , 2014 5

(a 3 a 4 b1 b2 ) . Todas as combinações dos a e b aparecem. Existem c 34 = æçç ö÷÷

4
è 3ø
æ 4ö
com três b, c 24 = çç ÷÷ com dois b, etc. Quando finalmente igualamos
è 2ø
æ 4ö
a1 = a 2 = a 3 = a 4 = a e b1 = b2 = b3 = b4 = b , o termo ab 3 aparece çç ÷÷ vezes, o
è 3ø
æ 4ö
termo a 2 b 2 aparece çç ÷÷ vezes etc. Isto explica a fórmula para (a + b ) . O mesmo
4

è 2ø
argumento pode ser usado para qualquer outro expoente inteiro n (n > 0).

æ nö æ nö æ nö æ nö
A fórmula (a + b ) = çç ÷÷ a n + çç ÷÷ a n -1 b + çç ÷÷a n - 2 b 2 + L + çç ÷÷b n , é chamada
n

è0ø è1ø è 2ø è nø
æ nö
o Teorema do Binômio. Os coeficientes çç ÷÷ são conhecidos como coeficientes
èkø
æ nö
binomiais. Quando transformamos (a + b ) em uma soma de termos çç ÷÷ a n - k b k ,
n

èkø
também dizemos que expandimos (a + b ) .
n

A probabilidade de se verificarem ao longo das n experiências, x realizações

de um evento Sucesso A e n – x realizações de um evento fracasso B, numa ordem
dada, é p x q n - x , mas, na realidade, é possível verificar x realizações de A ao longo
de n experiências em C xn ordens diferentes, pois as diferentes ordens possíveis
excluem-se mutuamente.

Daí resulta que a probabilidade de se verificarem x realizações de A e n – x

realizações de B, numa ordem qualquer, é, para x = 0,1,2,3,4,..., n;

P ( X = x ) = Px = C xn P x q n - x

Essa lei chama-se lei binomial de probabilidade e a variável x é uma

variável aleatória discreta que possui uma distribuição binomial, ou, mais
simplesmente, uma variável binomial. A expressão C xn P x q n - x , é, com efeito, o
termo geral do desenvolvimento do binômio ( p + q )n , também conhecido como
binômio de Newton ou binômio de Tartáglia.

Uma vez que p + q = 1, deduzimos imediatamente que a relação

¥ n

å Px = å Px =1 se verifica facilmente.
x=0 x=0
 ASSIS, J. P. , 2014 6
DISTRIBUIÇÃO BINOMIAL: X ~ Bin (n; p)

P ( X = xi ) = C xn . p x . q n - x =
n!
. p. x q n - x , onde
x! (n - x ) !
n!
x = {0,1,2,...,n} e C xn = , sendo p + q = 1, q = 1 -
x! (n - x ) !
p,
n
n
(p + q) n = å P x q n - x = 1,0
x=0 X! (n - x)!

∑P ( X = x ) = 1
n
P(X= 0) + P(X= 1) + P(X= 2) + P(X= 3) + ... + P(X= n) = i
i =1

P(x ³ 1) = 1 - [P(x = 0 )]
P(x £ 2 ) = P ( x = 0) + P (x = 1) + P(x = 2)

Tabela 1; Forma generalizada da distribuição Binomial.

X = Número de Sucessos P(X=xi)

n!
0 P0qn
0! (n)!
n!
1 P 1q n - 1
1! (n - 1)!
n!
2 P2qn - 2
2! (n - 2)!
n!
3 P 3q n - 3
3! (n - x)!
M M
n!
x Pxqn - x
x!(n - x)!
M M
n!
n Pnq0
n! (0)!
n
n!
Total = å
x=0 X! (n - x)!
P xqn - x = 1
ASSIS, J. P. , 2014 7
 ASSIS, J. P. , 2014 8
DISTRIBUIÇÃO DE BERNOULLI
P(X = x) = px. (1 – p)1-x para x = 0 ou x = 1

-EXERCÍCIO 1.
Exemplo 1: Seja x = 1 a ocorrência de uma fêmea em um nascimento
de um bovino e x = 0 a ocorrência de macho. Determine a distribuição
de probabilidade de x.

Gametas ♂
Gametas ♀
1/2 X 1/2 y
X 1 1
XX (♀) XY (♂)
2 2
- As fêmeas (XX) ocorrerão em 50% das vezes. Logo, a variável “X” é
1
uma variável aleatória de Bernoulli com parâmetro P = .
2
A distribuição de probabilidade da variável X é dada por.
Xi P(Xi)
0 1/2
1 1/2
Soma 2/2 = 1,0

E(x) = p = 1/2; Var(X) = s X2 = P. q = 1/2 . 1/2 = 1/4 = 0,25; D.P. = σX = 0,25 = 0,50

O Gráfico da distribuição teórica de probabilidade é dado por:

ASSIS, J. P. , 2014 9
 ASSIS, J. P. , 2014 10
-EXERCÍCIO 2.
Considere o jogo que consiste no lançamento de um dado (hexaedro)
honesto e em que se ganha se sair a face 6 voltada para cima. Seja “X” a
variável aleatória que representa o número de vitórias obtidas num
lançamento. Indique qual é a distribuição de probabilidade da variável X.
O resultado do lançamento pode ser Sucesso (sair face 6 voltada para
cima) ou insucesso (não sair a face 6). No primeiro caso X = 1, enquanto no
1
segundo X = 0. Além disso, a probabilidade de sucesso é P = . Conclusão:
6

æ 1ö
X ~ Bernoulli ç P = ÷ , ou seja, X tem distribuição de probabilidade de
è 6ø

1
Bernoulli com Parâmetro “P” igual a .
6

Xi P(Xi)
0 q = 1- P = 1-
1 5
=
6 6

1 1
P=
6

SOMA 6
= 1,0
6

E(x) = p = 1/6; Var(X) = s X2 = P. q = 1/6 .(1-1/6) = 5/36 = 0,139; D.P. = σX = 0,139 = 0,373
ASSIS, J. P. , 2014 11
 ASSIS, J. P. , 2014 12
DISTRIBUIÇÃO BINOMIAL
n!
P ( X = xi ) = C xn . p x . q n - x = . p. xq n - x , onde
x! (n - x ) !

n!
x = {0,1,2,...,n} e C xn = , sendo p + q = 1, q = 1 - p,
x! (n - x ) !
∑P ( X = x ) = 1
n
P(X= 0) + P(X= 1) + P(X= 2) + P(X= 3) + ... + P(X= n) = i
i =1

- EXERCÍCIO DE APLICAÇÃO.
É sabido de experimentos anteriores que a probabilidade de
nascer bezerros natimortos em partos de um rebanho bovino da raça
nelore no RN é P = 10%. Se um médico veterinário realiza 5 partos
nesse rebanho, então responda:
P = 0,10
q = 0,90
n=5
k=X=3
X = número de natimortos
X = {0, 1, 2, 3, 4, 5}
X Ç B (5; 0,10)

-Gráfico em Hastes ou Bastão da distribuição de probabilidade.

 ASSIS, J. P. , 2014 13

a) Qual a probabilidade de ocorrerem, por acaso, 3 bezerros

natimortos em 5 partos observados ?

P (x = 3) = C53 .(0,10) 3 .(0,90) 5-3

5!
P (x = 3) = . (0,10)3 . (0,90) 2
3! (5 - 3)!
P (x = 3) = 10 x 0,001 x 0,81 = 0,0081 = 0,81%

b) Qual a probabilidade de ocorrer pelo menos um natimorto nos 5

partos observados ?

P(x ³ 1) = 1- [P(x = 0)] = 1 - C 50 (0,10) 0 . (0,90) 5-0 = 1 - 0,59049 = 0,40951 @ 40,95%

c) Em n = 50 partos observados, qual o número médio esperado de

natimortos ?
E(x) = mx = 50 x 0,10 = 5 natimortos

d) E em n = 2000 partos observados, qual o número médio esperado de

natimortos ?
E(x) = 2000 x 0,10 = 200 natimortos

e) Qual o desvio padrão em (c) ?

ìP = 0,10
í
îq = 0,90
σ x = 50 x 0,10 x 0,90 = 2,12 natimortos

f) Qual o número médio de partos com natimortos?

E(x) = 5 x 0,10 = 0,5 parto

g)Qual é o desvio padrão do número de partos com bezerros

natimortos?

D. P . ( x ) = s ( X ) = (5)(0,10)(0,90) = 0,45 = 0,6708 = 0,67 partos com natimortos

 ASSIS, J. P. , 2014 14
h) Qual é a probabilidade de ocorrer nenhum parto com bezerro natimorto?

P(X = 0 ) = C 50 (0,10) 0 . (0,90)5-0 = .1 .(0,90) = (1)(1)( 0,90) = (0,90) = 0,59049 @ 59,05%

5! 5 5 5

0! (5 - 0!)

i) Qual é a probabilidade de que nasçam em todos os partos bezerros natimortos?

P (X = 5) = C 55 (0,10)5 . (0,90)5 -5 = .(0,10) .(0,90) = (1)(0,10) (1) = (0,10 ) = 0,00001 @ 0,001%

5! 5 0 5 5

5! (5 - 5!)

j) Qual é a probabilidade de que nasçam bezerros natimortos em apenas um parto?

P (X = 1) = C 15 (0,10)1 . (0,90)5 -1 = .(0,10) .(0,90) = (5 )(0,10)(0,6561) = 0,32805 @ 32,81%

5! 4

1! (5 - 1!)

k) Qual é a probabilidade de que se observem menos de nenhum parto com bezerros

natimortos?
P (X < 0 ) = P (f ) = 0 = 0%

L) Qual é a probabilidade de que se observem mais de cinco partos com bezerros

natimortos?
P (X > 5 ) = P (f ) = 0 = 0%

m) Inverso da função de probabilidade acumulativa - Um exemplo contrário

ao anterior é quando você fornece um valor de probabilidade e pretende
calcular o valor de X associado a ele. Para isso usa-se o seguinte
procedimento. Por exemplo, Qual o valor de X obtido (número de partos com
bezerros natimortos) associado à probabilidade de 0,74 ?

