Ermes Medeiros da Silva Elio Medeiros da Silva Valter Gonçalves Afrânio Carlos Murolo
Estatística Para os cursos de:
Economia Administração Ciências Contábeis
Terceira Edição SOLUÇÃO DE PROBLEMAS COM O USO DO EXCEL
Ermes Medeiros Elio Medeiros Valter Valter Gonçalves Afrânio Murolo
Estatística 2
Solução dos Exercícios Propostos
Material de Consulta do Professor
Terceira Edição
Portal Atlas Atlas
São Paulo Editora Atlas S.A. – 2011
Índice dos Exercícios Item 1.3 Exercícios propostos
Item 2.4 Exercícios propostos
Exercício 8 ........................ .................... .... 6
Exercício 1 ...................... ..................... . 30
Exercício 9 ........................ .................... .... 7 Exercício 10 ...................... ..................... . 8
Item 1.4 Exercícios propostos Exercício 4 ........................ .................... .... 9 Exercício 4 ...................... .................... .. 10 Exercício 5 ...................... .................... .. 11
Item 3.7 Exercícios propostos Exercício 9 ...................... ..................... . 31 Exercício 10 .................... 32
Item 5.4 Exercícios propostos Exercício 10 .................... 33
Exercício 6 ...................... .................... .. 12
Item 5.5 Exercícios propostos
Exercício 7 ...................... .................... .. 13
Exercício 2 ...................... ..................... . 34
Exercício 7 ...................... .................... .. 14
Exercício 3 ...................... ..................... . 35
Exercício 9 ...................... .................... .. 15
Exercício 4 ...................... ..................... . 36
Item 1.6 Exercícios propostos
Exercício 5 ...................... ..................... . 37
Exercício 4 ...................... .................... .. 16
Item 5.6 Exercícios propostos
Exercício 5 ...................... .................... .. 17
Exercício 4 ...................... ..................... . 38
Item 2.2 Exercícios propostos
Exercício 1 – Listão ......... 39
Exercício 5 ...................... .................... .. 18
Exercício 2 – Listão ......... 40 Exercício 4 – Listão ......... 41
Item 2.3 Exercícios propostos
Exercício 5 – Listão ......... 42
Exercício 3 ...................... .................... .. 19
Exercício 7 – Listão ......... 43
Exercício 4 ...................... .................... .. 20
Exercício 8 – Listão ......... 44
Exercício 5 ...................... .................... .. 21
Exercício 9 – Listão ......... 45
Exercício 7 ...................... .................... .. 22
Exercício 10 – Listão....... 46
Exercício 8 ...................... .................... .. 23
Exercício 14 – Listão....... 47
Exercício 9 ...................... .................... .. 24
Exercício 17 – Listão....... 48
Exercício 10 .................... 25
Exercício 21 – Listão....... 49
Exercício 12 .................... 26
Exercício 22 – Listão....... 50
Exercício 13 .................... 27
Exercício 23 – Listão....... 51
Exercício 14 .................... 28
Exercício 24 – Listão....... 52
Exercício 15 .................... 29
Exercício 26 – Listão....... 53
Exercício 27 – Listão....... 54
Exercício 4 ...................... 76
Exercício 30 – Listão....... 55
Exercício 7 ...................... 77
Item 6.6 Exercícios propostos Exercício 5 ...................... 56
Exercício 8 ...................... 78
Item 7.10 Exercícios propostos
Exercício 6 ...................... 57
Exercício 5 ...................... 79
Exercício 8 ...................... 58
Exercício 6 ...................... 80
Exercício 10 .................... 59
Item 7.10 Exercícios propostos
Item 7.2 Exercícios propostos
Exercício 8 ...................... 81
Exercício 4 ...................... 60
Exercício 9 ...................... 82
Exercício 5 ...................... 61
Item 7.11 Exercícios propostos
Item 7.3 Exercícios propostos
Exercício 3 ...................... 83
Exercício 6 ...................... 62
Exercício 6 ...................... 84
Exercício 8 ...................... 63
Exercício 9 ...................... 85
Exercício 9 ...................... 64
Item 7.12 Exercícios propostos
Item 7.4 Exercícios propostos
Exercício 1 ...................... 86
Exercício 5 ...................... 65
Exercício 2 ...................... 87
Exercício 8 ...................... 66
Exercício 3 ...................... 88
Exercício 9 ...................... 67
Exercício 5 ...................... 89
Item 7.6 Exercícios propostos
Exercício 6 ...................... 90
Exercício 9 ...................... 68
Item 8.3 Exercícios propostos
Exercício 10 .................... 69
Exercício 1 ...................... 91
Item 7.7 Exercícios propostos
Exercício 3 ...................... 92
Exercício 3 ...................... 70 Exercício 10 .................... 71
Item 7.8 Exercícios propostos Exercício 6 ...................... 72 Exercício 8 ...................... 73 Exercício 9 ...................... 74
Exercício 4 ...................... 93 Exercício 6 ...................... 94 Exercício 8 ...................... 95 Exercício 9 ...................... 96
Item 8.4 Exercícios propostos Exercício 1 ...................... 97 Exercício 2 ...................... 98
Item 7.9 Exercícios propostos
Exercício 3 ...................... 99
Exercício 3 ...................... 75
Exercício 4 .................... 100
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
4
Exercício 5 .................... 101
Item 8.7 Exercícios propostos
Exercício 6 .................... 102
Exercício 1 .................... 121
Exercício 7 .................... 103
Exercício 2 .................... 122
Exercício 8 .................... 104
Exercício 3 .................... 123
Exercício 9 .................... 105
Exercício 4 .................... 124
Exercício 10 .................. 106
Exercício 5 .................... 125
Item 8.5 Exercícios propostos
Exercício 6 .................... 126
Exercício 1 .................... 107
Exercício 7 .................... 127
Exercício 3 .................... 108
Exercício 8 .................... 128
Exercício 4 .................... 109
Exercício 9 .................... 129
Exercício 5 .................... 110
Exercício 10 .................. 130
Exercício 6 .................... 111
Item 8.8 Exercícios propostos
Exercício 7 .................... 112 Exercício 8 .................... 113 Exercício 9 .................... 114 Exercício 10 .................. 115
Exercício 1 .................... 131 Exercício 2 .................... 132 Exercício 3 .................... 133 Exercício 4 .................... 134
Item 8.6 Exercícios propostos
Exercício 5 .................... 135
Exercício 2 .................... 116
Exercício 6 .................... 136
Exercício 2 .................... 117
Exercício 7 .................... 137
Exercício 3 .................... 118
Exercício 8 .................... 138
Exercício 4 .................... 119
Exercício 9 .................... 139
Exercício 5 .................... 120
Exercício 10 .................. 140
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
5
Item 1.3 – Ex. 8 Dados b = bola branca
p = bola preta
Urna A contém 3b e 2p
Urna B contém 5b e 1p
Solução Espaço amostral: S ={ ( b1 , b2 ) , ( b1 , p2 ) , ( p1 , p2 ) , ( p1 , b2 ) }
P ( b1 ∩ b2 ) = P
P (b ) = 5 × 3 = 1 1 b1 6 5 2
b2
P ( b1 ∩ p2 ) = P
b2
P ( p1 ∩ p 2 ) = P
P ( p1 ∩ b2 ) = P
P( p ) = 1 × 3 = 1 1 p1 6 5 10
p2
b2
P( p ) = 1 × 2 = 1 1 p1 6 5 15
P( p ) = 5 × 2 = 1 1 p1 6 5 3 x
Função de probabilidade
P ( x )
0
11
22
3
13
1
20
30
2
Item 1.3 Exercícios propostos
Exercício 8 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
6
Item 1.3 – Ex. 9 Dados:
b = bola branca
A = urna A
PA = bola preta da urna A
BA = bola branca da urna A
B = urna B
BB = bola branca da urna B
vB = bola vermelha da urna B. Solução Retirar uma bola da urna A. Espaço amostral: bA, pA, com P ( bA )
3 =
7
e P ( pA )
4 =
7
.
Retirar uma bola da urna B, após a transferência: Espaço amostral: bB, pB, vB. a) A bola retirada da Urna A é branca:
P ( bB )
3 =
b) A bola retirada da urna A é preta
P ( bB )
6
2 =
A probabilidade de ocorrer bola branca é então: P ( bB )
x Função de probabilidade:
P ( x )
00
11
25
17
42
42
6 =
3 6
×
3 7
+
2 6
×
4 7
=
17 42
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
7
Item 1.3 – Ex. 10 Dados:
B = peça boa
D = peça defeituosa
Na urna: 3 peças boas e duas peças defeituosas Solução O experimento encerra quando retiramos a segunda peça com defeito ou quando retiramos a terceira peça boa, o que ocorrer primeiro. A árvore de decisão pode ser a seguinte:
D
BBDD
P ( BBDD ) =
B
BBDB
P ( BBDB ) =
BBB
P ( BBB ) =
B
BDBB
P ( BDBB ) =
D
BDBD
D
B
B
D
B
B
D
B
5
×
5
3 5
×
×
3 5
2 4 ×
2
×
4
2 4
×
×
2 4
1 3 ×
2 3
2 3 =
2 3
×
×
1 2
1 2
=
=
1 10
1 10
1 10 ×
1 2
=
1 10
etc
BDD
B
D
3
3
D
DBBD
B
DBBB
D
DBD
D
DD
O espaço amostral é equiprovável. A função de probabilidade será, então:
x P ( x )
2
3
4
0,1
0,3
0,6
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
8
Item 1.4 – Ex. 4 Dados:
L = lucro por unidade vendida
P(V) = expectativa de venda
La = lucro por unidade reaproveitada = Lucro − custo adicional P(R) = expectativa de reaproveitamento K = proporção na produção A, B, C, D = modelos de fralda descartáveis Solução A
B
C
D
L
0,04
0,08
0,02
0,10
P(V)
0,70
0,80
0,60
0,60
La
0,02
0,03
0,01
0,06
P(R)
0,30
0,20
0,40
0,40
L . P(V) + La . P(R)
0,034
0,07
0,016
0,084
K
0,50
0,30
0,10
0,10
K ( L . P (V ) + La . P ( R ) )
0,017
0,021
0,0016
0,0084
µ
( retorno ) = ∑
K ( L . P (V ) + La . P ( R ) ) = 0, 048 por unidade vendida
Item 1.4 Exercícios propostos
Exercício 4 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
9
Item 1.4 – Ex. 4 Dados
x = número de bolos vendidos no dia
P ( x = 0 ) = 0, 01 P ( x
=
P ( x = 1) = 0, 05
4 ) = 0, 29
P ( x=2) = 0, 20
P ( x = 3) = 0,30
P ( x=5) = 0,15
Solução X
0
P(x)
1
2
3
4
5
0,01
0,05
0,20
0,30
0,29
0,15
50
50
50
50
50
50
0
20
40
60
80
100
Lucro
−50
−30
−10
10
30
50
L.P(L)
− 0,5
−1,5
−2
3
8,7
7,5
2
2500
900
100
100
900
2500
2
25
45
20
30
261
375
Custo Receita
L
L .P(L)
Σ LP
( L ) = 15, 2
Σ
µ
( L ) = Σ LP ( L ) = 15, 2
σ
( L ) = 22,91
L2 P ( L ) = 756 σ
2
2
( L) = E L2 − E ( L) = 756 − 15, 22 = 524,96
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
10
Item 1.4 – Ex. 5 Dados: L = lucro na venda do automóvel Solução
Dia
2ª.
Lucro
3ª.
4ª.
5ª.
6ª.
3.000
1.800
1.080
648
388,80
0,5
0,3
0,1
0,05
0,05
1.500
540
108
32,40
19,44
2
9.000.000
3.240.000
1.666.400
419.904
151.165,44
2
4.500.000
72.000
166.640
20.995,20
7.558,27
P(L) L.P(L) L
L .P(L)
µ
σ
σ
( L ) = ∑ L . P ( L ) = 2.199,84
2
2
( L ) = E ( L2 ) − E ( L ) = 5.617.193,45 − 2.199,842 = 777.897,43
( L )
=
881,98
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
11
Item 1.4 – Ex. 6 Dados:
L = lucro no lançamento do produto
Solução L
−50.000
100.000
P(L) L . P(L)
0,8
0,2
80.000
−10.000
2
10.000.000.000
2.500.000.000
2
8.000.000.000
500.000.000
L
L . P(L)
µ
σ
σ
∑ 70.000
8.500.000.000
( L ) = ∑ L . P (L ) = 70.000
2
2
( L ) = L2 P ( L ) − L . P ( L ) = 8.500.000.000 − 70.0002 = 3.600.000.000
( L )
=
60.000
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
12
Item 1.4 – Ex. 7 Dados:
t = tempo de reparo do trem
Solução t P(t) t . P(t)
µ
5
15
0,4
0,6
2
9
∑
11
( t ) = ∑ t . P ( t ) = 11 minutos
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
13
Item 1.4 – Ex. 7 Dados:
v = vendas por visita
Solução v
1.000
1.000
1.000
1.000
P(v)
0,8
0,8
0,8
0,8
v . P(v)
800
800
800
800
µ
∑
3.200
( v ) = ∑ v . P ( v ) = 3.200
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
14
Item 1.4 – Ex. 9 Dados:
D = número de defeitos
v = preço de venda
Solução D
0
1
2
v
10
5
2,5
1,25
0,625
P(D) v . P(v)
µ
3
4
0,9
0,05
0,03
0,01
0,01
9
0,25
0,075
0,0125
0,00625
∑
9,34
( v ) = ∑ v . P ( v ) = 9,34
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
15
Item 1.6 – Ex. 4
x = peso da caixa de papelão
Dados:
yi
peso da unidade do produto
=
z peso total da caixa cheia =
P ( x ) = 200 gramas µ
( y ) = 1.000 gramas
σ
( x ) = 10 gramas
σ
( y ) = 5 gramas
i = 1,2,.....6
Solução µ
σ
σ
( z ) = µ ( 6 yi + x ) = 6 µ ( yi ) + µ ( x ) = 6 ×1.000 + 200 = 6.200 gramas 2
( z ) = σ 2 ( 6 yi + x ) = 36 σ 2 ( yi ) + σ 2 ( x ) = 36 × 25 +100 = 1.000 gramas
( z ) = 31, 62 gramas
Item 1.6 Exercícios propostos
Exercício 4 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
16
Item 1.6 – Ex. 5 Dados:
µ ( x )
x = custo unitário
µ ( p )
P = preço unitário
=
=
5
σ ( x )
20
=
0, 20
σ ( p )
=
1,5
Cf = custo fixo = 10.000 Solução a)
Custo = 1.000 x + 10.000
µ (Custo)
σ
2
Receita
=
1.000 p 2
=
15.000
200 1.000 µ ( p)
=
20.000
(Receita) = 1.0002 σ 2 ( p)
=
225.000
σ (Receita)
C)
=
µ (Receita)
µ
1.000 µ ( x) + 10.000
(Custo) = 1.0002 σ 2 ( x) = 40.000
σ (Custo)
b)
=
=
=
1.500
Lucro = 1.000 p − 1.000 x − 10.000 µ (Lucro) σ
2
=
1.000 ( µ ( p) − µ ( x ) ) − 10000 = 5.000
(Lucro) = σ 2 (Receita − Custo) = 225.000 + 40.000 = 265.000
σ (Lucro)
=
1.513,27
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
17
Item 2.2 – Ex. 5 Dados:
x = variável com distribuição de Bernoulli
σ
2
( x) = 0, 24
µ ( x )
>
0,5
Solução σ
2
( x) = p × q = 0, 24
Substituindo: Como µ ( x )
=
p + q =1
p (1 − p ) = 0, 24
ou
⇒
−
p2
q = 1− p +
p − 0, 24 = 0
⇒
p
=
0, 4 ou p
=
0, 6
p > 0,5 , a solução é µ ( x) = 0, 6
Item 2.2 Exercícios propostos
Exercício 5 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
18
Item 2.3 – Ex. 3 Dados:
x = variável com distribuição binomial
P ( S )
S = valorizar
=
0, 4 P ( F ) = 0,6
F = desvalorizar ou ficar estável Solução a) P ( x
=
10)
b) P ( x
≥
8) = P ( 8) + P ( 9) + P (10)
P ( x
=
0 ) = 0,06
c)
=
0,0001
(Tabela ou função da tabela Excel com n 10 e p =
=
0,123
=
0,4)
(Tabela ou função da tabela Excel)
(Tabela ou função da tabela Excel)
Item 2.3 Exercícios propostos
Exercício 3 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
19
Item 2.3 – Ex. 4 Dados: x = variável com distribuição binomial S = com defeito
P ( S ) = 0,30
F = sem defeito
P ( F ) = 0,70
n=4
Solução a) P ( x ≥ 2 ) = 1 − P ( x = 0 ) − P ( x = 1) = 0,3483 (Tabela ou função Excel) b) P ( x > 1) = P ( x ≥ 2 ) = 0,3483
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
20
Item 2.3 – Ex. 5 Dados:
x = variável com distribuição binomial S = defeito
P ( S ) = 0,02
F = sem defeito
P ( F ) = 0,98
n = 25
Solução
25 2 23 × 0, 02 × 0,98 = 0, 0754 2
P ( x = 2 ) =
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
21
Item 2.3 – Ex. 7 Dados:
x = variável com distribuição binomial S = não comparecer F = comparecer
P ( S ) = 0,1 P ( F )
=
0,9
n
=
22
Solução a) P ( x
≤1 =
)
0,3392
b) P ( x
=
3)
0, 2080
=
(Tabela ou função Excel)
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
22
Item 2.3 – Ex. 8 Dados:
x = variável com distribuição binomial S = candidato experiente F = candidato não experiente
Solução Expectativa de não ocorrer candidato experiente: P ( x
⇒
10 (1 − p ) = 0, 9 ⇒
Neste caso,
P ( F ) = q
10 10 = 0 ) = p 0 (1 − p ) = 0, 9 0
p = 0, 0105 . =
1 − 0, 0105 = 0,9505 .