0,74 = C 5X (0,10) X . (1 - 0,10) 5 - X

5!
0,74 = (0,10) X (0,90) 5 - X
X! (n - X!

X = 1 Parto com bezerro natimortos

ASSIS, J. P. , 2014 15
 ASSIS, J. P. , 2014 16
DISTRIBUIÇÃO DE POISSON
æ xö
- l çl ÷
P [X = x ] = l x .e = è ø . Exp(- l ) ,
x! (x!)
¥
P(X= 0) + P(X=1) + P(X=2) + P(X=3) + ... + P(X=10) +...+ ... = ∑P ( X = x ) = 1
i
i =1

Onde; m = l .t = l . I ; e = 2,71828 sendo x = {0,1,2,...,¥},

3.3.8. EXERCÍCIO DE APLICAÇÃO
O número de árvores da espécie enterolobium glaziovii benth
(nome vulgar timbaúba), se distribui aleatoriamente em certa reserva
florestal de mata atlântica localizada no litoral da região do Nordeste
Brasileiro com uma média de duas (2) árvores por hectare. Foi testada
em 2010 e comprovada que esta variável aleatória discreta X possui
distribuição de Poisson.

X = NÚMERO DE ÁRVORES DE TIMBAÚBA, X = {0, 1, 2,...,}.

E(X) = μ, = λ = 2 ÁRVORES POR HECTARE.

æ xö
- l çl ÷
P [X = x ] = l x .e = è ø . Exp(- l ) ,
x! (x!)
¥
P(X= 0) + P(X=1) + P(X=2) + P(X=3) + ... + P(X=10)+...+ = ∑P ( X = x ) = 1i
i =1

a) Qual é a probabilidade de se encontrar por acaso cinco (5) árvores

de Timbaúba por hectare?

b) Qual é a probabilidade de se contarem no máximo duas (2) árvores

de Timbaúba por hectare?

c) Qual é a probabilidade de se localizar uma (1) árvore de Timbaúba

em dois hectares? l = 2 sendo que m = 2.2 = 4 árvores

d) Qual é o valor da média?

e) Qual é o valor da variância?

f) Qual é o valor do desvio padrão?

g) Calcule P(2 ≤ X ≤ 4);

h) Calcule P(2 < X < 4);

 ASSIS, J. P. , 2014 17

i)Determine P(X ≥ 1);

j) Calcule P(1 ≤ X < 5);

k) Inverso da função de probabilidade acumulativa - Um exemplo

contrário ao anterior é quando você fornece um valor de probabilidade
e pretende calcular o valor de X associado a ele. Para isso usa-se o
seguinte procedimento. Por exemplo, Qual o valor de X (número de
árvores de Timbaúba) associado à probabilidade de 0,99?

x -l
P [X = x ] = l .e ,λ=? e X=?
x!
-Gráfico em Hastes ou Bastão da distribuição de probabilidade.
 ASSIS, J. P. , 2014 18
a)
5.e -2 32.0,135335283
P ( X = 5) = 2 = = 0,036089408 @ 3,61%
5! 120

b) P ( X £ 2) = P ( X = 0) + P ( X = 1) + P ( X = 2)

0 -2 1 -2 2 -2
P [X £ 2] = 2 .e + 2 .e + 2 .e
0! 1! 2!
P [X £ 2] = 0,135335283 + 0,270670566 + 0,270670566

P [X £ 2] = 0,676676415 @ 67,67%

c) λ = 4; 1 ha ---------2 àrvores
2 ha-------- λ
λ = 4 Árvores
ou ainda: E [ X ] = l' = m . I = 2.2 = 4 Árvores

1.e -4 4 . 0,018315638
P ( X = 1) = 4 = = 0,073262555 = 7,33%
1! 1
d) E [ X ] = m X = m = l = 2 Árvores de Timbaúba/Hectare

e) Var [ X ] = s X2 = s (2X ) = 2 [Árvores de Timbaúba/Hectare]2

f) D. P . = s X = s ( X ) = s = 2 = 1,414 Árvores de Timbaúba/Hectare

g) P (2 £ X £ 4) = P ( X = 2) + P ( X = 3) + P ( X = 4)

2. e -2 23. e -2 2 4. e -2
P (2 £ X £ 4) = 2 + +
2! 3! 4!

P (2 £ X £ 4) = 4 . 0,135335283 + 8 . 0,135335283 + 16 . 0,135335283

2 6 24

P(2 £ X £ 4) = 0,270670566 + 0,180447044 + 0,090223522

P (2 £ X £ 4) = 0,541341132 = 54,13%
 ASSIS, J. P. , 2014 19
3.e - 2
h) P (2 < X < 4) = P ( X = 3) =
2 = 0,180447044 = 18,04%
3!
i) P (1 £ X < 5) = P ( X = 1) + P ( X = 2) + P ( X = 3) + P ( X = 4)

é 0 -2ù
j) P ( X ³ 1) = 1 - [P ( X = 0)]
2 .e ú
= 1 - êê ú = 1 - 0,135335283
êë 0! úû

P ( X ³ 1) = 0,864664717 @ 86,47%
l x .e -l = 2 x .e - 2
K) P [X = x ] = , λ = ? e X = ?, 0,99 = \x = 6
x! x!
árvores de Timbaúba

APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL ATRAVÉS DA

DISTRIBUIÇÃO DE POISSON.
-EXERCÍCIO DE APLICAÇÃO
A probabilidade de uma determinada marca de arado de disco
agrícola apresentar defeitos nos seus discos é 0,012. Ao se examinar ao
acaso um lote de 80 arados: a) Qual é a probabilidade de não haver
nenhum defeito; b) Qual é a probabilidade de haver pelo menos um
defeituoso?

n = 80; P = 0,012; q = q – P = 1 – 0,012 = 0,988

X = {0,1,2,3, ... ,80}

a) A probabilidade procurada é

æ 80 ö
P (x = 0) = çç ÷÷ . (0,012) 0 . (0,988)80-0 = (0,988) 80 = 0,380676 @ 38%
è0ø
Como n é grande e P é pequeno neste caso, a aproximação de
Poisson dá os seguintes resultados,

m = l = n.P = 80. 0,012 = 0,96

(0,96)0 . e -0,96
P(x = 0) = = 0, 3828928 @ 38%
0!
Resultado este muito próximo da resposta exata.

b) P(x ³ 1) = 1 – [P (x = 0)] = 1 – 0,380676 = 0,619324 @ 62%

P (x ³ 1) = 1 – 0,3828928 = 0,617107114 @ 61,71% @ 62%
 ASSIS, J. P. , 2014 20

DISTRIBUIÇÃO NORMAL, GAUSSIANA, SIMÉTRICA, EM

FORMA DE SINO, EM FORMA DE CAMPÂNULA
(CAMPANULAR), EM FORMA DE CHAPÉU DE NAPOLEÃO.

O PESO VIVO AO NASCER EM QUILOGRAMAS DE BEZERROS

DA RAÇA GUZERÁ DE UM REBANHO EXPLORADO NO
MUNICÍPIO DE MOSSORÓ-RN, EM 2012, DISTRIBUI-SE
NORMALMENTE COM UMA MÉDIA m = 27,0 KG E UM DESVIO
PADRÃO s = 1,2 KG. SE UM ANIMAL É ESCOLHIDO AO ACASO,
RESPONDA O SEGUINTE.

i) Determinar a probabilidade (área) ou a porcentagem de bezerros

que pesam.
a) Mais que 28 kg
Ou ainda se for escolhido através de um sorteio ou ao acaso, um
bezerro dessa raça, qual é a probabilidade dele nascer pesando pelo
menos ou no mínimo 28 quilogramas? E qual é a probabilidade de dois
bezerros selecionados ao acaso nascerem pesando pelo menos 28
quilogramas de peso vivo?
b) Entre 26,0 e 27,5 kg
c) Menos que 26,0 kg
d) Acima da média m = 27,00 kg, ou acima do peso médio do rebanho
ou da raça.

ii) Qual deve ser o peso médio dessa raça para que apenas 10% dos
animais tenham menos de 25 kg de peso? (Isto é, sabe-se que 10% dos
pesos são inferiores a 25 kg).

iii) Num exame de um rebanho com n = 200 animais dessa raça,

quantos são esperados (n’) com peso acima de 28 kg? Isto é n’ = (n) .
[P(X ≥ 28 kg).

iv) Quais as abscissas dos pontos de inflexão? O que significam?

v) Qual é a probabilidade de um peso diferir da média de mais da
metade do desvio padrão? Ou seja, ser maior (está acima) de meio
desvio padrão da média?

vi) Qual é o peso (X) que delimita os 5% mais pesados?

 ASSIS, J. P. , 2014 21
vii) Quais os valores dos pesos vivos em quilogramas (X1 e X2) dos
bezerros da raça Guzerá, que delimitam 95% dos pesos do rebanho,
isto, é, quais os limites do intervalo que comporta 95% dos pesos do
rebanho dessa raça bovina? Ou seja, pede-se a P(X1 ≤ X≤ X2) = 95%.

-RESPOSTAS:
i)
a)

X -m 28,0 - 27,0
Z= = = 0,83
s 1,20
P ( X ³ 28) = P (Z ³ 0,83) = 0,5000 - P (0 £ Z £ 0,83 ) = 0,5000 - 0,29673
P ( X ³ 28) = P (Z ³ 0,83 ) = 0,20327 = 20,327%
P ( X ³ 28) = P (Z ³ 0,83 ) = 0,20327 = 20,327%

-Para dois bezerros temos que:

P ( X ³ 28 / 2 bezerros ) = P (Z ³ 0,83). P ( Z ³ 0,83) = (0,20327 ).(0,20327 ) = 0,0413318692 @ 4,13%

 ASSIS, J. P. , 2014 22
b)

P (26,0 £ X £ 27,5 ) = ?

X -m 26,0 - 27 ,0
Z1 = = = - 0,83
s 1,20

27,5 - 27,0
Z2 = = + 0,42
1,20

P (26,0 £ X £ 27,5) = P (- 0,83 £ Z £ 0,42) = P (- 0,83 £ Z £ 0,00) + P (0,00 £ Z £ 0,42 )

P (26,0 £ X £ 27,5 ) = 0,29673 + 0,16276 = 0,45949 = 45,949%

 ASSIS, J. P. , 2014 23
C) P ( X £ 26,0kg ) = ?

26,0 - 27,0
Z= = -0,83
1,20

P ( X £ 26,0) = P ( Z £ -0,83) = 0,5000 - P (- 0,83 £ Z £ 0,00 )

P ( X £ 26,0 ) = P ( Z £ -0,83 ) = 0,5000 - 0,29673 = 0,20327 = 20,327%

d) P ( X ³ 27,0) = P ( Z ³ 0,00) = 0,5000 = 50%

27,0 - 27,0
Z= = 0,00
1,20
 ASSIS, J. P. , 2014 24
II) m = ?

0,40000 0,40147
X -m
Z= \ Zs = X - m \ - m = Zs - X (- 1) 0,39973 0,40000
s
_______ _______
0,00027 0,00147

m = X - Zs , m = 25,0 - (- 1,28 ).1,20 ; m = 26,536 kg

III) n = 200 ; n ' = ?

n ' = n. P ( X ³ 28,0 kg ) ; n ' = 200.0, 20327 = 40,654 » 41 Bezerros

IV) P1 = m - s = 27,0 - 1,20 = 25,8 kg

P2 = m + s = 27,0 + 1,20 = 28,2 kg

-Interpretação: 68,27% dos pesos vivos ao nascer em quilogramas dos

bezerros da raça Guzerá explorados nesta região, estão compreendidos
ou variam de 25,8 kg a 28,2 kg.
 ASSIS, J. P. , 2014 25

V) P ( Z ³ 0,5) = ?

1 1
X = m X + s = 27,0 + .1,20
2 2

X = 27,0 + 0,6 = 27,6

27,5 - 27,0
Z= = 0,5
1,20

é 1 ù
P ê( X - m X ) ³ s = P [( X - 27,0 ) ³ 0,6] = P (Z ³ 0,5 ) = 0,5000 - P (27,0 £ X £ 27,6 )
ë 2 úû
é 1 ù
P ê( X - m X ) ³ s = P (Z ³ 0,5 ) = 0,5000 - P ( 0 £ Z £ +0,5 ) = 0,5000 - 0,19146 = 0,30854
ë 2 úû

é 1 ù
P ê( X - m X ) ³ s ú = P (Z ³ 0,5 ) = 0,30854 @ 30,85%
ë 2 û
 ASSIS, J. P. , 2014 26

X -m
VI) Z =
s

0,45053 0,45000
0,45000 0,44950
X - m = Zs ; X = m + Zs ; ;
_______ _______
0,00053 0,00050

X = 27,0 + 1,64.1,20

X = 27,0 + 1,968 ; X = 28,968 kg

 ASSIS, J. P. , 2014 27

VII) P ( X 1 £ X £ X 2 ) = 95%

Z=
[X - m ] ; X - m = Zs ; X = m + Zs ; X i = m + Zs
s

X 1 = 27 + (- 1,96)(1,20 ) ; X 1 = 27 - 2,352 = 24,648 Kg ;

X 2 = 27 + (+ 1,96 )(1,20) ; X 2 = 27 + 2,352 = 29,352 Kg
 ASSIS, J. P. , 2014 28

-DISTRIBUIÇÃO QUI – QUADRADO ( c 2 ).

1) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 1 grau
de liberdade deixa uma área à direita dele de 5 %?
¥ ¥
(
P c 2
CALCULADO ³c 2
TABELADO ) = ò f (c )dc
2 2
= ò f (c )dc
2 2
= 0,05 = 5%
c CAL
2 3 , 84

c (21;0 ,05 ) = 3,84

2) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 7 graus
de liberdade deixa uma área à direita dele de 5 %?

c (27;0, 05 ) = 14,067
 ASSIS, J. P. , 2014 29
3) Qual é o valor Crítico ou Tabelado sob a curva da distribuição
teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 5 graus
de liberdade deixa uma área à direita dele de 1 %?

c (25;0, 01) = 15,086

4) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 12 graus
de liberdade deixa uma área à direita dele de 99,5% ?

c (212;0, 995) = 3,074

 ASSIS, J. P. , 2014 30
5) Qual é o valor Crítico ou Tabelado sob a curva da distribuição
teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 12 graus
de liberdade deixa uma área à direita dele de 90 %?

c (212;0, 90 ) = 6,304

6) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 15 graus
de liberdade deixa uma área à direita dele de 95 %?

c (215;0, 95) = 7,261

 ASSIS, J. P. , 2014 31
7) Qual é o valor Crítico ou Tabelado sob a curva da distribuição
teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 1 grau
de liberdade deixa uma área à direita dele de 5 %?

c (21;0 ,05 ) = 3,84

 ASSIS, J. P. , 2014 32
8) Qual é o valor Crítico ou Tabelado sob a curva da distribuição
teórica de probabilidade de Qui – Quadrado ( c 2 ) que com v = 4 graus
de liberdade deixa uma área à direita dele de 1 %?

c (24;0, 01) = 13,277

 ASSIS, J. P. , 2014 33
-DISTRIBUIÇÃO “t” DE “STUDENT”.

1) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = 8 graus de liberdade
que deixa uma área à direita dele positivo de 5 %? (valor unilateral à
direita ou positivo). Ou de outra forma,
P (t CALCULADO ³ t TABELADO ) = 0,05 = 5% ,
¥
P (t CALCULADO ³ t [8;0, 05] ) = P (t CALCULADO ³ +1,860) = ò f (t )dt = 0,05 = 5%
1 , 860

+ t [8;0, 05] = + 1,860

2) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = 10 graus de liberdade
que deixa uma área à direita dele positivo de dois e meio por cento, isto
é, 2,5 %? (valor unilateral à direita ou positivo).

+ t[10;0 ,025] = + 2,228

 ASSIS, J. P. , 2014 34

3) Qual é a área ou probabilidade sob a curva da distribuição teórica

de probabilidade t de “Student” com v = 12 graus de liberdade entre os
valores críticos ou tabelados -3,055 e +1,782? 94,5%. De outra forma,
podemos perguntar o seguinte: quais são os valores críticos ou
tabelados sob a curva da distribuição teórica de probabilidade t de
“Student” com v = 12 graus de liberdade que deixam uma área de
0,005 à esquerda dele negativo e de 0,05 à direita dele positivo.

[ ]
P - t [12;0 ,005] £ t £ + t [12;0, 05] = 0,945 = 94,5%

P [- 3,055 £ t £ + 1,782] = P [(t £ + 1,782 ) - P (t £ -3,055 )] = 0,95 - 0,005 = 0,945

P [- 3,055 £ t £ + 1,782] = 0,950 - 0,005 = 0,945 = 94,5%

4) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = 10 graus de liberdade
que deixa uma área à esquerda dele negativo de meio por cento (0,5 %)
? (valor unilateral à esquerda ou negativo).

- t[10;0, 005] = -3,169

 ASSIS, J. P. , 2014 35

5) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = 12 graus de liberdade
que deixa uma área à direita dele positivo de 0,05 ou 5%? (valor
unilateral à direita ou positivo).

+ t[12;0, 05] = + 1,782

6) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = 12 graus de liberdade
que deixa uma área à esquerda dele negativo e à direita dele positivo
de 0,005 ou meio por cento (0,5%) ? (valor bilateral).

té 0 , 01 ù
= ± 3,055
ê12; 2 ú
ë û
 ASSIS, J. P. , 2014 36

7) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = 25 graus de liberdade
que deixa uma área à esquerda dele negativo e à direita dele positivo
de 0,05 ou cinco por cento (5%) ? (valor bilateral).

té 0 ,10 ù
= ± 1,708
ê 25; 2 ú
ë û
 ASSIS, J. P. , 2014 37

8) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = 10 graus de liberdade
que deixa uma área à direita dele positivo de 0,005 ou meio por cento
(0,5%)? (valor unilateral à direita ou positivo). É o mesmo valor que
deixa uma área à esquerda dele negativo de 0,005 ou meio por cento
(0,5%), ou então que deixa uma área de 99,5 % à direita dele negativo,
ou seja,

+ t [ V ;a ] = - t [ V ;1-a ]

+ t[10;0, 005] = - t[10;0, 995] = 3,169

9)

- t[10;0, 005] = -3,169

 ASSIS, J. P. , 2014 38

10) Qual é o valor Crítico ou Tabelado sob a curva da distribuição

teórica de probabilidade t de “Student” com v = ∞ (valor infinito)
graus de liberdade que deixa uma área à direita dele positivo de 0,025,
ou dois e meio por cento (2,5%), e também, à esquerda dele negativo
de 0,025, ou dois e meio por cento (2,5%) ? (valor bilaterial).
O qual equivale a um Valor Crítico ou Tabelado sob a Curva da
Distribuição Normal Padrão que deixa uma área de 0,025, ou dois e
meio por cento (2,5%) à direita deste Valor Tabelado de Z. Ou seja,

t é ù
= Zé = ±1,96
ê
ê v=¥;0,05úú ê
ê
0,05ùúú
ê
ë
2 úû ê
ë
2 úû

O qual equivale a um valor crítico sob a curva normal de Z que

deixa uma área de 2,5 % à direita dele positivo (+Z[0,025]), ou à
esquerda dele negativo (-Z[0,025]),.
 ASSIS, J. P. , 2014 39