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
23
Item 2.3 – Ex. 9 Dados: x = variável com distribuição normal S = um acidente por dia
P ( S )
F = nenhum acidente por dia
=
0,25
P ( F ) = 0,75
Lucro por atendimento = 350 Tempo parado para retificar = 6 dias
Tempo parado para trocar = 1 dia
Solução Expectativa de ganho em cinco dias = 0, 25 × 350 × 5
=
437,50
Diferença de custo caso use a retífica = 500,00 Portanto ele deve usar a retífica, pois a expectativa de ganho em cinco dias de trabalho (usando a troca), não compensa a diferença de custo.
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
24
Item 2.3 – Ex. 10 Dados:
x = variável com distribuição binomial
P ( S )
S = ser recebido
=
0,80
n
=
6
Solução
a)
P ( x ≥ 4 ) = P ( x =
=4
=6
)=
0, 24576 + 0, 393216 + 0, 262144
b) P ( x
=
6)
=
0, 2621
P ( x
=
0)
=
0, 0001
c)
) + P ( x = 5) + P ( x
= 0, 9011
(Use Tabela ou DISTRIBINOM do programa Excel)
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
25
Item 2.3 – Ex. 12 Dados:
x = variável com distribuição binomial S = cheque com problema
P ( S ) = 0,12
F = cheque bom
P ( F ) = 0,88
C = custo da mercadoria
n = 10
L = Lucro na venda
Solução
10 = 0 ) = × 0,12 0 × 0,8810 = 0, 2785 0 5 n=5 P ( x = 5 ) = × 0,12 5 × 0,88 0 = 0, 000025 5
a) P ( x
b) c)
0,5
pago
L
=
0,3C
com problema Cheque
0,12
não pago
0,5
L = − C
0,88
bom L dinheiro L
=
=
0,3C
0,3C
c1) aceitando pagamento com cheque
E ( L ) = 0,3C × 0, 2 + 0,8 0,12 ( 0,3C × 0,5 − 0,5C 00 + 0,88 × 0,3C ) E ( L ) = 0,2376C C2) não aceitando cheque para pagamento
E ( L ) = 0, 75 × 0,3C = 0, 225C Conclusão: A esperança de lucro no caso de aceitar pagamento com cheque é maior do que ocorre quando o cheque não é aceito. O pagamento com cheque deve ser mantido.
Exercício 12
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
26
Item 2.3 – Ex. 13 Dados :
x = variável com distribuição binomial S = cliente com depósito na fila n=9
Solução P(S) = probabilidade de um cliente ter depósito a fazer e de não ter hábito de usar o caixa automático para depósitos. Portanto, P ( S )
= 0, 2 × 0, 7 = 0,14
9 P ( x ≥ 1) = 1 − P ( x = 0 ) = 1 − × 0,14 0 × 0,86 9 = 0, 7427 0
Exercício 13
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
27
Item 2.3 – Ex. 14 Dados:
x = variável com distribuição binomial
P ( S ) = 0,20
S = fazer pergunta
30 minutos = tempo destinado a respostas 5 minutos = tempo para cada resposta Solução a) Ocorrer no máximo duas perguntas sem resposta, significa ocorrer no máximo oito perguntas, pois a capacidade de respostas é de seis em 30 minutos.
P ( x ≤ 8) = P ( x
=
0) + P ( x
)
= 1 + ...P
( x = 8 ) = 0,9532
n ≤ 6 ) = ∑ × 0, 2i × 0,8n −i = 0, 9 i =0 i 6
b) P ( x
O número máximo é de 20 pessoas (Acompanhe na tabela ou simule na função DISTRIBINOM do Excel, com Núm_s = 6, Tentativas = simular, Probabilidade_s=0,20, cumulativo =verdadeiro ).
Exercício 14
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
28
Item 2.3 – Exercícios propostos Dados:
Ex. 15
x = variável com distribuição binomial S = completar a ligação
P ( S ) = 0,70
n=3
Solução 10 3 1
5 0,973
4
1: vai telefonar 2: não vai telefonar
0,5
6
20
0,5
3: completa a ligação 4: não completa
0,027
2
15
5 0,5 6
5: ônibus espera 6: não espera
0,5
25 Obs. A probabilidade de o ônibus esperar é 0,50, pois não temos nenhuma informação a respeito deste fato. A probabilidade de a garota completar a ligação é:
P ( x ≥ 1) = 1 − P ( x = 0 ) = 1 − 0, 027
=
0,973 (veja Tabela ou DISTRIBINOM do Excel)
Calculando-se com auxílio da árvore de decisão a expectativa de custo caso ela vá telefonar, obtemos:
(10 + 20 ) × 0,5 × 0,973 + (15 + 25 ) × 0,5 × 0, 027 = 15,135 Caso ela não vá telefonar, o custo é 15, menor que no caso anterior. Conclusão: não deve ir telefonar
Exercício 15
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
29
Item 2.4 – Exercícios propostos Dados:
Ex. 1
x = variável com distribuição binomial
P ( S ) = 0,035
S = carro roubado
n
= 100
Solução a) P ( x
≤
2) = P ( x
Como n λ =
>
30
0) + P ( x
=
e
p
)
=1 +
P(x
=
2) .
0,05 , usaremos a aproximação de Poisson.
<
3,5 roubos para 100 carros
P ( x P ( x P ( x
=
=
=
0) = 1) = 2) =
e
3,5
−
×
3,5 0
0! e
3,5
−
×
3,51
1! e
3,5
−
Portanto, P ( x
×
3,5 2
2! ≤
=
=
0, 0302
0,105
=
0, 0,1850
2 ) = 0,3209
b) Prejuízo equivale a mais de 10 carros roubados.
P ( x
> 10
) = 0, 001
( Tabela ou DISTRBINOM do Excel)
Item 2.4 Exercícios propostos
Exercício 1 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
30
Item 3.7 – Exercícios propostos
Ex. 9
Cov ( x, y ) = −0, 02
Dados:
x 4 5
y
2 a 0,3
3 0,2 b
x
y
2
3
P ( x
4
a
0,2
5
0,3
b
0, 2 + a 0,3 + b
0,3 + a
0, 2 + b
Solução
P ( y
1)
y j )
=
0, 2 + a + 0,3 + b = 1
⇒
a + b = 0,5
ou
b
=
=
ni )
0, 5 − a
E ( x ) = 4 × ( 0, 2 + a ) + 5 × ( 0,3 + b ) . Como b = 0,5 − a então, E ( x ) = 4,8 − a E ( y ) = 2 × ( 0,3 + a ) + 3 × ( 0, 2 + b ) . Como b = 0,5 − a então, E ( y ) = 2, 7 − a
x . y
8
P ( x y ) x y ⋅ P ( x y )
a
10 0,3
12 0,2
15 b
8a
3
2,4
15 b
2) E ( x y ) = 8a + 15b + 5, 4 . Como b = 0, 5 − a então, E ( x y ) = 12,9 − 7 a
Cov ( x , y ) = E ( x y ) − E ( x ) E ( y ) = 7a + 15b + 5, 4 − ( 4,8 − a )( 2, 7 − a ) = −0, 02 Então,
a2
+
0,5a − 0, 06 = −0, 02
⇒
a = 0,1 e b = 0, 4 ou a
=
0, 4 e b = 0,1
Item 3.7 Exercícios propostos
Exercício 9 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
31
Item 3.7 – Exercícios propostos Dados:
σ ( x , y )
= −
0,344
Ex. 10
x y 2 4
1
3
5
0,1 0,2
a b
0,3 0,1
Solução 1
3
5
P ( x
y 2
0,1
a
0,3
4
0,2
b
0,1
0, 4 + a 0,3 + b
0,3
a+b
0,4
x
P ( y
=
y j )
Do quadro, 0, 7 + a + b = 1
=
b = 0,3 − a . Mas ρ ( x , y ) =
⇒
x ⋅ y
2
4
6
12
10
20
σ ( x ⋅ y )
0,1
0,2
a
b
0,3
0,1
0,2
0,8
6a
12b
3
2
x ⋅ y
⋅σ
( x ⋅ y )
6a + 12b + 6
=
xi )
6a + 12 ( 0,3 − a ) + 6
=
C o v( x, y ) σ ( x ) σ ( y )
0,344
= −
∑ 6a + 12b + 6
9, 6 − 6 a
E ( x ) = 2 × ( 0, 4 + a ) + 4 × ( 0, 3 + 0, 3 − a ) = 3, 2 − 2a E ( y ) = 0, 3 + 3 × 0, 3 + 5 × 0, 4 = 3, 2 Cov ( x , y ) = 9, 6 − 6a − ( 3, 2 − 2a ) × 3, 2 = 0, 4a − 0, 64 σ σ
σ
2
2
( x ) = 4 × ( 0, 4 + a ) + 16 × ( 0, 6 − a ) − ( 3, 2 − 2a ) = −4a 2 + 0,8a + 0, 96
2
( y ) = 0, 3 + 9 × 0, 3 + 2, 5 × 0, 4 − 3, 22 = 2, 76
2
( x , y ) =
( 0, 4a − 0, 64 )
( −0, 4a
2
2
)
+ 0,8a + 0, 96 × 2, 76
= ( −0, 344 )
2
2
Assim, 0, 4664282 a − 0, 7732858 a + 0, 096578 = 0 ⇒ a = 0,32 ou Como b
=
0,3 − a , a solução é a
=
a = 0, 20
0,20 e b = 0,10
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
32
Item 5.4 – Exercícios propostos
Ex. 10
Dados: x = variável com distribuição normal
P ( x
>
60 ) = 0, 05
P(x
<
45 ) = 0,15
Solução 1) P ( x
>
60 ) = 0,5 − P ( µ
Desta forma,
60 − µ
<
=
x
<
60 ) = 0, 05
P ( µ < x
⇒
<
60 ) = 0, 45
1,64 (veja Tabela)
σ
2) P ( x
<
45 ) = 0,5 − P ( 45 < x <
Assim também,
45 − µ
µ
) =0,15
⇒
P ( 45 < x <
)
µ =
0,35
1,04 (veja Tabela)
= −
σ
De 1 e 2 vem: 1, 64σ
2, 68σ
+
µ =
=
60
15
e ⇒
−
1, 04σ
σ =5,597
e
+
µ =
45
µ =
50,82
Portanto x : N ( 50,82 ; 31,33 )
Item 5.4 Exercícios propostos
Exercício 10 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
33
Item 5.5 – Exercícios propostos
x1
Dados:
=
Ex. 2
N ( 500 ; 4 )
x2
=
N (5 ; 0, 25 )
Solução a) x σ
=
2
x1 + x2
µ ( x )
=
µ ( x1
+
x2 ) = µ ( x1 ) + µ ( x2 ) = 500 + 5 = 505
( x ) = σ 2 ( x1 + x2 ) = σ 2 ( x1 ) + σ 2 ( x2 ) = 4 + 0, 25 = 4, 25 , visto que x 1 e x 2 são
independentes. Assim,
σ
( x ) = 2,06
b) P ( x
z
<
e x : N ( 505 ; 4, 25 )
501) = 0, 5 − P ( 501 < x < 505 )
501 505 −
=
2,06
=
1,94 de onde, P ( x
−
<
501) = 0, 5 − 0, 4738 = 0, 0262
Item 5.5 Exercícios propostos
Exercício 2 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
34
Item 5.5 – Exercícios propostos Dados:
x1
=
Ex. 3
N ( 230 ; 9 )
x2
=
N ( 30 ; 25 )
Solução
x = 20 x1 µ ( x ) σ
2
=
+
x2
µ (20 x1
+
x2 ) = 20µ ( x1 ) + µ (x 2 ) = 20 × 230 + 30
=
4.630
( 20 x1 + x2 ) = 400σ 2 ( x1 ) + σ 2 ( x 2 ) = 400 × 9 + 25 = 3.625
Portanto,
P ( x
>
σ
( x ) = 60, 21
x : N ( 4.630 ; 3.625 ) .