ESTIMAÇÃO POR INTERVALO

(INTERVALO DE CONFIANÇA)

6. ESTIMAÇÃO POR INTERVALO: TIPOS DE INTERVALOS DE

CONFIANÇA PARA A MÉDIA (m), PARA DIFERENÇA ENTRE
MÉDIAS (m1 – m2), PARA VARIÂNCIA (s2), PARA O DESVIO
és 2 ù
PADRÃO (s), PARA A RAZÃO ENTRE VARIÂNCIAS ê 12 ú , PARA
êë s 2 úû

A PROPORÇÃO (P) E DIFERENÇA ENTRE PROPORÇÕES (P1 -

P 2)

6.1. INTERVALO DE CONFIANÇA PARA A MÉDIA

POPULACIONAL (m) DE UMA POPULAÇÃO INFINITA,
NORMAL COM VARIÂNCIA (σ2) CONHECIDA OU NÃO, E COM
A UTILIZAÇÃO DE AMOSTRA GRANDE [n ≥ 30]
 ASSIS, J. P. , 2014 40

6.1.1. O INTERVALO DE CONFIANÇA

Figura: Gráfico representativo da distribuição amostral da média X
utilizado na construção do intervalo de confiança para a média
populacional µ, quando se utiliza grandes amostras (n > 30).

m -e £ X e X £m+e

μ£ X +e e X -e£ m

Ou seja, temos que: X - e £ μ £ X + e , e assim o intervalo é dado por:

P éê X - e £ μ £ X + eùú = 1 - α
ë û

X-μ (μ + e) - μ s
Z æ α ö = +σe \
e = Zæ a
Zæ α ö = \ Zæ α ö = \ ç
ö. n
÷
çç ÷÷ σ çç ÷÷ σ çç ÷÷
è 2ø è 2ø è 2ø
è 2 ø
n n n

X -e £ μ£ X +e

X - Zæ α ö . σ £ μ £ X + Zæ α ö . σ
çç ÷÷ n çç ÷÷ n
è2ø è 2ø
é ù
- Zæ α ö . σ £ μ £ X + Zæ α ö . σ ú = 1- α
ê ú
PêX
ê çç ÷÷ n çç ÷÷ nú
ë è 2ø è 2ø û
 ASSIS, J. P. , 2014 41

I. C.: X ± e \ X ± Zæ a ö . s OU X ± Zæ a ö .
S
ç ÷ n ç ÷ n
è 2ø è 2ø

Sendo assim o intervalo de confiança é determinado conforme a

expressão abaixo.

æ ö
s s ÷
Pç X - zæ a ö £ m £ X + zæ a ö = 1-a
ç ÷
ç ç 2÷ n ç2÷ n÷
è è ø è ø ø

Onde “ X ” e “σ“ são, respectivamente a media da amostra e o desvio

padrão da população com distribuição normal e variância conhecida, e
assim o intervalo de confiança de 100(1-α) % para a media
populacional m é dada pela equação acima, onde Z é a ù é o valor critico
ê2ú
ë û

ou tabelado sob a curva da distribuição normal padrão.

6.1.2. EXERCÍCIO DE APLICAÇÃO
Sabe-se de experimentos anteriores que a variância da produção
leiteira de um rebanho bovino da raça holandês preto e branco criado
na região de Natal, Rn, durante o período de 1970 a 2012, é de 4,0
(Kg)2.Para avaliar a produção leiteira média atual, um
criador(comprador) retirou uma amostra aleatória simples de n = 36
vacas, obtendo uma estimativa por ponto X = 5, 4 .
a) Determine estimativas por intervalos para a produção leiteira média
populacional atual (μ), aos níveis de confiança de
(a.1) 0,95 e
(a.2) 0,99.
 ASSIS, J. P. , 2014 42

-Resolução do item a.1:

σ2 = 4,0 Kg2, ou seja, a variância populacional σ2 é conhecida, sendo

assim a população é normal. n = 36, X = 5, 4 e s = 4 = 2 Kg, 1 – α =
0,95, α = 0,05. , Pela tabela da normal temos que o valor crítico ou
tabelado sob a curva normal padrão é dado por: Z æ 0,05 ö = ± 1, 96 .Sendo
ç 2 ÷
è ø

assim o intervalo de confiança é obtido como mostrado abaixo.

s 2 2
X ± Zæ a ö . \ 5, 4 ± 1, 96 \ 5, 4 ± 1, 96 \ 5, 4 ± 0, 6533
I.C.[ μ]0,95 → ç ÷ n 36 6
è2ø
4, 7467 £ m £ 6, 0533 \ P [ 4, 75 £ m £ 6, 05] = 0, 95

-Interpretação: O intervalo de confiança de limites 4,75 e 6,05, deve

conter a verdadeira produção leiteira média populacional (μ) atual
expressa em quilogramas, do rebanho bovino de vacas leiteiras da raça
holandês preto e branco, com 95 % de probabilidade de confiança.
 ASSIS, J. P. , 2014 43

-Resolução do item a.2:

Neste caso agora o nível de confiança é 99% de probabilidade
assim temos que:
1 – α = 0,99, α = 0,01. , Pela tabela da normal temos que o valor crítico
ou tabelado sob a curva normal padrão é dado por: Z æ 0,01 ö = ± 2, 58 .
ç 2 ÷
è ø

Sendo assim o intervalo de confiança é obtido como mostrado abaixo.

s 2 2
X ± Zæ a ö . \ 5, 4 ± 2, 58 \ 5, 4 ± 2, 58. \ 5, 4 ± 0,86
I.C. [μ]0,95: ç ÷ n 36 6
è2ø
4, 54 £ m £ 6, 26 \ P [ 4, 54 £ m £ 6, 26 ] = 0, 99

-Interpretação: O intervalo de confiança de limites 4,54 e 6,26, deve

conter a verdadeira produção leiteira média populacional (μ) atual
expressa em quilogramas, do rebanho bovino de vacas leiteiras da raça
holandês preto e branco, com 99 % de probabilidade de confiança.Em
outras palavras, se adotarmos a mesma metodologia, e construirmos
100 intervalos deste tipo para a variável produção leiteira média
populacional (μ) atual expressa em quilogramas, do rebanho bovino de
vacas leiteiras da raça holandês preto e branco, em Média 99
intervalos conterão o valor desta produção média populacional (μ), e
apenas 1 deles não conterão este valor desconhecido do parâmetro μ.
 ASSIS, J. P. , 2014 44
b) Dimensionamento amostral: Qual é o tamanho da amostra
necessária para que se obtenha um intervalo de confiança com
precisão e = 0,5 Kg, ao nível α = 0,05?
n = ?; e = 0,5; 1 – α = 0,95; α = 0,05 e assim o valor tabelado de Z é
dado por: Z æ 0,05 ö = ± 1, 96 .
ç 2 ÷
è ø

s
I.C.[ μ ] X ± Zæ a ö . \ X±e
ç ÷ n
è2ø

Zæ a ös
s s n .e ç ÷
è2ø
e = Zæ a ö . \ n .e = Zæ a ö . n \ n .e = Zæ a ös \ =
ç ÷ n ç ÷ n ç ÷ e e
è
2 ø 2 è ø 2 è ø
2
é ù
Zæ a ös
2 êZ ú .s 2
æ Zæ a ös ö ê æa öú
ç ÷ ç ç ÷ ÷ ç ÷
( n) ëê è 2 ø ûú
è2ø 2
=ç è ø
2
n= \ ÷ \n =
e ç e ÷ e2
ç ÷
è ø

n=
[1,96] .2 2
2

=
15, 3664
= 61,47 @ 62 Vacas
[0,5] 2 0,25

Portanto o tamanho da amostra “n” deve ser de

aproximadamente 62 animais. Ou seja, esse é o menor tamanho “n”
que deve ter a amostra de vacas para ser usada na estimação da
produção leiteira média populacional atual “μ“ em quilogramas, em
uma população infinita, normal, com variância ( s 2 ) conhecida de 4
Kg2), com um erro de estimação ou de amostragem “e” de no máximo
0,5 kg, e uma confiança de 95 % de probabilidade.
 ASSIS, J. P. , 2014 45
6.2. INTERVALO DE CONFIANÇA PARA A MÉDIA (m) DE
UMA POPULAÇÃO INFINITA, APROXIMADAMENTE
NORMAL COM VARIÂNCIA (s2) DESCONHECIDA E
AMOSTRA PEQUENA (n < 30)

6.2.1. O INTERVALO DE CONFIANÇA

æ ö
P ç X - tæ a ö
S S ÷
£ m £ X + tæ a ö = 1-a
ç ÷
ç ç v; ÷ n ç v; ÷ n ÷
è è 2 ø è 2ø ø

Lembrado que a variável “t” possui v = n -1 graus de liberdade.