e
4.660 ) = 0,5 − P ( 4.630
<
x
<
4.660 )
=
0,5 − 0,1915
=
0,3085 (veja Tabela)
Exercício 3
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
35
Item 5.5 – Exercícios propostos
Ex. 4
x1 : N ( 70 ; 225 )
Dados: Solução
Carga: x = 10 x1 µ ( x) σ
2
=
µ (10 x1 )
=
10µ ( x1 ) = 10 × 70 = 700
( x ) = σ 2 (10 x1 ) = 100σ 2 ( x1 ) = 100 × 225 = 22.500
⇒
σ
( x ) = 150
Assim, x : N ( 700 ; 22.500 ) a) P ( x
>
880 ) = 0,5 − P ( 700 < x
P ( x > 880 ) = 0,5 − 0,3849 b) P ( x
>
=
<
880 )
0,1151
a ) = 0,0002 (veja bela)
⇒
z =
880 − 700
=
150
1, 20
(veja Tabela)
a − 700 150
=
3,48
ou
a
=
1.222 Kg
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
36
Item 5.5 – Exercícios propostos
x1 : N ( 60 ; 25 )
Dados:
Ex. 5
x2 : N ( 26 ; 16 )
Solução Lucro = L = 1.000 ( x1 − x2 ) µ ( L )
σ
2
=
µ (1.000 x1
−
1.000 x2 )
=
1.000 µ( x1 ) − 1.000 µ( x2 )
=
1000 (60 − 26 ) = 34.000
( L ) = σ 2 (1.000 x1 − 1.000 x2 ) = 1.000 2 (σ 2 ( x1 ) + σ 2 ( x2 ) ) = 41.000.000
σ
( L ) = 6.403,12
a)
25, 5% de
µ (vendas )
=
0, 255 × 60.000
=
15.300
P ( L > 15.300 ) = 0,5 + P (15.300 < L < 34.000 ) = 0,5 + P (0 b) 50% do custo = 0, 5 × 26.000
=
z < 3, 28 ) = 0,9982
<
z < 3, 28 ) = 0,9995
13.000
P ( L > 13.000 ) = 0, 5 + P (13.000 < L < 34.000 ) = 0, 5 + P (0 c)
<
P ( L < 0 ) = 0,5 − P ( 0 < L < 34.000 ) = 0, 5 − P ( 0 < z < 5,31 ) = 0
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
37
Item 5.6 – Exercícios propostos
Ex. 4
Dados: S = completar a ligação na primeira tentativa
P ( S ) = 0,6
n = 42
Solução Cálculo do número mínimo de sucessos: 1,5 x + 3 ( 42 − x ) = 90
⇒
x = 24
Portanto 24 ligações do tipo S e 18 ligações do tipo F completam 90 minutos. a) P ( t ≥ 90 min ) = P ( x ≤ 24 ) ≅ P ( x < 24,5 ) , para usar a normal para aproximar . No caso, N : ( 0, 6 × 42 ; 0, 6 × 0, 4 × 42 ) = N : ( 25, 2 ; 10, 08 )
z =
24,5 − 25, 2 10,08
= − 0,22
P ( t ≥ 90 min ) = 0.5 − 0, 0851 = 0, 4149
(veja Tabela)
b) P ( t = 120 min ) = P ( x = 4 ) pois 1,5 x + 3 (42 − x ) = 120
⇒ x =4
42 4 38 × 0, 6 × 0, 4 = 0 ou pela normal 4 P ( x = 4 ) = P ( 3,5 < x < 4,5 ) = P ( −6,8 < z < −6,5 ) = 0 P ( x = 4 ) =
Item 5.6 Exercícios propostos
Exercício 4 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
38
Item 5.6 – Listão
Ex. 1
Dados: x = variável com distribuição binomial, conta o número de faróis fechados S = encontrar farol fechado
n=4
P ( S ) = 0,75
Solução Av 1
Av 2
Av 3
Av 4
Av 5
Posição às 9:50 Solução: a) Para que o tempo empregado seja no máximo 10 minutos, ele deverá encontrar, no máximo, dois faróis fechados.
P ( t
≤ 10 min
) = P ( x ≤ 2 ) = 0, 2617
(ver Tabela binomial ou DISTRBINOM do Excel)
b) P (10 < t
)
< 13 =
P(x
>
2) − P (x
≤
2)
=P
(x
=3
) = 0, 4219
idem
Exercício 1 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
39
Item 5.6 – Listão Dados:
Ex. 2
x = variável com distribuição binomial S = ser imediatamente atendido
P ( S ) = 0,20
n
=
80
Solução a)
µ ( x )
σ
b)
2
=
0, 2 × 80 = 16
( x ) 0, 20
×
0,80 × 80
0, 25 × (80 − 16 ) 80
=
=
12,8
σ
( x )
=
3,58
0,20
Exercício 2 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
40
Item 5.6 – Listão
Ex. 4
Dados: x =número de carros que chegam em 4 horas ( variável com distribuição Poisson) λ = 8
clientes 4 horas
Solução
P ( x ≥ 11) = 0,184 (Tabela ou função
a) 3 carros na fila requer 11 chegadas
Poisson no Excel)
b) P ( λ , x ) = 0,85
⇒
∑
e −8 . 8 x x !
c) Na tabela ou na Poisson do Excel
= 0,85
P ( x ≤ 10 ) = 0,8159 P ( x ≤ 11) = 0,8892
Para garantir o atendimento, tenho que pensar em 11 carros. Serão 10 carros atendidos e um carro na fila de espera. Portanto, t =
4 × 60 minutos 10 carros
= 24 minutos por carro
Exercício 4 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
41
Item 5.6 – Listão Dados:
Ex. 5
x = variável com distribuição de Poisson λ = 1
defeito 80 metros
Solução a) x = mede o número de defeitos em 520 metros da bobina. λ =
520
=
80
6,5 defeitos para 520 m do plástico
P ( x ≤ 5) =0,3691 (Tabela ou Poisson do Excel) e λ . λ 0 −
b) P ( x
ln ( 0, 99 ) = −λ = 0,99 ⇒ 0! λ = 0,01 defeitos para cada 500 m, ou seja, 1 defeito para cada 50.000 m. =
0) =
=
0,99
⇒
e
− λ
Exercício 5 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
42
Item 5.6 – Listão Dados:
Ex. 7
x = quantidade de nutriente na mistura x i = quantidade de nutriente nos ingredientes, i = 1, 2, 3.
Solução a) Ingredientes na mesma proporção: x µ ( x )
σ
σ
2
=
µ (
1 3
x1
+
1 3
x2
+
1 3
x3 ) =
=
1
=
3
x2
+
1 3
x3 .
150 g por Kg
1 1 1 1 x1 + x2 + x3 = (122 + 62 + 10 2 ) = 31,11 3 3 9 3
µ ( x )
σ
+
( x ) = σ 2
( x )
2
x1
3 3 200 + 150 + 100
=
5,58 g por Kg
b) Ingredientes na proporção de 2:3:5: x
σ
1
=
2 x1
µ (
+
3x2
+
5 x3
10
)=
=
2 x1
+
3x2
+
5 x3
10
2 × 200 + 3 ×150 + 5 ×100 10
=
135 g por Kg
2 x1 + 3 x2 + 5 x3 4 × 144 + 9 × 36 + 25 × 100 = 34 = 10 100
( x ) = σ 2
( x )
=
5,83 g por Kg
Exercício 7 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
43
Item 5.6 – Listão Dados:
Ex. 8
x = quantidade de nutriente na mistura x i = quantidade de nutriente nos ingredientes, i = 1, 2, 3.
Solução X i
200 P1
P ( x i )
150 0,5 –P 1
100 0,5
E ( x ) = ∑ i xi ⋅ P ( xi ) = 200P1 + 150 ( 0,5 − P 1 ) + 50 = 140
50 P 1 = 15
⇒
P1
=
0, 30
e
P 2
=
0,20
As proporções são: 3:2:5.
Exercício 8 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
44
Item 5.6 – Listão
Ex. 9 µ ( x1 )
Dados: x 1 = número de defeitos da primeira máquina
s
X 2 = número de defeitos da segunda máquina
2 defeitos para 1.000 m
( x1 ) = 0, 4
µ ( x2 ) s
=
=
3 defeitos para 1.000 m
( x 2 ) = 0, 5
Solução Número de defeitos para rolo de 400 m (200 m cada máquina): x µ ( x )
s
s
2
=
µ (0, 2 x1
=
0, 2 x1 + 0, 2 x2
0, 2 x2 ) = 0, 2 × 2 + 0, 2 × 3 = 1 defeito por rolo de 400 m
+
( 0, 2 x1 + 0, 2 x2 ) = 0, 04 × 0, 4 2 + 0, 04 × 0,5 2
=
0, 0164
( x ) = 0,128 defeitos por rolo de 400 m
Exercício 9 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
45
Item 5.6 – Listão
Ex. 10 µ ( x1 )
Dados: x 1 = número de defeitos da primeira máquina
( x1 )
σ
µ ( x2 )
X 2 = número de defeitos da segunda máquina
=
=
=
( x2 )
σ
2 defeitos para 1.000 m 0, 4
3 defeitos para 1.000 m
=
0, 5
Solução a) Pior especificação: x = 0,4x 2 µ ( x)
=
µ (0, 4 x2 )
=
0, 4 × 3 = 1, 2 defeitos por rolo de 400 m
( x ) = σ 2 ( 0, 4 x2 ) = 0, 4 2 × 0,5 2 = 0, 04 σ (x ) = 0, 2 def rolo de 400m b) Especificação: x = 0, 7 ( 0, 4x1 ) + 0,3 (0, 4 x2 ) µ ( x ) = µ (0, 7 ( 0, 4 x1 ) + 0,3 (0, 4 x2 )) = 0, 28 × 2 + 0,12 × 3 = 0,92 def rolo de 400 m 2 2 2 2 σ ( x ) = σ ( 0, 7 ( 0, 4 x1 ) + 0, 3 (0, 4 x2 )) = 0, 28 × 0,16 + 0,12 × 0, 25 = 0,016 σ
2
( x ) = 0,13
σ
def
rolo de 400 m
Exercício 10 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
46
Item 5.6 – Listão
Ex. 14
Dados: x =número de peixes fisgados em um dia (variável com distribuição de Poisson).
µ ( x )
=
λ
=
7 peixes por dia
Solução
P ( não cumprir ) = P ( x < 12 ) = 1 − P ( x ≥ 12 ) = 1 − 0, 0532 = 0, 9468 (Tabela ou Excel)
Exercício 14 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
47
Item 5.6 – Listão
Ex. 17
Dados: x = número de crianças com mais de 5 cáries X = variável com distribuição de Poisson com
µ ( x )
=
λ 10 crianças com mais de 5 cáries cada 100 crianças =
Solução
P ( x ≤ 5 ) = 0, 067 (Tabela ou função Poisson do Excel)
Exercício 17 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
48
Item 5.6 – Listão
Ex. 21
Dados: D = depósito efetuado D: N (8.000 ; 1.0002) Solução a) P ( saldo positivo )
=
P (D
≥ 10.000
)
z =
10.000 − 8.000 1.000
=
2
P ( D ≥ 10.000 ) = P ( z > 2 ) = 0, 0228 (veja Tabela ou DIST.NORM do Excel) b) P ( débito máximo de 5.000 )
=
P ( D ≥ 5.000 )
z =
5.000 − 8.000 1.000
= −3
P ( D ≥ 5.000 ) = P ( z > −3 ) = 0,9986
Exercício 21 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
49
Item 5.6 – Listão
Ex. 22
Dados: x = mede o número de chamadas recebidas pela empresa X = variável com distribuição de Poisson
µ ( x ) = λ =
50 60
×
12 = 10 ligações por 12 minutos
Solução
P ( x ≥ 12 ) = 0, 3033 (veja Tabela ou função POISSON no Excel)
Exercício 22 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
50
Item 5.6 – Listão
Ex. 23
Dados: x : N ( 25 ; 12 ) mede a valorização do terreno em %.
y : N ( 20 ; 4 ) mede a valorização do investimento no mercado financeiro em %. Solução
P ( x ≥ 16 ) = P ( 0 < z < 2, 60 ) + 0,5 P ( y
≥ 16
= 0, 4953 + 0,5 = 0,9953
) = P ( 0 < z < 2 ) + 0, 5 = 0, 4772 + 0, 5 = 0,9772
Nas condições apresentadas, o investimento em terreno é o preferido.
Exercício 23 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
51
Item 5.6 – Listão
Ex. 24
Dados: x = variável normal, representa as vendas por número do calçado, com
µ ( x)
=
39 .
Solução Cálculo de σ ( x ) para as condições do problema. Para 95% da área sob a curva normal, devemos ter z = 1,96 . Como x assume valores inteiros, devemos ter: 42, 5 − 39 σ
( x )
=
1,96
⇒
σ
Então, x : N ( 39 ; 1, 7852 ) .
( x ) = 1, 785 .
Considerando uma área de 70% sob a curva normal, teremos: 35%
⇒
35%
⇒
z = 1,04 . Desta forma,
x2
z = −1,04 . Desta forma,
−
39
1,785 x1
−
=
1, 04 o que acarreta x2
39
1,785
=
=
1, 04 o que acarreta x1
−
40,85
=
37,15 .
Hipóteses para 70% de área, preservando os calçados com números mais vendidos: 1) De 36,5 a 40,5. Área 71,87%. Abandonar calçados de números 36, 41, 42. 2) De 37,5 a 40,5. Área 60%. Inviável 3) De 37,5 a 41,5. Área de 71,87%. Abandonar calçados de números 36, 37, 42. As hipóteses 1 e 3 são soluções para o problema.
Exercício 24 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
52
Item 5.6 – Listão
Ex. 26
Dados: x = representa a medida do molde.
x
=
N ( µ ( x ) ; 0, 22 )
Solução Devemos procurar a média do molde para que 10% das peças moldadas fique acima de 30,5 Cm.
10%
⇒
z
=
1, 28
ou
30,5 − µ ( x) 0, 2
=
1, 28
⇒
Assim, o número de peças fundidas deve ser dado por: n
µ ( x)
=
=
30, 244
30, 244 − 30 0,004
=
61 peças .
Exercício 26 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
53
Item 5.6 – Listão
Ex. 27
Dados: vr = velocidade real do carro. Vl = velocidade mostrada no velocímetro
Solução Como o velocímetro marca velocidade ( vv) 5% a menos que a velocidade real vr,devemos ter:
vl
=
0,95vr ou vr =
Assim, vr
P ( v
2 >
0,95
. Na marca de 98 km/h no velocímetro teremos vr =
98 0,95
.
vl 98 ; 22 e no caso, vr = N ; 22 = N 0,95 0,95
100 − z =
vl
98 0,95
=
1,58
100 ) = 0,5 + P ( 0 < z < 1, 58 )
=
0, 5 + 0, 3413
=
0,9429
Exercício 27 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
54
Item 5.6 – Listão
Ex. 30
Dados: A primeira opção é formada por 3 trechos com tempos de percurso normais:
T 1: N (1,5 ; 0, 25 )
T 2 : N ( 2, 0 ; 0,16 )
T 3 : N (0,5 ; 0, 01 )
A segunda opção é formada por 4 trechos com tempos de percurso normais:
T 1: N (1, 0 ; 0, 09 )
T 2 : N (1, 0 ; 0, 04 )
T 3 : N (1, 0 ; 0,16 )
T 4 : N (1, 0 ; 0,10 )
Solução A soma das normais que formam o primeiro trecho T 1 + T 2 + T 3 : N ( 4 ; 0, 42 ) A soma das normais que formam o segundo trecho T 1 + T 2 + T 3 + T 4 : N ( 4 ; 0, 39 ) As opções apresentam a mesma média de 4 horas. Como a segunda opção apresenta menor variabilidade, é a mais confiável.
Exercício 30 – Listão
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
55
Item 6.6 – Ex. 5 Solução Consultando a Tabela para n = 8 graus de liberdade, encontramos o valor 17,53 associado à probabilidade 0,025.