Onde X e S são, respectivamente a média e o desvio padrão de
uma amostra aleatória de uma população com distribuição normal e
variância desconhecida, e assim o intervalo de confiança de 100(1-α) %
para a media populacional m é dada pela equação acima, onde té aù éo
êV ; 2 ú
ë û

valor critico ou tabelado sob a curva da distribuição t de Student, com

“v” graus de liberdade.
6.2.2. EXERCÍCIO DE APLICAÇÃO
Seja “X” a variável aleatória que representa a taxa normal de
colesterol no plasma sangüíneo de coelhos da raça Norfolk, criados em
uma granja no município de Mossoró – RN, durante o ano de 2012.
Suponhamos que com base em uma amostra casual simples de 25
animais normais, um pesquisador obteve a média X = 198 mg / 100 ml de
plasma e o desvio padrão S = 30mg / 100 ml de plasma.

a) Obtenha com base nessa amostra, o intervalo de confiança com

90% de probabilidade para μ, isto é para a taxa média
populacional de colesterol dos coelhos da raça Norfolk.
 ASSIS, J. P. , 2014 46

-Solução:

V = n - 1 = 25 - 1 = 24 G.L.; a = 10% = 0,10

a 10%
= = 0,05 = 5%
2 2

té 0 ,10 ù
= ± 1,711
ê 24; 2 ú
ë û

30 30
198 - 1,711. £ m £ 198 + 1,711. ;
25 25
é 30 30 ù
P ê198 - 1,711. £ m £ 198 + 1,711. = 90%
ë 25 25 úû
198 ± 10,26
P [187,74 £ m £ 208,26] = 90%

-INTERPRETAÇÃO: Este é o intervalo de 90% de confiança para

a média populacional “µ”, obtido com base na amostra. Então,
90% dos intervalos calculados dessa forma, para amostras casuais
simples de 25 indivíduos, conterão o parâmetro que é a taxa normal
média populacional (µ) de colesterol em mg/100ml de plasma no
plasma sanguíneo de coelhos da raça Norfolk. Ou de outra forma:
O Intervalo de Confiança de Limites 187,74 e 208,26, contém a
verdadeira taxa média populacional (µ) de colesterol em mg/100 ml
de plasma dos Coelhos da Raça Norfolk com 90 % de
Probabilidade de Confiança.
 ASSIS, J. P. , 2014 47
b) Dimensionamento amostral: Para um erro de amostragem e =
9,00, a amostra satisfaz?
.
S
IC [m ] : X ± té aù . \X ±e
êv; 2 ú
ë û
n

té 0 ,10 ù
= ± 1,711
ê 24; 2 ú
ë û

té aù .S
S S n.e êV ; 2 ú
ë û
e = té aù \ n.e = t é aù . n. \ = \
êV ; 2 ú
ë û
n êV ; 2 ú
ë û
n e e

2
té aù .S æ t é a ù .S ö t 2é a ù S 2
ç êV ; 2 ú ÷
\ n=
êV ; 2 ú
ë û
\ ( n) 2 êV ; ú
= ç ë û ÷ \ n = ë 2 û2
e çç e ÷÷ e
è ø
1,711 2 .30 2
n= = 32,49 @ 32,50 @ 33 indivíduos
92

Conclusão: Para um erro de amostragem de 9,00 mg/100ml de plasma

será necessário uma amostra de 33 indivíduos, portanto a amostra com
25 indivíduos não satisfaz, ou seja, são necessários mais 8 elementos.

Portanto o tamanho da amostra “n” deve ser de

aproximadamente 33 coelhos. Ou seja, esse é o menor tamanho “n”
que deve ter a amostra de coelhos para ser usada na estimação da taxa
normal média populacional “μ“ em mg/100 ml de plasma, de colesterol
em uma população infinita, com 90% de confiança e um erro de
amostragem ou de estimação de no máximo 9,00 mg/100 ml de plasma.
 ASSIS, J. P. , 2014 48
6.10. INTERVALO DE CONFIANÇA PARA A PROPORÇÃO (P) DE
UMA POPULAÇÃO INFINITA, NORMAL, E COM AMOSTRA
GRANDE (n > 30)

6.10.1. O INTERVALO DE CONFIANÇA

æ ö
f (1 - f ) f (1 - f )÷
P ç f - zæ a ö £ p £ f + zæ a ö = 1-a
ç ÷
ç ç ÷ n ç ÷ n ÷
è è 2ø è 2ø ø

x
Onde: f = p̂ = , f = p̂ = proporção (freqüência relativa) de
n
eventos sucesso na amostra; x = número (freqüência absoluta) de
eventos sucesso na amostra; e n = número de elementos da
amostra (tamanho da amostra).

6.10.2. EXERCÍCIO DE APLICAÇÃO

Para testar uma vacina contra a febre aftosa, um médico
veterinário da UFERZAM em Mossoró, Rn, selecionou ao acaso
em 2012, uma amostra aleatória (ou casual) simples de 80
bovinos da raça Gir, e, observou após um determinado período
de 20 dias, que 60 desses animais foram imunizados.
a) Calcular a estimativa intervalar para a verdadeira proporção
populacional “P” de Bovinos da Raça Gir imunizados com a
vacina. Use um coeficiente de confiança de 95% de
probabilidade.
 ASSIS, J. P. , 2014 49

- Solução:

n = 80; X = 60, onde,

X 60
f = Pˆ = = = 0,75 = 75% e qˆ = 1 - Pˆ = 1 - 0,75 = 0, 25 = 25%
n 80
a = 0,05 = 5% ; 1 - a = 1 - 0,05 = 0,95 e Z é 0, 05 ù = ± 1,96
ê 2 ú
ë û

0,75(1 - 0,75 )
P : 0,75 ± 1,96.
80

P : 0,75 ± 0,095
P (0,655 £ P £ 0,845 ) = 95%
P (65,5 £ P £ 84,5 ) = 95%

-Interpretação: O intervalo de confiança de limites 65,5% e 84,5%

contém a verdadeira proporção populacional de bovinos da Raça
GIR, imunizados através da vacina contra a febre aftosa, com 95%
de confiança. Isto é se forem construídos 100 intervalos deste tipo
usando o mesmo tamanho amostral (n = 80) para a mesma variável
resposta e adotando a mesma metodologia, espera-se que em média
95 destes intervalos contenham a verdadeira proporção
populacional (parâmetro) de bovinos da raça Gir imunizados
contra a febre aftosa.
 ASSIS, J. P. , 2014 50
b) Dimensionamento amostral: Se a precisão for aumentada em
5%, qual é o número de animais da raça Gir que deve ser
selecionado?
O erro amostral ou de estimação é dado por:
e = 0,095;
O novo erro amostral ou de estimação passa a ser:
e’ =0,095 - (0,05).(0,095) = 0,09025

e = Z éa ù .
(
Pˆ 1 - Pˆ ) \ e = Z éa ù .
(
Pˆ 1 - Pˆ )\ n .e = Z é a ù .
(
Pˆ 1 - Pˆ ). n\
ê2ú
ë û
n ê2ú
ë û
n ê2ú
ë û
n

n .e = Z . Pˆ 1 - Pˆ \( ) =
(
n .e Z . Pˆ 1 - Pˆ
\ n=
)Z . Pˆ 1 - Pˆ
\
( )
e e e

( )
2
( Z )2 æç Pˆ 1 - Pˆ ö÷
(Z )2 Pˆ 1 - Pˆ ( )
( n) 2
=
è
(e )2
ø
\n=
(e )2

(1,96 )2 0,75(1 - 0,75 )

n= @ 88,43 @ 89 animais
(0,09025)2

Portanto se a precisão for aumentada em 5% serão necessários

89 Bovinos para a pesquisa, ou seja , este é o menor tamanho que
deve ter a amostra de animais, para se estimar a verdadeira
proporção populacional de bovinos imunizados contra a febre
aftosa, com 95 % de confiança ou de probabilidade, e um erro de
amostragem ou de estimação de no máximo 0,09025, ou 9 %
aproximadamente.
 ASSIS, J. P. , 2014 51
-TESTES DE HIPÓTESES OU DE SIGNIFICÂNCIA
Na estatística experimental alguns termos de uso próprio ou corrente devem ser
conhecidos pelo pesquisador, tais como:
1- Delineamento experimental: É o plano, desenho ou formato utilizado na
experimentação de como se distribui ou se aplicam os tratamentos ou
fatores experimentais, nas unidades experimentais ou parcelas, em um
amplo entendimento das análises a serem feitas quando todos os dados
estiverem disponíveis..
2- Tratamento ou Fator experimental: É o método ou processo, em que se
comparam seus efeitos sobre as unidades experimentais.
3- Unidade experimental ou Parcela experimental: É a menor porção física do
material experimental sobre as quais se aplicam os tratamentos.
4- Repetição: É o número de vezes em que se repete os tratamentos nas
unidades experimentais.
5- Casualização, aleatorização ou Sorteio dos Tratamentos: É processo de
distribuição casual dos tratamentos nas unidades experimentais, mediante
um dispositivo de sorteio, como pedaços de papeis numerados, ou dígitos em
uma tabela de números aleatórios ou através de uma calculadora ou
computador usando a função RANDOM, de tal forma que cada tratamento
tenha a mesma probabilidade de ser aplicado nas unidades experimentais.
6- Controle Local ou Bloqueamento: É o processo de formação de estratos
homogêneos de unidades experimentais, restringindo a casualização, com o
objetivo de se conseguir minimizar o grau de variabilidade de unidades
experimentais mais próximas.
7- Variável Resposta: È o valor da medida, mensuração ou contagem das
respostas dos efeitos dos tratamentos ensaiados ou comparados nas
unidades experimentais, como por exemplo, temos a produção leiteira de
uma vaca em quilogramas por dia (Kg/dia) após receber tratamento com
ração enriquecida com proteínas à base de soja.
8- Tratamento Controle, ou Testemunha ou placebo: É o tratamento ou fator
padrão ou de referência, antigo ou quando as parcelas não recebem
tratamento novo.