(
2
Portanto, P χ
)
≤ 17,53 = 1 − 0, 025 =
0,975
No Excel a função DIST.QU com os parâmetros X: 17,53 e GRAUS_LIBERDADE: 8,
(
2
fornece P χ
≥ 17, 53
) = 0, 025
Item 6.6 Exercícios propostos
Exercício 5 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
56
Item 6.6 – Ex. 6 Solução Consultando a Tabela para n = 25 graus de liberdade, obtemos na coluna 0,975 o valor
K 1
=
13,12 e na coluna 0,025 o valor K 2
=
40,65
No Excel a função INV.QUI fornece os valores com Probabilidade: 0,975 e 0,025 e GRAUS_LIBERDADE: 25
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
57
Item 6.6 – Ex. 8 Solução Consultando a Tabela para n = 10 graus de liberdade o valor 3,94, obtemos 0,950.
(
2
Portanto P χ ,94
P ( χ 2
>
)
=
0, 95 . Consultando o valor 20,48 obtemos 0,025. Portanto
20, 48 ) = 0, 025 .
(
Assim, P 3, 94
<
2
χ
<
20, 48 ) = 0,95 − 0, 025
=
0,925
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
58
Item 6.6 – Ex. 10 Solução Consultando a Tabela da variável normal padrão o valor P ( z valor z
=
<
k ) = 0,40, obtemos o
1, 28 . Portanto, P ( z > 1, 28 ) . = 0,10 .
2
2
Substituindo na fórmula de χ , obtém-se: χ
(
1, 28 + 2 × 40 − 1
=
2
)
2 =
51,696 .
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
59
Item 7.2 – Ex. 4 Dados: x tem distribuição de Poisson com média Amostra com n
=
µ ( x )
=
5
100 elementos.
Solução Como
µ ( x) =
5
µ ( x )
=
Assim,
⇒
x
=
σ
5
2
e
( x ) = 5 ou seja, σ ( x ) = σ
5
5
( x ) =
100
Fazendo a aproximação da distribuição de Poisson pela distribuição normal:
z =
5, 5 − 5 5
=
2,24 .
100 Procurando na distribuição normal padrão o valor z
=
Portanto, P ( x
= 0, 0125
≥
6 ) = 0,5 − P ( x
≤
6 ) = 0,5 − 0, 4875
2,24 obtém-se 0,4875.
Item 7.2 Exercícios propostos
Exercício 4 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
60
Item 7.2 – Ex. 5 Dados:
x = variável com distribuição normal, mede o rendimento dos títulos em uma
carteira de investimentos. µ ( x )
=
0,10
σ
( x ) = 0, 02
Retirada amostra de 40 elementos (n = 40)
Solução A distribuição amostral das das médias de 40 elementos tem:
µ ( x )
=
µ ( x )
=
0,10
Queremos avaliar P ( x
e
>
σ
( x ) =
σ
( x ) 40
=
0,09 ) . Neste caso z =
0,02 40
=
0,00316
0, 09 09 − 0,10 0,02
= −
3,16
40 Consultado a Tabela obtemos P ( x
>
0, 09 ) = 0, 4992 + 0, 5 = 0, 9992
(na função DIST.NORMAL do Excel com os parâmetros X: 0,09; Média: 0,10; Desv_Padrão:0,0316 e Cumulativo: Verdadeiro, obtemos P ( x
<
0, 09 ) = 0, 0008 )
Exercício 5
Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Murolo Murolo Estatística 2 | Ermes Medeiros
61
Item 7.3 – Ex. 6 Dados:
x = variável com distribuição normal
Amostra com σ ( x ) Classes 1 2 3 4 5 6
= 2:
Int classe 5 7 7 9 9 11 11 13 13 15 15 17
f i 3 7 10 8 7 5
Solução
x =
∑ xi f i = 448 = 11, 11, 20 f 40 ∑ i
P x − zα
σ
2
( x ) n
< µ ( x) < x + z
2
2
40
P (10, 55 <
µ ( x )
( x)
α
P 11, 20 − 2, 05
σ
= 1 − α n
< µ ( x) < 11, 20 − 2, 05
2
= 0, 96
40
< 11, 85 ) = 0, 96
Item 7.3 Exercícios propostos
Exercício 6 Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Murolo Murolo Estatística 2 | Ermes Medeiros
62
Item 7.3 – Ex. 8 Dados: Amostra: n = 100; x
=
2,40 ;
σ
2
( x ) = 0,16;
σ
( x ) = 0, 4 ;
1 − α = 0, 90
Solução
1 − α = 0, 90
P x − zα
2
σ
⇒
( x ) n
z = 1, 64
< µ ( x) < x + z
α
2
0, 4
100
P 2, 40 − 1, 64
σ
( x)
= 1 − α n
< µ ( x) < 2, 40 + 1, 64
0, 4
= 0, 90
100
P ( 2, 33 < µ ( x ) < 2, 47 ) = P ( x ) = 0, 90
Exercício 8
Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Murolo Murolo Estatística 2 | Ermes Medeiros
63
Item 7.3 – Ex. 9 Dados: Amostra: n = 100; x = 2,40 ;
σ
2
( x ) = 0,16;
σ
( x ) = 0, 4 ; 1 − α = 0,80
Solução
P x − zα
σ
2
1 − α = 0,80
( x ) n
< µ ( x ) < x + z
α
2
σ
( x)
= 0,80 n
⇒ z = 1, 28
0, 4
100
P 2, 40 − 1, 28
< µ ( x) < 2, 40 + 1, 28
0, 4
= 0,80
100
P ( 2,35 < µ ( x ) < 2, 45 ) = 0,80 Conclusão: O preço máximo deve ser menor que 2,35 um/Kg
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
64
Item 7.4 – Ex. 5 Dados: População: N=40 máquinas. Amostra: n=5 máquinas
x
=
4
σ
1 − α = 0,98
( x ) = 0,15 × 4 = 0, 6
Solução Como a amostra representa mais de 5% da população, devemos usar o fator de correção
P x − zα
σ
2
( x )
N − n
n
N − 1
< µ ( x) < x + z
σ
α
2
( x)
N −n
n
N − 1
0, 6
40 − 5
= 1 − α
1 − α = 0, 98 ⇒ z = 2,33
P 4 − 2,33
0, 6
40 − 5
5
40 − 1
< µ ( x) < 4 + 2,33
5
= 0,98
40 − 1
P ( 3, 41 < µ ( x ) < 4, 59 ) = 0,98 a) A previsão mínima para o tempo de concerto é de 3,41 h e a previsão máxima é de 4,59 h. b) Estimativa pontual: 4 × 40 = 160 h
Item 7.4 Exercícios propostos
Exercício 5 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
65
Item 7.4 – Ex. 8
x Dados: População: 80 unidades σ
=
120 u.m 1 − α = 0,95
Amostra: 10 unidades
( x ) = 20 u.m.
Solução Como a amostra representa mais de 5% da população devemos usar o fator de correção.
e = z α Erro padrão de estimativa:
e = 1,96
20
80 − 10
10
80 − 1
=
σ
2
11, 67
( x ) n
N
−
n
N − 1
P (120 − 11, 67
1 − α = 0, 95 z = 1,96
<
µ ( x)
<
120 + 11, 67 ) = 0,95
P (108,33 < µ ( x) < 131, 67 ) = 0,95 Se ele pode pagar no máximo 3% do valor dos títulos, com 95% de confiança ele pode pagar entre 3% de 108,33 = 3,25 e 3% de 131,67=3,95
a) Sim, pode pagar 3,00 b) Não, pois não pode pagar mais que 3,95
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
66
Item 7.4 – Ex. 9 Dados: x = variável normal, mede o tempo de emissão da nota fiscal População: 100 NF
Amostra: 40 NF com x
Vamos considerar
( x ) = 0, 30 × 20 ≅ 6 min .
σ
=
20 min
Solução Como a amostra representa mais de 5% da população, devemos aplicar o fator de correção. Dado 1 − α = 0,95 , temos z α
= 1,96 .
Neste caso, o erro padrão de
2
estimativa é:
e = z α 2
σ
( x )
N
−n
N − 1
n
P ( 20 − 1, 45 < µ ( x) < 20 + 1, 45 )
=
= 1, 96
6
100 − 40
40
P (18,55 < µ ( x)
100 − 1 <
= 1, 45
21, 45 )
= 0, 95
O tempo médio mínimo para preenchimento manual é de 18,55 min, contra o tempo do computador de 12 min. O ganho será, portanto G
=
∆t
t
=
18, 55 − 12 18,55
=
0,3531 ou 35,31%.
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
67
Item 7.6 – Ex. 9 Dados: x = variável normal, mede o preço de venda do produto. Amostra: 40 elementos com x
=
26 e s ( x ) = 2 .
Solução Para 1
−
α
e = t 0,10; 39
=
0,90 , t 0,10; 39 = 1,68 . O erro padrão de estimativa é:
s ( x ) n
=
1, 68
2 40
Portanto, P ( 26 − 0, 53 <
=
0,53 .
µ ( x)
<
26 + 0,53 ) = P ( 25, 47
<
µ ( x)
<
26,53 ) = 0, 90 .
Como 50% de 25,47 é 12,73, o custo máximo para garantir certamente a viabilidade é de 12,73 u.m.
Item 7.6 Exercícios propostos
Exercício 9 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
68
Item 7.6 – Ex. 10 Dados: x = variável normal, mede o tempo gasto na visita ao cliente Y = variável normal, mede a venda por cliente visitado Amostra com 10 elementos de uma população com 65 elementos fornece:
x
=
90
y = 650
s ( x ) = 13
s ( y ) = 100
Solução Intervalo de confiança de 80% para o tempo médio de visita:
P 90 − t0,1: 9
65 − 10
13
65 − 1
10
< µ ( x) < 90 + t 0,1: 9
65 − 10
13
65 − 1
10
= 0,80
P ( 84, 74 < µ ( x) < 95, 26 ) = 0,80 Intervalo de confiança de 80% para a Vanda média por cliente:
P 650 − t0,1: 9
100
65 − 10
10
65 − 1
< µ ( x) < 650 + t 0,1: 9
100 10
65 − 10
65 − 1
= 0,80
P ( 609,55 < µ ( y) < 690, 45 ) = 0,80 Número de clientes visitados por mês na previsão otimista:
80 × 60 84,74
=
57
Receita no mês com a previsão otimista: 57 × 690, 45 = 39.355, 65 Comissão no mês neste caso: 4% de 39.355, 65 = 1.574, 23
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
69
Item 7.7 – Ex. 3 Dados: x = variável normal
População: N = 100 elementos
σ
( x ) = 4
Erro padrão de estimativa máximo admitido: e = 2 Nível de confiança: 1
−
α
=
0, 98
Solução
z n=
2
α
σ
( x ) N
2
e2 ( N
−
1) + z 2
2
α
σ
( x)
=
2,332 × 4 2 × 100 22 (100 − 1) + 2,332
×
42
=
18
2
Item 7.7 Exercícios propostos
Exercício 3 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
70
Item 7.7 – Ex. 10 Dados: x = variável normal, mede o rentabilidade de empresas de uma indústria Amostra de n = 10 elementos fornece: x = 0,05 Erro máximo permitido: e
=
0,01
s ( x ) = 0,016
Nível de confiança: 1
−
α
=
0,95
Solução 2
t × s ( x) 2 2, 26 × 0, 016 2 n= = 13, 075 = e 0,01 α
ou
14 elementos
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
71
Item 7.8 – Ex. 6 Dados: x = variável binomial. S = mulher. Amostra de n = 100 elementos forneceu:
pˆ
=
0,40 .
Nível de confiança 1 − α = 0, 98 . Solução Para 1 − α
=
0, 98 devemos ter z
α
=
2, 33 .
2
ˆ −z a) P p
ˆˆ pq α
2
n
P 0, 4 − 2, 33 P ( 0, 2859 < p
< p < pˆ − z
α
2
0, 4 × 0, 6 100 <
ˆˆ pq
= 1 − α n
< p < 0, 4 + 2,33
0, 4 × 0, 6 100
= 0, 98
0,5141) = 0, 98
b) Não. A proporção pode ser maior que 50%.
Item 7.8 Exercícios propostos
Exercício 6 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
72
Item 7.8 – Ex. 8 Dados: x = variável binomial. S = bóia com defeito Amostra de n = 50 bóias de população de N = 2.000 bóias: Nível de significância:
α
=
0,04
Solução Como a proporção de elementos da amostra
n N
=
50 2.000
=
0, 025 < 0, 05 , não
usaremos o fator de correção.
pˆ =
2 50
= 0,04 e z
P pˆ − z
α
=
z 0,02
=
2,05
2
ˆˆ pq α
2
n
P 0, 04 − 2, 05
P ( −0, 0168 < p
< p < pˆ + z
α
2
0, 04 × 0,96 50 <
0, 0968 )
=
ˆˆ pq
n
= 1 − α
< p < 0, 04 + 2, 05
0,96
ou
P (0
0, 04 × 0, 96 50 <
p
<
= 0,96
0, 0968 )
=
0, 96
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
73
Item 7.8 – Ex. 9 Dados: x = variável binomial Intervalo de confiança para a proporção de bóias defeituosas ao nível de confiança de 96%:
P ( 0 < p
<
0, 0968 ) = 0,96
Lucro por bóia vendida: 5 u.m. Prejuízo por bóia vendida com defeito: 3.u.m Solução Valor esperado do lucro por bóia na pior hipótese, isto é, assumindo a proporção de defeituosas de 0,0968.
3
−
3 × 0, 0968 + 5 × 0,9032 = 4, 2256
0,0968
−
0,9032
5 Portanto, o lucro esperado para o lote na visão pessimista é:
2.000 × 4, 2256 = 8.451, 20 u.m. o que supera a meta de 8.000 u.m.
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
74
Item 7.9 – Ex. 3 Dados: x = variável binomial. S = escolha da embalagem E 2 . Amostra de n = 100 elementos forneceu pˆ = 0,42 . Nível de confiança:
1 − α = 0, 96
Erro máximo admitido: e = 0,06. Solução
1 − α = 0, 96
⇒
z = z 0,02 = 2, 05. α
2
2
ˆˆ z pq 2, 052 × 0, 42 × 0,58 2 = = 284,37 ou n = 285 elementos n= 2 2 α
e
0,06
Item 7.9 Exercícios propostos
Exercício 3 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
75
Item 7.9 – Ex. 4 Dados: x = variável binomial. S = escolha da embalagem E 2 . Amostra de n = 100 elementos forneceu pˆ Nível de confiança:
1
−
α
=
=
0,42 .
0,96 .
Erro máximo admitido: e = 0,06. Solução Para o nível de confiança 1
−
α
=
0, 96 , z = z 0,02 = 2,05 . α
2
ˆ Se não há confiança no resultado do levantamento feito, devemos usar a proporção p
=
0,50
(o que significa sem informação a respeito da proporção de sucessos e, em consequência a maior amostra para o nível de significância adotado). 2
ˆˆ z pq 2, 052 × 0,50 × 0,50 2 n= = = 291,84 2 2 α
e
0,06
ou n = 292 elementos.
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
76
Item 7.9 – Ex. 7 +
Dados: x = variável binomial. S = indivíduo com sangue tipo O . Amostra de n = 50 elementos forneceu pˆ = 0,32 . Nível de confiança:
1 − α = 0,96 .
Erro máximo admitido: e = 0,03. Solução Para o nível de confiança de 0,96 teremos z
α
= z 0,02 = 2,05 .
2
Como a amostra representa
50
= 0, 083 > 0, 05 dos elementos da população,
600 devemos usar o fator de correção. 2
ˆˆ z pqN 2, 052 × 0,32 × 0,38 × 600 2 n= 2 = = 377,47 , ou seja 378 ˆ ˆ 0, 032 ( 600 − 1) + 2, 05 2 × 0,32 × 0, 68 e ( N − 1) + z pq α
α
2
elementos.
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
77
Item 7.9 – Ex. 8 Dados: x = variável Binomial. S = sair face 5 no lançamento do dado Amostra de n = 10 elementos forneceu a proporção de sucessos :
pˆ
2 =
10
=
0,20 . Nível de confiança: 1
−
α
=
0, 90 .
Erro máximo permitido e = 0,02 . Solução Para 1
−
α
=
0,90 devemos ter z = z 0,05 = 1,64 . α
2
2
ˆˆ z pq 1, 642 × 0, 2 × 0,8 2 n= = = 1075,84 ou seja n = 1.076 elementos. 2 2 α
e
0,02
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
78
Item 7.10 – Ex. 5 Dados: x 1 = variável normal. Amostra de n 1 = 30 elementos forneceu:
x1 = 40
s ( x1 ) = 2,3
x 2 = variável normal. Amostra de n 2 = 30 elementos forneceu:
x2 = 50
s ( x2 ) = 4,2
Nível de confiança: 1 − α = 0,90
t α
⇒
=
t 0,05
=
1, 68 .
2
Solução Temos que calcular o número de graus de liberdade 2
s12 s2 2 + n n 2 1 GL = −2= 2 2 2 2 s1 s2 n1 + n2 n1 + 1 n2 + 1 Erro padrão: e = z α 2
P ( ( 50 − 40 ) − 1, 47 < P ( 8,53 <
µ ( x1 )
−
s12 n1
+
s2 2 n2
2
2,32 4, 2 2 + 30 30 − 2 = 46, 06 2 2 2 2 2,3 4, 2 30 + 30 30 + 1 30 + 1 = 1, 68
µ ( x1 ) − µ ( x 2 )
µ ( x2 )
<
<
2,32 30
+
4, 2 2 30
ou GL = 46
= 1, 47
( 50 − 40 ) + 1, 47 ) = 0,90
11, 47 ) = 0,90
Item 7.10 Exercícios propostos
Exercício 5 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
79
Item 7.10 – Ex. 6 Dados: x 1 = variável normal. Amostra de n 1 = 20 elementos forneceu: x1 x 2 = variável normal. Amostra de n 2 = 20 elementos forneceu: x2
=
1.000
=
120
s ( x1 ) = 5 s ( x2 ) = 3
Nível de confiança: 1 − α = 0,95 . Solução Temos que calcular o número de graus de liberdade da distribuição t: 2
s12 s2 2 + n n2 1 −2 = GL = 2 2 2 2 s1 s2 n1 + n2 n1 + 1 n2 + 1 ⇒
t α
t
= 0,05 =
2
52 32 + 20 20 − 2 = 32,39 2 2 2 2 5 3 20 + 20 20 + 1 20 + 1
ou GL = 32
2, 04
2
Erro padrão: e = z α 2
s12 n1
+
s2 2 n2
= 2, 04
52 20
+
32 20
= 1,82
P ( (1.000 + 120 ) − 2, 66 < µ( x1 ) − µ ( x2 ) < (1.000 +120 ) + 2, 66 ) = 0,90 P (117,34 < µ ( x1 ) + µ ( x2 ) < 1.122, 66 ) = 0, 90
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
80
Item 7.10 – Ex. 8 Dados: Q x 1 = quantidade de pó de café usada
x 1 = custo correspondeste do café
Q x 2 = quantidade de açúcar usado
x 2 = custo correspondente do açúcar
Após amostra de 30 elementos foram anotados Insumos
custos
Qx1 = 10
s ( Qx1 ) = 1,2
x1 = 0,05
Qx2 = 13
s ( Qx2 ) = 3
x2 = 0, 0117
s ( x1 ) = 0,006 s ( x2 ) = 0, 0027
Solução Cálculo do número de graus de liberdade da distribuição t;
GL ≅
s12 s2 2 + n 1 n2 2
2
2
s s2 n1 + n2 n1 + 1 n2 + 1 2 1
2
−2=
0, 006 2 0, 0027 2 + 30 30 2
2
2
0, 006 0, 0027 30 + 30 30 + 1 30 + 1 2
2
− 2 = 41, 06 ⇒ GL = 41
Portanto, t 0,0025 ; 41 = 2,02 .
Erro padrão: e = t α 2
s 2 ( x1 ) n1
+
s 2 ( x2 ) n2
=
2, 02
0, 0062 30
+
0, 0027 2 30
=
0, 00243
P ( x1 + x2 − e < µ ( x1 ) + µ ( x2 ) < x1 + x2 + e ) = 0,95 P ( 0, 05 + 0, 0117 − 0, 00243 < µ( x1) + µ ( x2 ) < 0, 05 + 0, 0117 + 0, 00243 ) = 0, 95 P ( 0, 059 < µ ( x1 ) + µ ( x2 ) < 0, 064 ) = 0,95 , é o intervalo de confiança de 95% para o custo do cafezinho.
Item 7.10 Exercícios propostos
Exercício 8 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
81
Item 7.10 – Ex. 9 Dados: Amostra da demanda d: 160, 140, 138, 157, 169, 150 Amostra da produção p: 160, 140, 120, 100, 150, 130 Nível de confiança: 1 − α = 0, 90 Solução
Demanda: d = ∑
d i n
∑ p p =
i
n
=
=
904 6
800 6
s ( d ) = 11, 41
= 150,67
s 2
= 133,33 s
2
∑ (d ( d ) =
i
− d )
2
=
n −1
∑ ( pi − p ) ( p) =
2
n −1
=
651,33 5
= 130,27
2.333,33 5
= 466,67
s ( p ) = 21, 60
Cálculo dos graus de liberdade: 2
2
s12 s2 2 11, 412 21, 60 2 + + n n 6 6 1 2 −2= − 2 = 8, 62 ⇒ GL = 8 GL ≅ 2 2 2 2 2 2 2 2 s1 s2 11, 41 21, 60 6 + 6 n1 + n2 6 +1 6 +1 n1 + 1 n2 + 1 tα = t 0,05 = 1,86 . Erro padrão e = t α 2
2
s 2 ( d )
n1
+
s2 ( p) n2
= 1,86
11, 412 6
+
21, 6 2 6
= 18, 55
P ( d − p ) − e < µ (d ) − µ ( p ) < (d − p ) + e = 1 − α
P (150, 67 − 133, 33 − 18, 55 < µ ( d ) − µ ( p) < 150, 67 −133, 33 +18,55 ) = 0,90 P ( −1, 21 <
µ (d )
− µ ( p ) < 35,89 ) = 0,90
O intervalo mostra que não podemos afirmar que a demanda excede a produção em pelo menos 10 unidades.
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
82
Item 7.11 – Ex. 3 Dados: x 1 = variável binomial
S = escolha da marca A de yogurte
X 2 = variável binomial
S = escolha da marca A de margarina
Amostra de n = 50 elementos mostrou: pˆ1 Nível de confiança: 1
−
α
=
=
pˆ 2
0,26
=
0,30
0, 90
Solução
z
α
=
z 0,05
=
1,64
2
Erro padrão: e
=
pˆ1qˆ1
z
α
n1
2
P ( pˆ 2
−
pˆ1
−
e < p2
−
p1
P ( 0,30 − 0, 26 − 0,147 P ( −0,107 < p2
−
+
p1
<
<
<
pˆ 2 qˆ2 n2
pˆ 2
p1
−
−
=
1, 64
0, 26 × 0, 74 50
+
0,30 × 0, 70 50
=
0,147
pˆ 1 + e ) < 1 − α
p2
<
0,30 − 0, 26
+
0,147 )
=
0,90
0,187 ) = 0,90
Item 7.11 Exercícios propostos
Exercício 3 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
83
Item 7.11 7.11 – Ex. 6 Dados: x 1 = variável binomial
S = usar carro próprio
Amostra 1 de n = 36 elementos fornece: X 2 = variável binomial
pˆ1
=
8 36
=
0,222
S = usar carro próprio
Amostra 2 de n = 40 elementos fornece: Nível de confiança: 1 − α
pˆ 2
=
8 40
=
0,20
0, 96
=
Solução
1 − α = 0, 96
z
⇒
=
α
z 0,02
2, 05
=
2
pˆ1qˆ1
Erro padrão: e = z
α
n1
2
P ( pˆ 2
−
pˆ1
−
e
<
p2
−
p1
P ( 0, 22 − 0, 20 − 0, 0939 P ( −0,170 < p2
−
p1
+
<
pˆ 2 qˆ2
=
n2
pˆ 2
−
pˆ1
+
<
p1
−
p2
<
=
0, 22 × 0, 78 36
+
0, 20 × 0, 80 400
=
0, 0939
e ) < 1 − α
<
0, 214 )
2, 05
0, 22 − 0, 20 + 0, 0939 ) = 0, 96
0, 96
Exercício 6
Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Murolo Murolo Estatística 2 | Ermes Medeiros
84
Item 7.11 7.11 – Ex. 9 Dados: x 1 = variável binomial
S = cliente da empresa A
pˆ1
Amostra 1 de n = 80 elementos fornece: X 2 = variável binomial
26
=
=
80
0,325
S = cliente da empresa A
pˆ 2
Amostra 2 de n = 70 elementos fornece:
=
35 70
=
0,50
Nível de confiança: 1 − α = 0, 90 Solução
1 − α
=
0, 90
z
⇒
α
=
z 0,05
=
1, 64
2
pˆ 1qˆ1
Erro padrão: e = z
α
2
P ( pˆ 2
−
pˆ1
−
e < p2
−
+
pˆ 2 qˆ 2
n1
p1
<
n2
pˆ 2
−
P ( 0, 50 − 0, 325 − 0,13031 < p1 P ( 0, 045 < p2
−
p1
<
=
pˆ1 −
+
p2
1, 64
0, 325 × 0, 675 80
+
0, 50 × 0, 50 70
=
0,13031
e ) < 1 − α <
0, 50 − 0, 325 + 0,13031 ) = 0, 90
0, 305 ) = 0, 90
Nesse nível de confiança, fica claro que a proporção certamente melhorou.
Exercício 9
Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Murolo Murolo Estatística 2 | Ermes Medeiros
85
Item 7.12 7.12 – Ex. 1 Dados: x = variável normal, mede o número de peças defeituosas com Amostra de n = 51 elementos fornece: Nível de confiança:
σ
2
( x ) = 16 .
s 2 ( x ) = 14
1 − α = 0, 98
Solução Para o nível 1 − α = 0, 98 com n = 51 e Graus de liberdade n − 1 = 50 teremos (Tabela ou função INV.QUI do Excel) Probabilidade: 0,98 e GL: 50 ⇒ χ 1 = 29,71 2
Probabilidade: 0,02 e GL = 50 ⇒ χ 2 = 76,15 2
s 2 ( x ) ( n − 1) s 2 ( x ) ( n − 1) 2 P < σ ( x) < = 1 − α 2 2 χ 2 χ 1 14 × 50
P
76,15
< σ 2 ( x ) <
14 × 50
= 0,98
29, 71
P ( 9,19 < σ 2 ( x ) < 23, 56 )
=
0, 98
Item 7.12 Exercícios propostos
Exercício 1 Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Murolo Murolo Estatística 2 | Ermes Medeiros
86
Item 7.12 – Ex. 2 Dados: x 1 = variável normal, mede a TIR do projeto Amostra de n = 81 elementos fornece: Nível de confiança:
s ( x ) = 4
1 − α = 0,95
Solução Para o nível 1 − α = 0, 95 com n = 81 e Graus de liberdade n − 1 = 80 teremos (Tabela ou função INV.QUI do Excel) Probabilidade: 0,95 e GL: 80 ⇒ χ 1 = 60,39 2
Probabilidade: 0,05 e GL = 80 ⇒ χ 2 = 101,89 2
s 2 ( x )( n − 1) s 2 ( x )( n − 1) 2 P < σ ( x) < = 1 − α 2 2 χ χ 2 1 16 × 80
P
101,89
< σ 2 ( x ) <
16 × 80
= 0,95
60,39
P (12,56 < σ 2 ( x ) < 21, 20 ) = 0,95
Exercício 2
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
87
Item 7.12 – Ex. 3 Dados: x = variável normal, mede a receita das vendas
Amostra de n = 12 elementos fornece:
e s
2
∑ ( x ( x) =
i
− x)
n −1
2
2
=
x =
( 45 − 52 ) + ... + ( 60 − 52 )
Nível de confiança:
11
∑ xi n
=
45 + 62 + ... + 60 12
= 52
2
= 59,45
1 − α = 0,95
Solução Para o nível 1 − α = 0,95 com n =12 e Graus de liberdade n − 1 = 11 teremos (Tabela ou função INV.QUI do Excel) Probabilidade: 0,975 e GL: 11 ⇒ χ 1 = 3,82 2
Probabilidade: 0,025 e GL = 11 ⇒ χ 2 = 21,92 2
s 2 ( x )( n − 1) s 2 ( x )( n − 1) 2 P < σ ( x) < = 1 − α 2 2 χ 2 χ 1 59, 45 × 11
P
21,92
< σ 2 ( x ) <
59, 45 ×11 3,82
= 0,95
P ( 29,84 < σ 2 ( x ) < 171, 20 ) = 0, 95
Exercício 3
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
88
Item 7.12 – Ex. 5 Dados: x 1 = variável normal, mede o peso das aves Amostra de n = 30 aves fornece: Nível de confiança:
x = 1,8 Kg
e
s ( x ) = 0, 2 Kg
1 − α = 0,90
Solução Para o nível 1 − α = 0,90 com n = 30 e Graus de liberdade n − 1 = 29 teremos (Tabela ou função INV.QUI do Excel) Probabilidade: 0,95 e GL: 29 ⇒ χ 12 = 17,71 Probabilidade: 0,05 e GL = 29 ⇒ χ 2 2 = 42,56
s 2 ( x )( n − 1) s 2 ( x )( n − 1) 2 P < σ ( x) < = 1 − α 2 2 χ 2 χ 1
0, 04 × 29
P
42,56
< σ 2 ( x ) <
0, 04 × 29
= 0,90
17, 71
P ( 0, 027 < σ 2 ( x ) < 0, 065 ) = 0,90
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
89
Item 7.12 – Ex. 6 Dados: x 1 = variável normal, mede a TIR do projeto Amostra de n = 81 elementos fornece: Nível de confiança:
s ( x ) = 0, 2 Kg
1 − α = 0,98
Solução Para o nível 1 − α = 0,98 com n = 81 e Graus de liberdade n − 1 = 80 teremos (Tabela ou função INV.QUI do Excel) Probabilidade: 0,99 e GL: 80 Probabilidade: 0,01 e GL = 80
s 2 ( x )( n − 1) P < σ ( x) < 2 χ 2
⇒
2
χ 1
⇒
χ 2
=
2
14,26
=
49,59
s 2 ( x )( n − 1) 2
χ 1
= 1 − α
0, 04 × 29 0, 04 × 29 σ ( x ) < < = 0,98 49,59 14, 26
P
P ( 0,153 < σ ( x ) < 0, 285 ) = 0,98
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
90
Item 8.3 – Ex. 1 Dados: x = variável normal com
σ
2
( x ) = 3
Amostra de n = 20 elementos fornece: Nível de significância:
α
x
=
50
= 0,10
Solução
H 0 : µ ( x) = 53 H a : µ ( x) ≠ 53
Teste
Para o nível
z c
=
x
−
σ
µ ( x )
( x ) n
Como zc
α
<
= 0,10 (Tabela ou função INV.NORMP do Excel) retorna z t =
50 − 53 3
1,64
= −
7,75
= −
20
z t , rejeitamos H 0 ao nível de significância
α
=
10% .