Simbologia ou nomenclatura usada nos testes de hipóteses:

De modo geral as hipóteses são testadas em três níveis de significância,

quais sejam 1, 5 e 10 % e raramente 0,1 %. Escolhe-se para apresentar a conclusão
o menor valor de alfa (α) capaz de rejeitar a hipótese H0. Se nenhum dos níveis
conseguirem rejeitar a hipótese H0, diz-se que o teste é não significativo. Se o
menor valor de alfa que rejeita a hipótese H0 é, por exemplo, 5%, diz-se que o teste
é significativo ao nível de probabilidade de 5%. As decisões associadas a esses
níveis de significância costumam ser assim classificadas conforme a Tabela abaixo:
Por exemplo, se rejeitarmos a hipótese H0 a 5% de probabilidade (o valor da
estatística teste cai dentro da região de rejeição da hipótese H0) coloca-se 1 (um)
asterisco(*) no canto superior direito do valor da estatística teste, por outro se
aceitar a hipótese H0(o valor da estatística teste cai dentro da região de aceitação
 ASSIS, J. P. , 2014 52
da hipótese H0) coloca-se o símbolo n.s.(não significativo) no canto superior direito

do valor da estatística teste. Por exemplo, Z TESTE = + 3,58* , ou ainda

t TESTE = + 1,32 n.s. .

Tabela: Classificação dos níveis de significância alfa (α) ou p.

Nível de significância alfa (α) Conclusão Simbologia

Valor de alfa menor ou igual a 0,1% Diferença Três asteriscos (***)
(a £ 0,1% ) muito
altamente
significante ou
significativa
Valor de alfa menor ou igual a 1% Diferença Dois asteriscos (**)
(a £ 1%) altamente
significante ou
significativa
Valor de alfa entre 1% e 5% Diferença Um asterisco (*)
(1% < a < 5%) significante ou
significativa
Valor de alfa entre 5 e 10% Diferença Um asterisco (*)
(5% £ a £ 10%) provavelmente
significante ou
significativa
Valor de alfa maior que 10% (a > 10%) Diferença não n.s.
significante ou
não
significativa
 ASSIS, J. P. , 2014 53
11. TIPOS DE TESTES PARAMÉTRICOS: TESTES DE HIPÓTESES
ESTATÍSTICAS PARAMÉTRICOS: TESTES REFERENTES A MÉDIAS,
VARIÂNCIAS E PROPORÇÃO.
11.1.TESTE DE HIPÓTESE PARA A MÉDIA OU DE CONFORMIDADE DE
UMA MÉDIA ( m ) DE UMA POPULAÇÃO INFINITA, NORMAL, COM
VARIÂNCIA ( s 2 ) CONHECIDA [AMOSTRA GRANDE (n>30) OU PEQUENA
(n<30)], OU VARIÂNCIA ( s 2 ) DESCONHECIDA [AMOSTRA GRANDE(n >
30)]
11.1.1. O TESTE DE HIPÓTESE
HIPÓTESE ESTATÍSTICA HIPÓTESE REGIÃO CRÍTICA
DE TESTE ALTERNATIVA OU REGIÃO DE
NULIDADE H1 REJEIÇÃO DA
Ho HIPÓTESE H0
[RRHO]
m = m0 X - m0 X - m0 m < m0 Z £ - Z (a )
ZTESTE = =
s S m > m0 Z ³ Z (a )
n n m ¹ m0 Z £ - Zæ a ö e Z ³ Zæ a ö
Com s conhecido ou ç 2÷
è ø
ç 2÷
è ø

não

O teste de conformidade de uma média tem por objetivo

verificar se a média µ de uma população é ou não igual a um valor
dado µ0, a hipótese nula é, portanto: H 0 : m = m 0 , e rejeitamos,
evidentemente, esta hipótese quando a média observada é muito
diferente do valor teórico m 0 .
11.1.2. EXERCÍCIO DE APLICAÇÃO
Sabe-se que certa linhagem de camundongo da linhagem
C57BL6J, alimentados com uma ração padrão, tem um aumento
médio de peso igual a 64 gramas durante os três primeiros meses de
vida. Um lote (amostra) de 81 camundongos dessa linhagem foi
alimentado com uma nova ração, mantendo-se as condições ambientais
padronizadas. O aumento médio de peso observados nos camundongos
foi de X = 60, 75 g, e um desvio padrão de S = 3,84 g. A nova ração tem a
mesma eficiência alimentar que a padrão? Use α = 0,05.
n = 81, X = 60, 75 , S = 3,84, m = m0 = 64
 ASSIS, J. P. , 2014 54
ì H 0 : m = 64
i) í `
î H1 : m ¹ 64

ii) α = 0,05; Z é 0,05 ù = ± 1, 96

ê 2 ú
ë û

iii)

Figura 8: Curva do teste de hipótese Z Bilateral mostrando as regiões críticas ou

de rejeição da hipótese Ho.

60, 75 - 64, 00 -3, 25

iv) ZTeste = = = -7, 56*
3, 84 0, 43
81

ZTeste > Zæ 0,05 ö ® , -7, 56 > 1, 96 ® Então rejeita-se a hipótese H0

ç ÷
è 2 ø

Um Asterisco (*) significa que se forem conduzidos 100

experimentos desse tipo, utilizando a mesma metodologia, amostra,
variável resposta, etc. e assumindo que a hipótese de nulidade H0 é
verdadeira, assume-se um risco de 5% de probabilidade de rejeita-la
em média.
v) Conclusões: De acordo com o teste Z, para a média “µ” ao nível de
5% de significância, pode-se concluir que a nova ração tem menor
eficiência alimentar que a ração padrão, sendo assim a ração padrão é
a melhor entre as duas ensaiadas.
 ASSIS, J. P. , 2014 55
11.2. TESTE DE HIPÓTESE PARA A MÉDIA OU DE CONFORMIDADE DE
UMA MÉDIA ( m ) DE UMA POPULAÇÃO INFINITA, APROXIMADAMENTE

(s )
2
NORMAL COM VARIÂNCIA DESCONHECIDA E AMOSTRA
PEQUENA (n < 30)
11.2.1. O TESTE DE HIPÓTESE

HIPÓTESE ESTATÍSTICA TESTE HIPÓTESE REGIÃO CRÍTICA

DE ALTERNATIVA OU REGIÃO DE
NULIDADE H1 REJEIÇÃO DA
Ho HIPÓTESE H0 [RRHO]
m = m0 X - m0 m < m0 t £ - t(V ;a )
tTESTE = , com V = n - 1 G . L.,
S m > m0 t ³ t(V ;a )
n m ¹ m0 t £ - tæ e t ³ tæ
aö aö
e Com s desconhecido çV ; 2 ÷
è ø
çV ; 2 ÷
è ø

O teste de conformidade de uma média tem por objetivo

verificar se a média µ de uma população é ou não igual a um valor
dado µ0. a hipótese nula é, portanto: H 0 : m = m 0 , e rejeitamos,
evidentemente, esta hipótese quando a média observada é muito
diferente do valor teórico m 0 .

11.2.2. EXERCÍCIO DE APLICAÇÃO

Em um seringal, localizado no estado do Acre, no qual se utiliza

o processo convencional de sangria em 2012, a produção média de
borracha seca é de 26 g / árvore/ corte. Tomou-se uma amostra ao
acaso composta de 25 seringueiras, as quais foram sangradas usando-
se um novo processo, tendo produzido 28 g em média, com desvio
padrão de 4g. O novo processo é mais eficiente que o convencional?
Use α = 5%.
Sendo que µ = µ0 = 26.
n=25; X = 28; S = 4
V= n -1= 25 -1=24
t[24;0,05] = + 1,711
 ASSIS, J. P. , 2014 56

1)
Ho: µ = µ0 = 26
H1: µ > µ0 > 26
2) α = 0,05 = 5%; t[ = + 1,711
24;0,05]

3)

28 - 26
= 2,5*
2
4) t TESTE = t OBSERVADO = t CALCULADO = =
4 0, 8
25

Como o valor do t teste é maior que o valor do t tabelado ou crítico,

isto, é: 2,5 > t[24;0,05] = + 1,711 , então rejeita-se a hipótese Ho.

5) Conclusões: Baseado no teste “t” de “Student” para a média, com 24

graus de liberdade e ao nível de 5% de significância, pode – se concluir
que o novo processo de sangria das seringueiras é mais eficiente que o
processo convencional, no que se refere a induzir uma maior produção
média de borracha seca das seringueiras em g/árvore/corte.
 ASSIS, J. P. , 2014 57
11.4. TESTE DE HIPÓTESE PARA A DIFERENÇA ENTRE AS MÉDIAS

( m1 - m2 ) DE DUAS POPULAÇÕES INFINITAS, COM VARIÂNCIAS (s 2

1 e s 22 )
CONHECIDAS [AMOSTRAS GRANDES E INDEPENDENTES (n1 > 30 E n2 >
30) OU PEQUENAS (n1 < 30 E n2 < 30)] OU COM VARIÂNCIAS
DESCONHECIDAS [AMOSTRAS GRANDES (n1 > 30 E n2 > 30)]
11.4.1. O TESTE DE HIPÓTESE

HIPÓTESE ESTATÍSTICA TESTE HIPÓTESE REGIÃO CRÍTICA

DE ALTERNATIVA OU REGIÃO DE
NULIDADE H1 REJEIÇÃO DA
Ho HIPÓTESE H0 [RRHO]
m1 = m 2
=
(X 1 )
- X 2 - ( m1 - m2 ) m1 < m 2 Z £ - Z (a )
m1 - m 2 = 0
ZTESTE m1 > m 2 Z ³ Z (a )
s 12 s 22
+ m1 ¹ m 2
n1 n2 Z £ - Zæ a ö e Z ³ Zæ a ö
ç 2÷ ç 2÷

( )
X 1 - X 2 - ( m1 - m2 )
è ø è ø

ZTESTE = ,
S12 S22
+
n1 n2
s 1 e s 2 conhecidos.
Ou não conhecidos.