Item 8.3 Exercícios propostos
Exercício 1 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
91
Item 8.3 – Ex. 3 Dados: x 1 = variável normal com
µ ( x )
=
6
Amostra de n = 15 elementos fornece: Nível de significância:
α
e
σ
x
=
( x ) = 0, 5 s ( x ) = 1
4
= 0,05
Solução
H 0 : µ ( x) = 6 H a : µ ( x) < 6
Teste
Para o nível
z c
=
x
−
σ
µ ( x )
( x ) n
Como zc
α
<
= 0,05 (Tabela ou função INV.NORMP do Excel) retorna z t =
4−6 0,5
= −
1,64
15,49
= −
15
z t , rejeitamos H 0 ao nível de significância
α
=
5% .
Exercício 3
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
92
Item 8.3 – Ex. 4 Dados: x = variável normal com
µ ( x)
=
18
Amostra: 12 elementos, forneceu x significância:
α
=
17 e s ( x ) = 3 .
Nível de
= 0,10
Solução
H 0 : µ ( x ) = 18 H a : µ ( x ) ≠ 18
Teste
Para o nível
α
= 0,10 (Tabela ou função INVT do Excel) com Probabilidade: 0,10 e
Graus_liberdade: 11 retorna o valor t t
t c =
x − µ ( x) s ( x )
17 − 18 = −1,15 3 12
n Como tc
=
1,80
= −
t , aceitamos H 0 ao nível de significância
> t
α
=
10% .
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
93
Item 8.3 – Ex. 6 Dados: x 1 = variável normal Amostra: 12, 16, 15, 14, 17, 10, 9, 15, 13, 16. Nível de significância:
α
= 0,05
Solução
∑ x x =
i
n
=
137 10
= 13,7
∑ ( xi − x ) s 2 ( x ) = n −1
2
=
64,10 9
= 7,122
s ( x ) = 2,67
H 0 : µ ( x ) = 15 H a : µ ( x ) < 15
Teste
Para o nível
α
= 0,05 (Tabela ou função INVT do Excel) com Probabilidade: 0,10 e
Graus_liberdade: 9 retorna o valor t t = − 1,83
t c =
x − µ ( x ) s ( x ) n
=
13, 7 − 15 = −1,54 2,67 10
Como tc > t t , aceitamos H 0 ao nível de significância
α =
5% .
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
94
Item 8.3 – Ex. 8 Dados: x = variável normal com
µ ( x )
=
4
Amostra: 25 elementos, forneceu x = 5 e s ( x ) significância:
α
=
1, 2 .
Nível de
= 0,05
Solução
Teste
H 0 : µ ( x) = 4 H a : µ ( x) > 4
Para o nível
α
= 0,05 (Tabela ou função INVT do Excel) com Probabilidade: 0,10 e
Graus_liberdade: 24 retorna o valor t t
t c =
=
1,71
x − µ ( x ) 5 − 4 = = 4,17 1, 2 s ( x ) n
Como tc
>
25
t t , rejeitamos H 0 ao nível de significância
α =
5% .
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
95
Item 8.3 – Ex. 9 Dados: x = variável normal, mede o IRR do projeto em %. Amostra de 40 elementos Nível de significância:
α
=
0,05
Solução x
18
20
22
p(x)
0,2
0,4
0,25
0,15
x.p(x)
3,6
8
5,5
3,6
20,7
64,8
160
121
86,4
432,2
x*2.p(x)
x
=
E ( xi ) P ( xi )
=
24 Soma
20,70 2
s 2 ( x ) = E ( xi 2 ) − E ( x ) = 432, 20 − 428, 49 = 3, 71
s ( x ) = 1,93
No caso, o pior erro é a taxa ser menor que 21%.
H 0 : µ ( x) = 21 H a : µ ( x) < 21
Teste
Para o nível
α
=
0,05 (Tabela ou função INVT do Excel) com Probabilidade: 0,05 e
Graus_liberdade: 39 retorna o valor e t t = − 1,68
t c
x =
−
µ ( x )
s ( x ) n
20, 70 21 1,93 −
=
=
0,98
−
40
Como tc > t t , aceitamos H 0 ao nível de significância
α =
5% .
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
96
Item 8.4 – Ex. 1 Dados: x = variável binomial
S = mulher em cargo administrativo
Amostra de n = 200 elementos obteve: pˆ =
40 200
p = 0,15
= 0,20
Nível de significância: 0,05. Solução
` H 0 : p = 0,15 Teste H a : p > 0,15 Ao nível
z c
=
α
pˆ − p ˆˆ pq n
Como zc
= 0,05 , z t =
=
1,64 (Tabela ou INV.NORMP com PROBABILIDADE: 0,95)
0, 20 − 0,15 0,15 × 0, 85
=
1,98
200 >
z t , rejeitamos a hipótese nula. Ao nível de 5%, a proporção de mulheres
aumentou.
Item 8.4 Exercícios propostos
Exercício 1 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
97
Item 8.4 – Ex. 2 Dados: x 1 = variável binomial
S = peça defeituosa
Amostra de n = 200 elementos obteve: pˆ =
p = 0,03
8 200
= 0,04
Nível de significância: 0,025. Solução
` H 0 : p = 0, 03 Teste H a : p > 0, 03 Ao nível
z c
=
α
pˆ − p ˆˆ pq n
Como zc
= 0,025 , z t =
=
1,96 (Tabela ou INV.NORMP com PROBABILIDADE: 0,975)
0, 04 − 0, 03 0, 03 × 0, 97
=
0,83
200 <
z t , aceitamos a afirmação do vendedor.
Exercício 2
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
98
Item 8.4 – Ex. 3 Dados: x = variável binomial
S = indivíduo com renda inferior a dois salários mínimos
Amostra de n =60 elementos obteve: pˆ = 0,41 Nível de significância: 0,05 Solução
` H 0 : p = 0, 40 Teste H a : p > 0, 40 Ao nível
z c
=
α
pˆ − p ˆˆ pq n
Como zc
= 0,05 , z t =
=
1,64 (Tabela ou INV.NORMP com PROBABILIDADE: 0,95)
0, 41 − 0, 40 0, 40 × 0, 60
=
0,16
60 <
z t , aceitamos a hipótese nula. Ao nível de 5%, a porcentagem é ainda de
40%.
Exercício 3
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
99
Item 8.4 – Ex. 4 Dados: x 1 = variável binomial
S = animal morto
Amostra de n = 100 animais forneceu: pˆ =
p = 0,10
4 100
= 0,04
Nível de significância: 0,05. Solução
` H 0 : p = 0,10 H a : p < 0,10
Teste
Ao nível
z c =
α
pˆ − p
=
=
0,05 , z t = − 1,64 (Tabela ou INV.NORMP com PROBABILIDADE: 0,05)
0, 04 − 0,10
ˆˆ pq
0,10 × 0, 90
n
100
= −2
Como zc < z t , rejeitamos a hipótese nula. O índice de mortalidade diminuiu.
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
100
Item 8.4 – Ex. 5 Dados: x = variável binomial
S = resposta positiva ao plano de férias
Amostra de n = 50 elementos obteve: pˆ =
15 50
p = 0,20
= 0,30
Nível de significância: 0,06 Solução
` H 0 : p = 0, 20 Teste H a : p > 0, 20 Ao nível
z c
=
α
pˆ − p ˆˆ pq n
Como zc
= 0,06 , z t =
=
1,55 (Tabela ou INV.NORMP com PROBABILIDADE: 0,94)
0,30 − 0, 20 0, 20 × 0, 80
=
1,77
50 >
z t , rejeitamos a hipótese nula. Ao nível de 6% podemos afirmar que o
número de respostas favoráveis aumentou.
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
101
Item 8.4 – Ex. 6 Dados: x 1 = variável binomial
S = projeto viável
p = 0,50
Amostra de n = 31 elementos forneceu: pˆ = 0,60 Nível de significância: 0,10. Solução
` H 0 : p = 0, 50 H a : p > 0, 50
Teste
Ao nível
z c
=
α =
pˆ − p ˆˆ pq n
Como zc
=
0,10 , z t
=
1,28 (Tabela ou INV.NORMP com PROBABILIDADE: 0,90)
0, 60 − 0,50 0, 50 × 0, 50
=
1,11
31 <
z t , aceitamos a hipótese nula. Ao nível de significância de 0,10, a proporção
é ainda de 50%, o que contradiz a expansão da economia.
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
102
Item 8.4 – Ex. 7 Dados: x = variável binomial
S = financiamento a pequena empresa
Amostra de n = 40 elementos obteve: pˆ =
12 40
p = 0,20
= 0,30
Nível de significância: 0,10. Solução
` H 0 : p = 0, 20 Teste H a : p > 0, 20 Ao nível
z c
=
α
pˆ − p ˆˆ pq n
Como zc
= 0,10 , z t =
=
1,28 (Tabela ou INV.NORMP com PROBABILIDADE: 0,90)
0,30 − 0, 20 0, 20 × 0, 80
=
1,58
40 >
z t , rejeitamos a hipótese nula. Ao nível de 10%, podemos afirmar que a
política foi bem sucedida.
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
103
Item 8.4 – Ex. 8 Dados: x 1 = variável binomial
S = inseticida eficiente
Amostra de n = 120 elementos obteve: qˆ =
32 120
p = 0,70
= 0,27
pˆ = 0,73
Nível de significância: 0,025. Solução
` H 0 : p = 0, 70 H a : p > 0, 70
Teste
Ao nível
z c
=
α
pˆ − p ˆˆ pq n
Como zc
= 0,025 , z t =
=
1,96 (Tabela ou INV.NORMP com PROBABILIDADE: 0,975)
0, 73 − 0, 70 0, 70 × 0, 30
=
0,72
120 <
z t , aceitamos a hipótese nula. A toxicidade está controlada ao nível de 70%.
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
104
Item 8.4 – Ex. 9 Dados: x 1 = variável binomial
S = pagamento à vista
Amostra de n = 180 elementos obteve: pˆ =
40 180
p = 0,76
= 0,778
Nível de significância: 0,05 Solução
` H 0 : p = 0, 76 Teste H a : p > 0, 76 Ao nível
z c
=
α
pˆ − p ˆˆ pq n
Como zc
= 0,05 , z t =
=
1,64 (Tabela ou INV.NORMP com PROBABILIDADE: 0,95)
0, 778 − 0, 76 0, 76 × 0, 24
=
0,57
180 <
z t , aceitamos a hipótese nula. Ao nível de 5%, podemos afirmar que a
política foi bem sucedida.
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
105
Item 8.4 – Ex. 10 Dados: x 1 = variável binomial
S = favorável à pena de morte
Amostra de n = 500 elementos obteve: pˆ =
280 500
p = 0,52
= 0,56
Nível de significância: 0,10. Solução
` H 0 : p = 0, 52 H a : p > 0, 52
Teste
Ao nível
z c =
α
pˆ − p
=
=
0,10 , z t = 1,28 (Tabela ou INV.NORMP com PROBABILIDADE: 0,90)
0, 56 − 0, 52
ˆˆ pq
0, 52 × 0, 48
n
500
= 1,79
Como zc > z t , rejeitamos a hipótese nula. A proporção de favoráveis aumentou após a divulgação do crime.
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
106
Item 8.5 – Ex. 1 Dados: x 1 = variável normal com
σ
2
( x1 ) = 5
Amostra de n = 20 elementos forneceu x1 X 2 = variável normal com
σ
2
=
( x2 ) = 5
Amostra de n = 20 elementos forneceu: x2 Nível de significância:
α
32
=
33,5
= 0,03 .
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 Teste H a : µ ( x1 ) − µ ( x2 ) ≠ 0 Cálculo de z t . Tabela com
zα
=
Cálculo de t t :
z 0,015
=
2,17
2
(ou INV.NORMP, com Probabilidade
0,985) Cálculo de t c :
t c
=
x1 2 1
s
n1 Como tc
>
−
x2
+
s2
2
=
n2
32 − 33,5 5 20
+
5
2,12
= −
20
t t , aceitamos a hipótese nula. Ao nível de 3%, podemos afirmar que as
populações apresentam a mesma média.
Item 8.5 Exercícios propostos
Exercício 1 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
107
Item 8.5 8.5 – Ex. 3 Dados: x 1 = variável normal Amostra de n = 25 elementos forneceu: x1 = 50
s ( x1 ) = 4
X 2 = variável normal Amostra de n = 30 elementos forneceu: x2 = 48 Nível de significância:
α
s ( x2 ) = 3
= 0,05 .
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 H a : µ ( x1 ) − µ ( x2 ) ≠ 0
Teste
2
s12 s 2 2 + n n 1 2 Gl : −2= 2 2 2 2 s1 s 2 n1 + n2 n1 + 1 n2 + 1
Cálculo de t t :
2
42 32 + 25 30 − 2 = 45, 36 2 2 2 2 4 3 25 + 30 25 + 1 30 + 1
GL = 45
t 0,05;45 = 2,01 Cálculo de t c :
t c =
x1 − x2 2 1
s
n1 Como tc
+
s2
= 2
n2
50 − 48 4
2
25
+
2
= 2,06
3
30
> t t , rejeitamos a hipótese nula. As médias populacionais são diferentes.
Exercício 3
Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Carlos Murolo Estatística 2 | Ermes Medeiros
108
Item 8.5 8.5 – Ex. 4 Dados: x 1 = variável normal, mede a vida útil de pneus em uso urbano Amostra de n = 40 pneus forneceu: x1 = 50.000 Km
s ( x1 ) = 4.000 Km
X 2 = variável normal, mede a vida útil de pneus em uso interurbano Amostra de n = 40 pneus forneceu: x2 = 53.000 Km Nível de significância:
s ( x2 ) = 5.000 Km
= 0,05 .
α
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 H a : µ ( x1 ) − µ ( x2 ) < 0
Teste
Cálculo de t t :
2
2
s12 s 2 2 4.000 2 5.000 2 + + n n 4 0 40 1 2 −2= − 2 = 76, 23 Gl : 2 2 2 2 2 2 2 2 s1 s 2 4.000 5.000 4 0 4 0 n n 1 + 2 + 41 41 n1 + 1 n2 + 1
GL = 76
t 0,05 0,05 ; 76 = − 1,67 Cálculo de t c :
t c =
x1 − x2 2 1
s
n1
+
s2
= 2
n2
50.000 − 53.000 4.000 40
2
+
5.000
2
= −2,96
40
Como tc < t t , rejeitamos a hipótese nula. Os pneus usados em ônibus urbanos desgastam mais rapidamente.
Exercício 4
Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Carlos Murolo Estatística 2 | Ermes Medeiros
109
Item 8.5 8.5 – Ex. 5 Dados: x 1 = variável normal, mede a vida útil de pneus em uso urbano Amostra de n = 10 alunos forneceu: x1 = 166 166 min min
s ( x1 ) = 23min 23min
X 2 = variável normal, mede a vida útil de pneus em uso interurbano Amostra de n = 10 alunos forneceu: x2 = 151mi 151min n Nível de significância:
α
s ( x2 ) = 16min
= 0,05 .
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 Teste H a : µ ( x1 ) − µ ( x2 ) > 0 2
s12 s 2 2 + n n2 1 Gl : −2= 2 2 2 2 s1 s 2 n n 1 2 + n1 + 1 n2 + 1 t 0,05;17 = 1,74
Cálculo de t t :
2
232 162 + 1 0 10 − 2 = 17, 6 2 2 2 2 23 16 10 + 10 10 + 1 10 + 1
GL = 17
(Tabela com p = 10 e GL = 17 ou INVT com Probabilidade 0,10 e
Graus_Liberdade Graus_Liberdade 17) Cálculo de t c :
t c =
x1 − x2 s1
2
n1
+
=
166 − 151
2
23
n2
10
s2
2
+
16
2
= 1,69
10
Como tc < t t , aceitamos a hipótese nula. Ao nível de 5% podemos afirmar que os métodos apresentam a mesma eficiência.
Exercício 5
Medeiros da Silva | Elio Medeiros da Silva | Valter Valter Gonçalves | Afrânio Carlos Carlos Murolo Estatística 2 | Ermes Medeiros
110
Item 8.5 – Ex. 6 Dados: x 1 = variável normal, mede o consumo dos homens Amostra de n = 20 homens forneceu: x1
=
s ( x1 ) = 60 g
650 g
X 2 = variável normal, mede o consumo das mulheres Amostra de n = 10 mulheres forneceu: x2 Nível de significância:
α
=
=
s ( x2 ) = 50 g
35 g
0,10 .
Solução
1 µ ( x1 ) − µ ( x2 ) = 0 H : 0 2 Teste H : 1 µ ( x ) − µ ( x ) < 0 1 2 a 2 2
s12 s 2 2 + n n2 1 Gl : −2= 2 2 s12 s 22 n1 + n2 n1 + 1 n2 + 1 t 0,10; 23
= −
2
602 502 + 20 10 − 2 = 23,59 2 2 60 2 50 2 20 + 10 21
GL = 23
11
1,32
Cálculo de t c :
t c
=
x1 2 1
s
n1 Como tc
Cálculo de t t :
−
x2
+
s2
2
n2
=
50.000 − 53.000 4.000 40
2 +
5.000
2
2,96
= −
40
t , rejeitamos a hipótese nula. As mulheres consomem mais que a metade
< t
do consumo dos homens.
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
111
Item 8.5 – Ex. 7 Dados: x 1 = variável normal, mede o número de cáries dos alunos do grupo tratado com flúor. Amostra de n = 30 alunos forneceu: x1 = 1,8
s ( x1 ) = 0,5
X 2 = variável normal, mede o número de cáries do grupo sem o tratamento. Amostra de n = 500 pneus forneceu: x2 = 2,2 Nível de significância:
α
s ( x2 ) = 0,6
= 0,05 .
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 H a : µ ( x1 ) − µ ( x2 ) < 0
Teste
2
s12 s 2 2 + n n 2 1 Gl : −2= 2 2 2 2 s1 s 2 n1 + n2 n1 + 1 n2 + 1
Cálculo de t t :
2
0,52 0, 6 2 + 30 50 − 2 = 72, 09 2 2 2 2 0,5 0, 6 30 + 50 30 + 1 50 + 1
GL = 72
t 0,05; 72 = −1,67 Cálculo de t c :
t c =
x1 − x2 2 1
s
n1 Como tc
+
s2
= 2
n2
50.000 − 53.000 4.000 40
2
+
5.000
2
= −2,96
40
< t t , rejeitamos a hipótese nula. Ao nível de 5% podemos afirmar que o
tratamento com cloro diminuiu a incidência de cáries.
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
112
Item 8.5 – Ex. 8 Dados: x 1 = variável normal, mede o tempo de embalagem manual Amostra de n = 60 embalagens forneceu: x1 = 4,2 min
s ( x1 ) = 0,5 min
X 2 = variável normal, mede o tempo de embalagem automático Amostra de n = 60 pneus forneceu: x2 = 4 min Nível de significância:
α
s ( x2 ) = 1,2 min
= 0,025 .
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 H a : µ ( x1 ) − µ ( x2 ) > 0
Cálculo de t t :
2
2
Teste
s12 s 2 2 0,52 1, 2 2 + + n n2 60 60 1 Gl : −2= − 2 = 79,56 2 2 2 2 2 2 2 2 s1 s 2 0,5 1, 2 60 60 n n 1 + 2 + 61 61 n1 + 1 n2 + 1
GL = 79
t 0,025; 79 = 1,99 Cálculo de t c :
t c =
x1 − x2 2 1
s
n1
+
=
4, 2 − 4
2
0,5
n2
60
s2
2
+
1, 2
2
= 1,19
60
Como tc < t t , aceitamos a hipótese nula. Automatizar a embalagem não melhora o tempo deste serviço.
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
113
Item 8.5 – Ex. 9 Dados: x 1 = variável normal, mede o nível de vendas da região com desconto Amostra de n = 30 pontos de vendas forneceu: x1 = 180
s ( x1 ) = 30
X 2 = variável normal, mede o nível de vendas da região sem desconto Amostra de n = 30 pontos de vendas forneceu: x2 = 170 Nível de significância:
α
s ( x2 ) = 30
= 0,025 .
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 Teste H a : µ ( x1 ) − µ ( x2 ) > 0 2
s12 s 2 2 + n n2 1 −2= Gl : 2 2 2 2 s1 s 2 n1 + n2 n1 + 1 n2 + 1 t 0,025; 60 = 2,00
Cálculo de t t :
2
30 2 30 2 + 30 30 − 2 = 60 2 2 2 2 30 30 30 + 30 30 + 1 30 + 1
GL = 60
(Tabela com p = 0,05 e GL = 60 ou INVT com Probabilidade 0,05 e
Graus_liberdade 60) Cálculo de t c :
t c =
x1 − x2 2 1
s
n1
+
s2
= 2
n2
180 − 170 30
2
30
+
30
2
= 1, 29
30
Como tc < t t , aceitamos a hipótese nula. Ao nível de 2,5% podemos afirmar que o desconto não aumentou as vendas
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
114
Item 8.5 – Ex. 10 Dados: x 1 = variável normal, mede o volume de vendas do produto sem desconto Amostra de n = 30 pontos de vendas forneceu: x1 = 170 un
s ( x1 ) = 30 un
X 2 = variável normal, mede o volume de vendas após desconto Amostra de n = 30 pneus forneceu: x2 = 230 un Nível de significância:
s ( x2 ) = 10 un
= 0,025 .
α
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 H a : µ ( x1 ) − µ ( x2 ) < 0
Teste
2
s12 s 2 2 + n n2 1 Gl : −2= 2 2 s12 s 22 n1 + n2 n1 + 1 n2 + 1
Cálculo de t t :
2
302 10 2 + 30 30 − 2 = 35,80 2 2 30 2 10 2 30 + 30 31
GL = 35
31
t 0,025; 35 = − 2,03 Cálculo de t c :
t c =
x1 − x2 2 1
s
n1
+
s2
= 2
n2
170 − 230 30
2
30
+
10
2
= −10,39
30
Como tc < t t , rejeitamos a hipótese nula. As vendas aumentaram com o desconto concedido.
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
115
Item 8.6 – Ex. 2 Dados: x 1 = variável binomial, mede a quantidade de homens que compram o produto. Amostra de n = 80 homens forneceu: pˆ
=
28 80
=0,35
X 2 = variável binomial mede a quantidade de mulheres que compram o produto. Amostra de n = 100 mulheres forneceu: pˆ = Nível de significância:
α =
40 100
= 0,40
0,10 .
Solução
H 0 : p1 − p2 = 0 Teste H p p − ≠ : 0 2 a 1 pˆ1 − pˆ 2
z c =
1
pq
n1
z c =
Como
+
1
onde p =
α =
0,10
n1 pˆ1 + n2 pˆ 2
n1 + n2
z 0,05
=
1,64 .
= −
80 × 0, 35 + 100 × 0, 40 80 + 100
= 0,38
n2
0,35 − 0, 40 1 1 + 0, 38 × 0, 62 80 100
1, 69 < z c
−
Para
<
= −0,69
1, 69 , aceitamos a hipótese nula. Não há diferença significativa
entre as proporções dois grupos ao nível de 10%.
Item 8.6 Exercícios propostos
Exercício 2 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
116
Item 8.6 – Ex. 2 Dados: x 1 = variável binomial, mede a quantidade de deprimidos entre motoristas de taxi.
S = motorista de taxi com depressão.
Amostra de n = 20 motoristas forneceu: pˆ
=
10 40
=0,25
X 2 = variável binomial mede a quantidade de deprimidos entre pessoas pouco expostas ao trânsito. S = pessoa com depressão Amostra de n = 10 pessoas forneceu: pˆ Nível de significância:
α =
=
8 40
=
0,20
0,03 .
Solução
H 0 : p1 − p2 = 0 − > H : p p 0 2 a 1
Teste
pˆ1 − pˆ 2
z c =
1
pq
n1
+
1
Para
onde p
= 0,03
n1 pˆ1
+
n2 pˆ 2
n1
+
n2
z 0,03 = 1,88 .
=
40 × 0, 25 + 40 × 0, 20 40 + 40
=
0,225
n2
0, 25 − 0, 20
z c =
=
α
1 1 + 40 40
= 0,54
0, 225 × 0, 775 Como zc
<
z t , aceitamos a hipótese nula. Não há diferença significativa entre as
proporções de deprimidos dos dois grupos.
Exercício 2
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
117
Item 8.6 – Ex. 3 Dados: x 1 = variável binomial, mede a quantidade de indivíduos com doença pulmonar entre fumantes. Amostra de n 1 = 50 motoristas forneceu: pˆ 1
=
8 50
=0,16
X 2 = variável binomial mede a quantidade de indivíduos com d oença pulmonar entre não fumantes. Amostra de n 2 = 80 pessoas forneceu: pˆ 2 = Nível de significância:
α =
6 80
= 0,075
0,10 .
Solução
H 0 : p1 − p2 = 0 − > H : p p 0 2 a 1
Teste
pˆ1 − pˆ 2
z c =
1
pq
n1
z c =
+
1
onde p =
0,10
n1 pˆ1 + n2 pˆ 2
1 1 0,11 × 0, 89 + 50 80 >
α =
n1 + n2
z 0,10
=
=
1, 28 .
50 × 0,16 + 80 × 0, 075 50 + 80
= 0,11
n2
0,16 − 0, 075
Como zc
Para
= 1,51
z t , rejeitamos a hipótese nula. Ao nível de 10% podemos afirmar que o uso
do cigarro aumenta a incidência de doenças pulmonares.
Exercício 3
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
118
Item 8.6 – Ex. 4 Dados: x 1 = variável binomial, mede a quantidade de votos no interior S = voto favorável ao candidato Amostra de n = 200 eleitores forneceu: pˆ =
90
=0,45
200
X 2 = variável binomial mede a quantidade de votos na capital. S = pessoa com depressão. Amostra de n = 100 eleitores forneceu: pˆ = Nível de significância:
α
40 100
= 0,40
= 0,04 .
Solução Teste
H 0 : µ ( x1 ) − µ ( x2 ) = 0 H a : µ ( x1 ) − µ ( x2 ) > 0 pˆ1 − pˆ 2
z c =
1
pq
n1
+
1
onde p =
Para
n1 pˆ1 + n2 pˆ 2
n1 + n2
= 0,04
=
z 0,04 = 1,75 .
200 × 0, 45 + 100 × 0, 40 200 + 100
= 0,4333
n2
0, 45 − 0, 40
z c =
α
1 1 + 200 100
= 0,824
0,4333 × 0,5667
Como zc < z t , aceitamos a hipótese nula. Não há diferença significativa entre as proporções de eleitores favoráveis ao candidato na capital e no interior.
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
119
Item 8.6 – Ex. 5 Dados: x 1 = variável binomial, mede a venda de apartamentos entre casados. S = venda efetiva. Amostra de n = 200 motoristas forneceu: pˆ =
25 200
=0,125
X 2 = variável binomial mede a venda de apartamentos entre solteiros. S = venda efetiva Amostra de n = 120 pessoas forneceu: pˆ = Nível de significância:
α
30 120
= 0,25
= 0,05 .
Solução
H 0 : µ ( x1 ) − µ ( x2 ) = 0 − < H : ( x ) ( x ) 0 µ µ 1 2 a
Teste
pˆ1 − pˆ 2
z c =
1
pq
n1
z c =
1
+
onde p =
Para
α
n1 pˆ1 + n2 pˆ 2 n1 + n2
= 0,05
=
z 0,05 = −1,64 .
200 × 0,125 + 120 × 0, 25 100 + 120
= 0,172
n2
0,125 − 0, 25 1 1 + 0,172 × 0,828 200 120
= − 2,87
Como zc < z t ,rejeitamos a hipótese nula. A proporção de descasados que efetiva a compra é maior.
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
120
Item 8.7 – Ex. 1 Dados: x = variável normal Amostra: n = 25 elementos fornece s ( x ) = 4 Nível de significância: 0,05 Solução
H 0 : σ 2 ( x ) = 15 2 H a : σ ( x ) ≠ 15 2
χ 2 ; 2 4 ; 0,025
=
39,36 (Tabela ou INV.QUI do Excel, com Probabilidade 0,025 e Graus_liberdade 24)
2
χ 1 ; 2 4 ; 0 ,975
=
12,40 (Tabela ou INV.QUI do Excel, com Probabilidade 0,975 e Graus_liberdade 24)
( n − 1) s 2 ( x ) ( 25 − 1) × 42 χ n 1 = = 2 15 σ ( x ) 2
−
Como χ
2 1,t <
χ
2
c <
=
25,6
2
χ 2 , t , aceitamos a hipótese nula. A variância não se diferencia
significativamente de 15.
Item 8.7 Exercícios propostos
Exercício 1 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
121
Item 8.7 – Ex. 2 Dados: x 1 = variável normal Amostra: n = 10 fornece s ( x ) = 7 Nível de significância: 0,025 Solução
H 0 : σ 2 ( x ) = 45 2 H a : σ ( x ) > 45 2
χ 2 ; 9 ; 0,025
=
19,02 (Tabela ou INV.QUI do Excel, com Probabilidade 0,025 e Graus_liberdade 9)
( n − 1) s 2 ( x ) (10 − 1) × 7 2 χ n 1 = = 2 45 σ ( x ) 2
−
Como χ
2
9 <
=
9,80
2
χ 2 ,t , aceitamos a hipótese nula. A variância não se diferencia
significativamente de 45.
Exercício 2
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
122
Item 8.7 – Ex. 3 Dados: x = variável normal em porcentagem Amostra:
n = 10 fornece x =
s 2
( x ∑ = x ( )
i
− x)
n −1
8 + 7 + ..... + 7,5
= 7,5
10
2
=
2 2 (8 − 7, 5 ) + ... + ( 7, 5 − 7,5 )
9
= 2,78
Nível de significância: 0,10 Solução
H 0 : σ 2 ( x ) = 6, 25 2 H a : σ ( x ) < 6, 25 2
χ 1,t
=
4,17 (Tabela ou INV.QUI do Excel, com Probabilidade 0,90 e Graus_liberdade 9)
( n − 1) s 2 ( x ) (10 − 1) × 2, 78 χ n 1 = = = 4,00 2 6,25 σ ( x ) 2
−
Como χ
2
9 <
2
χ 1, t , rejeitamos a hipótese nula. Ao nível de 10% podemos afirmar que
o desvio-padrão é menor que 2,5%. O gerente tem razão.