11.4.2. EXERCÍCIO DE APLICAÇÃO

Um experimento aleatório conduzido No Estado de São Paulo em
2012, consistiu em comparar os pesos vivos ao nascer em quilogramas
de animais bovinos (bezerros) machos das raças Gir e Guzerá da
estação experimental de zootecnia de Sertãozinho, do instituto de
Zootecnia da secretária da Agricultura de São Paulo. Ao nível de 5%
de Probabilidade.

-Pesos vivos ao nascer (Kg) de Bezerros Machos Zebu. Onde:

n1 = 40; X 1 = 28, 3 Kg; S12 = 108, 37 Kg 2 ; S1 = 10,41 Kg
n2 = 50; X 2 = 23,5 Kg; S22 = 49,70 Kg 2 ; S2 = 7, 05 Kg
 ASSIS, J. P. , 2014 58
1) Ho: m 1 = m 2 \ m 1 - m 2 = 0

H1: m 1 ¹ m 2

2) α = 0,05 = 5%;

3) Z = ± 1,96
é 0,05 ù
ê 2 ú
ë û

4)

Z TESTE = Z CALCULADO =
(28,3 - 23,5) - 0 =
4, 8 - 0
=
4, 8
=
4,8
= 2,5*
(10,41)2 (7,05)2 2,7092 + 0,99405 3,70325 1,9244
+
40 50

Como o valor do Z teste é maior que o valor do Z tabelado ou crítico,

isto, é, 2,5 > Z [0,05] = ± 1,96 , então rejeita-se a hipótese Ho.

5) Conclusões: De acordo com o teste Z para a diferença entre médias,

ao nível de 5% de significância, conclui-se que os pesos vivos médios ao
nascer em quilogramas dos bezerros machos ZEBÚ, foram
estatisticamente ou significativamente diferentes. Sendo que os animais
da raça GIR os de maior peso, portanto são animais com maior
aptidão para formação de Plantel ou rebanho para abate, corte ou
engorda.
 ASSIS, J. P. , 2014 59
11.5. TESTE DE HIPÓTESE PARA A DIFERENÇA ENTRE AS MÉDIAS
( m1 - m2 ) DE DUAS POPULAÇÕES INFINITAS, APROXIMADAMENTE

NORMAIS, COM VARIÂNCIAS (s 2

1 e s 22 ) DESCONHECIDAS E

ESTATISTICAMENTE IGUAIS (s 2
1 = s 22 = s 2 ) OU SEJA, POPULAÇÕES

HOMOCEDÁSTICAS E AMOSTRAS PEQUENAS E INDEPENDENTES

(n1 < 30 e n2 < 30)
11.5.1. O TESTE DE HIPÓTESE

HIPÓTESE ESTATÍSTICA TESTE HIPÓTESE REGIÃO CRÍTICA

DE ALTERNATIVA OU REGIÃO DE
NULIDADE H1 REJEIÇÃO DA
Ho HIPÓTESE H0 [RRHO]
m1 = m 2
tTESTE =
(X 1 )
- X 2 - ( m1 - m 2 )
, com V = n1 + n2 - 2, e
m1 < m 2 t £ - t(V ;a )
m1 - m 2 = 0 1 1 m1 > m 2 t ³ t(V ;a )
SP . +
n1 n2 m1 ¹ m 2
t £ - tæ aö
e t ³ tæ aö
s 1 = s 2 mas desconhecidos, sendo çV ; 2 ÷
è ø
çV ; 2 ÷
è ø

S P2 =
( n1 - 1) S12 + ( n2 - 1) S22 , e S = S P2
n1 + n2 - 2 P

2
S MAIOR
2
< 4, e
S MENOR
V= v1 + v2 = (n1 -1) + (n2 -1) = n1 + n2 - 2

11.5.2. EXERCÍCIO DE APLICAÇÃO

Realizou-se um experimento aleatório em uma granja localizada
em Mossoró, Rn, em 2012, com 340 aves de pintos machos de um dia
de idade, da linhagem “Ross”, com o objetivo de estudar o efeito da
fonte de fósforo no ganho de peso das aves em gramas. Foram
utilizados 10 repetições por tratamento e 17 pintos por parcela e os
resultados para ganho de peso médio por parcela em gramas, estão
mostrados na tabela abaixo.
 ASSIS, J. P. , 2014 60
Tabela 4: Dados de ganhos de peso de pintos machos de um dia de
idade submetidos a tratamentos diferentes.
Termofosfato Magnesiano (X1) Fosfato Bicálcico (X2)
63,0 60,9 90,0 91,8
62,5 62,5 90,6 92,0
61,9 63,8 91,7 92,3
60,7 62,0 90,9 90,6
63,2 61,8 90,3 91,2

x 1 + x 2 + x 3 + x 4 + L + x17
Sendo que, X 11 = = 63,0 g
17
Onde temos os seguintes dados:
n1 = 10; X 1 = 62, 23 g; S12 = 0, 96 g 2 ; S1 = 0, 98 g
n2 = 10; X 2 = 91,14 g; S22 = 0, 61 g 2 ; S2 = 0, 78 g

a) Verificar se existe efeito significativo da fonte de fosfato, isto, é, se os

ganhos médios de pesos em gramas são estatisticamente iguais, ou
ainda se existe igualdade entre os tratamentos ensaiados,
considerando, α = 0,05.
2
S MAIOR 0,96
2
= = 1,6 < 4, Portanto as variâncias são iguais, s 12 = s 22 = s 2 ,
S MENOR 0,61
populações homoscedásticas.

V = 10+10-2=18; t = ± 2,101
é 0,05 ù
ê18; 2 ú
ë û

(n1 - 1)S 12 + (n2 - 1)S 22 (10 - 1) 0,96 + (10 - 1) 0,61 (9) 0,96 + (9) 0,61 14,13
S =
2
= = = = 0,785,
n1 + n 2 - 2 10 + 10 - 2 10 + 10 - 2
C
18

S C = 0,785; S C = 0,886
 ASSIS, J. P. , 2014 61
1) Ho: m 1 = m 2 \ m 1 - m 2 = 0

H1: m 1 ¹ m 2

2) α = 0,05 = 5%;

3) t = ± 2,101
é 0,05 ù
ê18; 2 ú
ë û

4)

tTESTE = tOBSERVADO = tCALCULADO = (62,23 - 91,14) - 0 = - 28,91 - 0

=
- 28,91
= -72,99*
1 1 0,886(0,447 ) 0,396042
0,886. +
10 10
Como o valor do “t” teste ou t observado é maior que o valor do
“t” tabelado ou crítico, isto, é, -72,99 < -2,101, ou então,
- 72,99 > - 2,101 , quer dizer 72,99 > 2,101, então rejeita-se a hipótese

Ho. Ou seja, o “t” observado, é significativo a 5% de probabilidade, por

isso rejeita-se a hipótese Ho.
5) Conclusões: Baseado no teste “t” de “Student” para a diferença
entre médias, com 18 graus de liberdade e ao nível de 5% de
probabilidade, pode-se concluir que houve efeito significativo da fonte
de fosfato, isto, é, houve diferença estatística (significativa), entre os
ganhos de peso vivo médio dos pintos machos de um dia de idade da
Linhagem “ROSS”, ou seja, a melhor fonte de fosfato é o fosfato
bicálcico.
 ASSIS, J. P. , 2014 62
11.9. TESTE DE HIPÓTESE PARA A PROPORÇÃO (P) DE UMA
POPULAÇÃO INFINITA, NORMAL, E COM AMOSTRA GRANDE ( n ³ 30 )

11.9.1. O TESTE DE HIPÓTESE

ESTATÍSTICA HIPÓTESE REGIÃO CRÍTICA
HIPÓTESE TESTE ALTERNATIVA OU REGIÃO DE
DE H1 REJEIÇÃO DA
NULIDADE HIPÓTESE H0 [RRHO]
Ho
P = P0 Pˆ - P0 P < P0 Z £ - Z (a )
ZTESTE =
P0q0 P > P0 Z ³ Z (a )
n P ¹ P0
Z £ - Zæ a ö e Z ³ Zæ a ö
Com população ç 2÷ ç 2÷
è ø è ø

infinita, e nPˆ > 5 ,

nqˆ > 5 , n ³ 30 ,
X
Pˆ = e q0 = 1 - P0
n

11.9.2. EXERCÍCIO DE APLICAÇÃO

Em uma granja localizada no município de Mossoró, Rn,
selecionou-se em 2012, uma amostra aleatória de 800 coelhos da raça
NOLFOX, a qual apresentou 480 machos. Ao nível de 1% de
significância, pode-se concluir que há prevalência (predominância) de
coelhos machos nessa granja?
P(Sucesso) = Número de coelhos machos
X 480
Pˆ = f = = = 0,60; qˆ = 1 - 0,60 = 0,40
n 800

P0 = 0,50 = 50% e q0 = 1 – 0,50 = 0,50 = 50%

 ASSIS, J. P. , 2014 63
1) Ho: P = P0 , P = 50% = 0,50

H1: P > 50%

2) α = 0,01 = 1%; Z [0,01] = +2,33

3)

0,60 - 0,50
@ 5,7**
0,1000000
4) Z TESTE = Z OBSERVADO = Z CALCULADO = =
0,50(1 - 0,50 ) 0,0176776
800

Como o valor do “Z” teste ou “Z” observado é maior que o valor

do “Z” tabelado ou “Z” crítico, isto, é, 5,7 > + 2,33, então, rejeita-se a
hipótese Ho.

5) Conclusões: De acordo com o teste “Z” para a proporção, ao nível de

1% de probabilidade, pode-se concluir que há prevalência de coelhos
machos nessa granja, ou melhor, nessa população de coelhos da Raça
NOLFOX.
 ASSIS, J. P. , 2014 64
1) REGRESSÃO LINEAR SIMPLES.