Exercício 3
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
123
Item 8.7 – Ex. 4 Dados: x 1 = variável normal Amostra: n = 40 fornece s
2
( x ) = 6, 4
Nível de significância: 0,05 Solução
H 0 : σ 2 ( x ) = 8, 2 2 H a : σ ( x ) < 8, 2 2
χ 1 ; 39 ; 0 ,05
= 25,70 (Tabela ou INV.QUI do Excel, com Probabilidade 0,95 e Graus_liberdade 39)
( n − 1) s 2 ( x ) ( 40 − 1) × 6, 4 χ n 1 = = = 30,43 2 8,2 σ ( x ) 2
−
Como χ
2
2 39 > χ 1,t ,
aceitamos a hipótese nula. A rede local tem razão ao afirmar que
os preços apresentam grande variação.
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
124
Item 8.7 – Ex. 5 Dados: x = variável normal Amostra: n = 15 fornece s ( x ) = 2,3 Nível de significância: 0,10 Solução 2 H 0 : σ ( x ) = 4 2 H a : σ ( x ) > 4
2
χ 2 ; 14 ; 0,10
= 21,06 (Tabela ou INV.QUI do Excel, com Probabilidade 0,10 e Graus_liberdade 14)
( n − 1) s 2 ( x ) (14 − 1) × 2,32 χ n 1 = = 2 4 σ ( x ) 2
−
Como χ
2 2 14 < χ 2 ,t ,
=
18,52
aceitamos a hipótese nula. Ao nível de 10% podemos afirmar que
a Prefeitura tem razão.
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
125
Item 8.7 – Ex. 6 Dados: x 1 = variável normal mede o comprimento das peças Amostra: n = 20 fornece s ( x ) = 2 Nível de significância: 0,10 Solução 2 H 0 : σ ( x ) = 7,84 2 H a : σ ( x ) < 7,84
2
χ 1 ;19; 0,10
= 11,65 (Tabela ou INV.QUI do Excel, com Probabilidade 0,90 e Graus_liberdade 19)
( n − 1) s 2 ( x ) ( 20 − 1) × 2 2 χ n 1 = = 2 7,84 σ ( x ) 2
−
Como χ
2 2 19 < χ 2 ,t ,
=
9,69
rejeitamos a hipótese nula. A variação realmente diminuiu.
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
126
Item 8.7 – Ex. 7 Dados: x = variável normal. Amostra: n = 40 fornece s
2
( x ) = 6, 4 . Nível de
significância: 0,10 Solução 2 H 0 : σ ( x ) = 144 2 H a : σ ( x ) > 144
x 50 60 70 80 90
f 4 7 8 6 5 30
x =
x.f 200 420 560 480 450 2110
( xi − x )
2
. f
1653,772 747,4396 0,888711 560,6705 1933,895 4896,667
∑ x. f = 70,333 ∑ f 2
s 2
χ 2
2 ,t
( x − x ) . f ∑ = = 168,85 x ( ) − 1 f ∑
= 39,08 (Tabela ou INV.QUI do Excel, com Probabilidade 0,10 e Graus_liberdade 29)
( n − 1) s 2 ( x ) ( 30 − 1) × 168,85 χ n −1 = = = 34,00 2 144 σ ( x ) 2
Como χ
2 29
< χ 2 2 ,t , aceitamos a hipótese nula. Ao nível de 10% podemos afirmar que
a variação nas vendas não é maior que a afirmada.
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
127
Item 8.7 – Ex. 8 Dados: x 1 = variável normal mede o peso dos botijões de gás µ ( x )
=
13 Kg
σ
( x ) = 0, 250 Kg
Amostra: n = 26 fornece s ( x )
=
0,305 Kg
Nível de significância: 0,05 Solução 2 H 0 : σ ( x ) = 0, 0625 2 H a : σ ( x ) > 0, 0625
2
χ 2 ; 25 ; 0,05
= 37,65 (Tabela ou INV.QUI do Excel, com Probabilidade 0,05 e Graus_liberdade 25)
( n − 1) s 2 ( x ) ( 26 − 1) × 0,305 2 = χ n 1 = 2 σ ( x ) 0,250 2 2
−
Como χ
2 2 19 < χ 2 ,t ,
=
37,21
aceitamos a hipótese nula. Ao nível de 5% de significância,
concluímos que o produto está dentro da especificação.
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
128
Item 8.7 – Ex. 9 Dados: x = variável normal. Amostra: n = 10 fornece s ( x ) = 1, 6 . Nível de significância: 0,10 Solução
H 0 : σ 2 ( x ) = 4, 41 2 H a : σ ( x ) < 4, 41 2
χ 1 ; t
= 4,17 (Tabela ou INV.QUI do Excel, com Probabilidade 0,90 e Graus_liberdade 9)
2
χ n 1 −
=
(n
Como χ
−
1) s 2 ( x )
σ 2 9
2
( x )
=
(10
−
1) ×1, 6 2
4,41
=
5,22
> χ 21, t , aceitamos a hipótese nula. Ao nível de 10% podemos afirmar que a
política não foi eficaz.
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
129
Item 8.7 – Ex. 10 Dados: x 1 = variável normal mede o volume das mercadorias
σ
( x ) = 12 l
Amostra: n = 25 fornece s ( x ) = 10 l Nível de significância: 0,10 Solução 2 H 0 : σ ( x ) = 144 2 H a : σ ( x ) < 144
2
χ 1 ; 2 4 ; 0 ,10
= 15,66 (Tabela ou INV.QUI do Excel, com Probabilidade 0,90 e Graus_liberdade 24)
( n − 1) s 2 ( x ) ( 25 − 1) × 10 2 χ n 1 = = 2 σ ( x ) 122 2
−
Como χ 219
>
=
16,67
2
χ 1,t , aceitamos a hipótese nula. Ao nível de 10% de significância
concluímos que a afirmação do funcionário não é correta.
Exercício 10
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
130
Item 8.8 – Ex. 1 Dados: x 1 = variável normal. Amostra: n 1 = 11 fornece s ( x1 ) = 15 x 2 = variável normal. Amostra de n 2 = 15 elementos fornece s ( x2 ) = 10 . Nível de significância: 0,05 Solução
H 0 : σ 2 ( x1 ) − σ 2 ( x2 ) = 0 Teste 2 2 H a : σ ( x1 ) − σ ( x2 ) > 0 F (11−1; 15−1) ; 0,05 = 2,60 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,05; Graus_liberdade1: 10; Graus_liberdade2: 14)
F (10 ; 14) , c Como Fc
=
152 10 2
<
=
2,25
F t , aceitamos a hipótese nula. Ao nível de 5%, podemos afirmar que as
populações apresentam a mesma variância.
Item 8.8 Exercícios propostos
Exercício 1 Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
131
Item 8.8 – Ex. 2 Dados: x 1 = variável normal. Amostra: n 1 = 11 fornece s ( x1 ) = 15 x 2 = variável normal. Amostra de n 2 = 15 elementos fornece s ( x2 ) = 10 . Nível de significância: 0,10 Solução
H 0 : σ 2 ( x1 ) − σ 2 ( x2 ) = 0 Teste 2 2 H a : σ ( x1 ) − σ ( x2 ) > 0 F (11−1 ;15−1) ; 0,10 = 2,10 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,10; Graus_liberdade1: 10; Graus_liberdade2: 14)
F (10 ; 14) , c = Como Fc
152 10 2
>
= 2,25
F t , rejeitamos a hipótese nula. Ao nível de 10%, podemos afirmar que a
variância de x1 é significativamente maior que a variância de x2 .
Exercício 2
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
132
Item 8.8 – Ex. 3 Dados: x 1 = variável normal. Amostra: n 1 = 20 fornece s ( x1 )
=
8
x 2 = variável normal. Amostra de n 2 = 9 elementos fornece s ( x2 ) = 9, 6 . Nível de significância: 0,025 Solução 2 2 H 0 : σ ( x2 ) − σ ( x1 ) = 0 Teste 2 2 H a : σ ( x2 ) − σ ( x1 ) > 0
F (8 ; 19 ) ; 0,025 = 2,96 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,025; Graus_liberdade1: 8; Graus_liberdade2: 19)
F (8 ;19) , c
=
Como Fc
9,6 2 82 <
=
1, 44
F t , aceitamos a hipótese nula. Ao nível de 2,5%, podemos afirmar que as
variâncias são iguais.
Exercício 3
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
133
Item 8.8 – Ex. 4 Dados: x 1 = variável normal mede o peso de suínos Amostra: n 1 = 51 fornece s ( x1 ) = 2, 4 Kg x 2 = variável normal mede o peso de suínos Amostra de n 2 = 51 elementos fornece s ( x2 ) = 3,1 Kg . Nível de significância: 0,10 Solução
H 0 : σ 2 ( x1 ) − σ 2 ( x2 ) = 0 Teste 2 2 H a : σ ( x1 ) − σ ( x2 ) < 0
ou
H 0 : σ 2 ( x 2 ) − σ 2 ( x1 ) = 0 2 2 H a : σ ( x 2 ) − σ ( x1 ) > 0
F (50 ; 50) ; 0,10 = 1, 44 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,10; Graus_liberdade1: 50; Graus_liberdade2: 50)
F (50 ; 50) , c Como Fc
=
>
3,12 2, 42
=
1,67
F t , rejeitamos a hipótese nula. Ao nível de 10%, podemos afirmar que a
primeira ração é superior à segunda ração.
Exercício 4
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
134
Item 8.8 – Ex. 5 Dados: x 1 = variável normal. Amostra: n 1 = 10 fornece s ( x1 ) = 1, 4 x 2 = variável normal. Amostra de n 2 = 10 elementos fornece s ( x2 ) = 0,9 . Nível de significância: 0,10 Solução 2 2 H 0 : σ ( x1 ) − σ ( x2 ) = 0 Teste 2 2 H a : σ ( x1 ) − σ ( x2 ) > 0
F (9 ; 9 ) ; 0,10 = 2,44 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,10; Graus_liberdade1: 9; Graus_liberdade2: 9)
F (10 ; 14) , c = Como Fc
1, 42 0,92
<
= 2,42
F t , aceitamos a hipótese nula. Ao nível de 10%, podemos afirmar que as
populações apresentam a mesma variância.
Exercício 5
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
135
Item 8.8 – Ex. 6 Dados: x 1 = variável binomial S = atitude favorável ao produto no mercado A Amostra: n 1 = 51 fornece pˆ =
10 51
x 2 = variável binomial S = atitude favorável ao produto no mercado C Amostra de n 2 = 100 elementos fornece pˆ
=
30 100
.
Nível de significância: 0,05 Solução 2 2 H 0 : σ ( x1 ) − σ ( x2 ) = 0 Teste 2 2 H a : σ ( x1 ) − σ ( x2 ) < 0
ou
2 2 H 0 : σ ( x 2 ) − σ ( x1 ) = 0 2 2 H a : σ ( x 2 ) − σ ( x1 ) > 0
F (99 ; 5 0) ; 0,05 = 1,39 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,05; Graus_liberdade1: 99; Graus_liberdade2: 50)
s 2 ( x1 ) = n1 pˆ1 qˆ1
F (99 ; 50) , c Como Fc
=
>
=
21 8,039
51 ×
=
10
×
41
51 51
=
8, 039
s 2 ( x2 ) = n2 pˆ 2 qˆ2
=
100 ×
30
×
70
100 100
=
21
2,61
F t , rejeitamos a hipótese nula. Ao nível de 5%, podemos afirmar que a
variância dos indivíduos da classe A é menor.
Exercício 6
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
136
Item 8.8 – Ex. 7 Dados: x 1 = variável normal. Amostra: n 1 = 31 fornece s ( x1 ) = 5000 x 2 = variável normal. Amostra de n 2 = 51 elementos fornece s ( x2 ) = 7000 . Nível de significância: 0,05 Solução
H 0 : σ 2 ( x2 ) − σ 2 ( x1 ) = 0 Teste 2 2 H a : σ ( x2 ) − σ ( x1 ) > 0 F ( 50 ; 3 0) ; 0,05 = 1,76 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,05; Graus_liberdade1: 50; Graus_liberdade2: 30)
F (10 ; 14) , c = Como Fc
70002 50002
>
= 1,96
F t , rejeitamos a hipótese nula. Ao nível de 5%, podemos afirmar que o
primeiro grupo é mais eficiente que o segundo grupo.
Exercício 7
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
137
Item 8.8 – Ex. 8 Dados: x 1 = variável normal mede o tempo para correr 200 m no grupo 1 Amostra: n 1 = 21 fornece s ( x1 )
=
6s
x 2 = variável normal mede o tempo para correr 200 m no grupo 2. Amostra de n 2 = 51 elementos fornece s ( x2 )
=
4,5 s .
Nível de significância: 0,05 Solução
Teste
H 0 : σ 2 ( x2 ) − σ 2 ( x1 ) = 0 2 2 H a : σ ( x2 ) − σ ( x1 ) > 0
F ( 20 ; 50 ) ; 0,05 = 1,784 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,05; Graus_liberdade1: 20; Graus_liberdade2: 50)
F (50 ; 50 ) , c
=
62 4,52
=
1,777
Como Fc < F t , aceitamos a hipótese nula. Ao nível de 5%, podemos afirmar que não há diferença significativa entre as homogeneidades dos dois grupos.
Exercício 8
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
138
Item 8.8 – Ex. 9 Dados: x 1 = variável normal mede a TIR do projeto 1 Amostra:
x1 =
∑ x f = 21,13 ∑ f i
i
s 2 ( x1 ) =
i
TIR Freq
17 3
19 7
TIR Freq
15 17 1 3
21 10
23 7
25 4
19 21 6 3
23 3
∑ ( x − x ) f = 5,57 ∑ f − 1 i
i
i
X 2 = variável normal mede a TIR do projeto 2 Amostra:
x2 =
∑ x f = 19,50 ∑ f i
i
s 2 ( x2 ) =
i
∑ ( x − x ) f = 5,60 ∑ f − 1 i
i
i
Nível de significância: 0,10 Solução
H 0 : σ 2 ( x1 ) − σ 2 ( x2 ) = 0 Teste 2 2 H a : σ ( x1 ) − σ ( x2 ) < 0
ou
H 0 : σ 2 ( x 2 ) − σ 2 ( x1 ) = 0 2 2 H a : σ ( x 2 ) − σ ( x1 ) > 0
F (15 ; 3 0) ; 0,10 = 1,72 (Tabela Fisher ou função INVF do Excel, com Probabilidade: 0,10; Graus_liberdade1: 15; Graus_liberdade2: 30)
F (50 ; 50) , c Como Fc
=
<
5,60 5,57
=
1,00
F t , aceitamos a hipótese nula. Ao nível de 10%, podemos afirmar que não
existe diferença significativa entre as variâncias.
Exercício 9
Estatística 2 | Ermes Medeiros da Silva | Elio Medeiros da Silva | Valter Gonçalves | Afrânio Carlos Murolo
139