-Considere os pesos vivos ao nascer (x) e ao desmame (y), ambos em quilogramas (kg),
medidos em 10 bezerros (n = 10) machos da Raça Bovina GUZERÁ, os quais foram
obtidos em 2010, na cidade de Mossoró, RN.
Tabela 1 - Dados Referentes aos pesos ao nascer (x), e ao desmame (y) expressos em quilogramas de
dez bezerros machos da raça guzerá.

PESO AO PESO AO
NASCER (KG) DESMAME (KG) XY X2 Y2
X Y
25,6 48,6 1244,16 655,36 2361,96
26,9 49,8 1339,62 723,61 2480,04
27,1 50,3 1363,13 734,41 2530,09
28,6 52,4 1498,64 817,96 2745,76
26,4 49,6 1309,44 696,96 2460,16
25,8 49,0 1264,20 665,64 2401,00
26,7 49,4 1318,98 712,89 2440,36
28,7 53,0 1521,10 823,69 2809,00
27,9 52,0 1450,80 778,41 2704,00
26,9 49,7 1336,93 723,61 2470,09
SOMA 270,60 503,80 13647,00 7332,54 25402,46

n = 10 SQX = 7332,54 -
(270,60)2 = 10,10
10

X =
270 ,60
= 27,06 kg SQY = 25402,46 -
(503,80)2 = 21,02
10 10

Y =
503,80
= 50,38 kg SPXY = 13647,00 -
(270,60)(503,80) = 14,17
10 10

De acordo com os dados mostrados na tabela acima, responda de forma

detalhada os seguinte itens.
 ASSIS, J. P. , 2014 65
a) Construir o diagrama de dispersão de y em função de x;

Figura 1 - Diagrama de dispersão de Y (Peso ao desmame em kg) em função de X (Peso ao nascer

em kg).

O diagrama de dispersão da Figura acima mostra uma forte associação

linear positiva ou direta. Bezerros que nascem com o peso ao nascer maiores
significam bezerros com os pesos elevados ao desmame. A forma da relação é
linear, isto é, os pontos se dispõem segundo um padrão retilíneo. Trata-se de uma
relação forte porque os pontos estão próximos de uma reta, com pequena
dispersão. Se soubermos o peso ao nascer, poderemos predizer o peso ao desmame
com bastante precisão, a partir do diagrama de dispersão.
b) Determinar a equação de regressão linear simples através do método dos
mínimos quadrados, do peso ao desmame (y) sobre o peso ao nascer (x) e

interprete o coeficiente linear ( â ) e de regressão ( b̂ ); Yˆi = aˆ + bˆ X i .

14,172
bˆ = @ 1, 40 ; aˆ = 50,38 - (1,40)(27,06) @ 12,50 . Ou seja, a equação ou função
10,104
ajustada aos dados do peso ao desmame em quilogramas, em função do peso ao
nascer também em quilogramas, dos bezerros machos da raça Guzerá, é dada pela
seguinte equação: Yˆi = 12, 50 + 1, 40. X i .Sendo assim a interpretação é feita

conforme mostramos, aˆ = 12,50 , significa que a reta de regressão linear simples

ajustada Yˆi = 12, 50 + 1, 40. X i , intercepta ou corta o eixo das ordenadas (peso ao

desmame), no ponto de coordenadas ( 0,00;12, 50 ) , ou a uma altura a partir da

 ASSIS, J. P. , 2014 66
origem deste eixo igual a 12,50. bˆ = 1,40 , Significa que para cada 1 quilograma
de variação no peso vivo ao nascer (X), têm-se um acréscimo médio de 1,40
quilogramas no peso vivo ao desmame (Y) dos animais .
c) Testar usando o teste “t” de “Student” a 5% de probabilidade, a significância
da regressão linear simples obtida no item anterior “b”;
Procedimentos para a condução do teste de hipótese
(i) Elaborar as hipóteses; H0: β = b 0 , β = 0

H1: β ≠ b 0 , β ≠ 0
(ii) Especificar o nível de significância do teste; a = 5%

(iii) Traçar a curva do teste [Distribuição amostral do estimador, b̂]

Figura 11 - Curva da distribuição amostral do coeficiente de regressão linear simples b̂ .

V = n – p -1 = 10 -1-1; V= 10 - 2 = 8, t æ 0 ,05 ö
= ± 2,306
ç 8; ÷
è 2 ø

(iv) Calculo da Estatística Teste

Cálculos necessários para se obter a variância (S2) e o desvio padrão da
[ ]
regressão (S) além do erro padrão S (bˆ ) do coeficiente de regressão linear simples

( b̂ ).

( 14,172 ) 2
SQRe gressão = 21, 016 - = 1,138171 @ 1,140
10,104
ˆ 2 1,14
VarRe gressão = S = = 0,1425 @ 0,143
10 - 2
S = 0,1425 = 0, 3774717 @ 0, 377
0, 377 0, 377
S(bˆ ) = = = 0,11876 @ 0,119
10,104 3,1786789

bˆ - b 0 1,4 - 0
t (teste ) = ; t (teste ) = @ 11,79*
S (bˆ ) 0,11876
 ASSIS, J. P. , 2014 67
Como o tteste foi maior que o ttabelado, ou seja, (11,79) > t æ 0 ,05 ö = ± 2,306 , então
ç 8; ÷
è 2 ø

rejeita-se a hipótese H0.

(v) Conclusões: De acordo com o teste t de “Student”, para a regressão linear
simples, com 8 graus de liberdade, e ao nível de significância de 5% de
probabilidade, pode-se concluir que o coeficiente de regressão linear simples

amostral ( bˆ = 1,4 ), do peso vivo ao desmame sobre o peso vivo ao nascer, ambos
em quilogramas, dos bezerros machos da raça bovina guzerá é estatisticamente
significativo, ou significativamente diferente de zero (0).
d) Determinar e interpretar o coeficiente de determinação ou explicação (r2) e o

bˆ 2 . SQX bˆ . SPXY
2
coeficiente de não determinação ( K = 1 - r ); r =
2 2
= .100(%)
SQY SQY

r2 =
(1,40)2 (10,104) ou r2 =
(1,400)(14,172) = 0,94 r 2 = 94%
21,016 21,016
Sendo assim a interpretação é feita conforme mostramos a seguir:
Isso significa que 94% das variações no peso ao desmame (Y) em
quilogramas dos bezerros machos da raça Guzerá, são explicadas estatisticamente
pelas variações no peso ao nascer (X) em quilogramas, através da função (equação)
ajustada Yˆi = 12, 50 + 1, 40. X i , e K 2 = 1 - r 2 = 1 - 0,94 = 0,06 = 6% ; ou seja 6%

dessas variações são atribuídas a causas ou fatores aleatórios, casuais ou

estocásticos, ou devido a erros amostrais ou seja, fatores alheios a vontade do
pesquisador, pois ele não os isolou no modelo para estudar os seus efeitos nessa
pesquisa.
e) Estimar o peso no desmame (y) para um peso ao nascer (x) de 26,5 kg;
Yˆ26,5 = 12, 50 + 1, 40.(26, 5) = 49, 6 Kg

Significa que um bezerro que nascer pesando ou tendo um peso vivo de 26,5
quilogramas, terá em média ao desmame 49,6 quilogramas de peso vivo.
 ASSIS, J. P. , 2014 68
2) CORRELAÇÃO LINEAR SIMPLES.
a) Construir o diagrama de dispersão

Figura 29 - Diagrama de dispersão do peso ao desmame e do peso ao nascer ambos em

quilogramas.

b) Calcule e interprete o coeficiente de correlação linear simples de

“Pearson” (r) entre x e y, e teste sua significância a 5% de probabilidade através
do teste “t” de “Student”.
Resolução:
b.1)
14,17 14,17
r= = = + 0, 97
( 10,10 )( 21, 02 ) 14,57

Sendo assim a interpretação do valor obtido para o coeficiente de

correlação linear simples de Pearson igual a + 0,97, é feito assim: De acordo com o
valor obtido do coeficiente de correlação linear simples de Pearson (r) r = +0,97,
conclui-se que existe uma forte correlação linear simples positiva ou direta, entre o
peso ao desmame (Y) e o peso ao nascer (X) dos bezerros machos da raça Guzerá,
ambos expressos em quilogramas.
 ASSIS, J. P. , 2014 69
b.2) Aplicação do teste t de “Student”.

H0 : r = r0; r = 0
i) Elaborar as hipóteses;
H1 : r ¹ r 0 ; r ¹ 0
ii) Especificar o nível de significância,
a = 0,05
iii) Traçar a curva do teste [Distribuição amostral do estimador r]
Distribuição amostral do estimador , r
↓

Figura 20 - Curva do teste ou curva da distribuição amostral do coeficiente de correlação linear

simples de Pearson r.

V=n–2; V= 10 - 2 = 8, tæ 0 ,05 ö
= ± 2,306
ç 8; ÷
è 2 ø

r - r0 0,97 - 0 0,97
iv) Calculo da Estatística Teste; t (Teste ) = = = @ 11,3 *
1- r2 1 - (0,97 ) 0,08595
2

n-2 10 - 2
Como o tteste foi maior que o tcrítico ou ttabelado, ou seja, t (Teste ) > t æ 0,05 ö , ou ainda
ç 8; ÷
ç 2 ÷
è ø

11,30 > 2,306, então rejeita-se a hipótese H0

v) Conclusão: De acordo com o teste t de “Student”, para a correlação linear

simples, com 8 graus de liberdade e 5% de significância, pode-se concluir que, o
coeficiente de correlação linear simples amostral (r = 0,97), entre os pesos vivos ao
nascer e os pesos vivos ao desmame ambos em quilogramas dos bezerros machos
da raça Bovina Guzerá, é estatisticamente diferente de zero ou significativamente
diferente de zero.