TRABALHO MÉTODOS QUANTITATIVOS – 2º BIMESTRE (1000 PONTOS)

Prof.ª Amanda F Fidalgo Cavalcanti

QUESTÕES ENVOLVENDO OS CONCEITOS DA SEÇÃO 3.1

1) Lance uma moeda por 30 vezes.

a) Construa o espaço amostral.
b) Enumere os seguintes eventos:
A = {coroa} B = {cara}
c) Expresse as probabilidades de ocorrência dos eventos A e B.

2) Em determinada linha de produção, um produto é descartado se seu

peso for menor que 4,9 kg. Sabe-se que a variável peso (X) nessa linha
de produção possui distribuição normal com média de 5 kg e desvio
padrão de 0,06 kg. Nessas condições, qual é a probabilidade de se
descartar um produto?
 3) Explique brevemente os conceitos de “probabilidade” e de “distribuição
normal”.

Probabilidade: valor numérico, compreendido no intervalo [0,1] = {t ∈ ℝ | 0 ≤ t

≤1} e calculado por meio da razão entre o número de resultados favoráveis a
um evento pelo total de resultados possíveis no espaço amostral. Quanto mais
próximo de 0, menor é a chance de ocorrência de um evento; quanto mais
próximo de 1, maior é a chance de ocorrência. Probabilidade é um ramo da
Matemática em que as chances de ocorrência de experimentos são calculadas.
Podemos dizer que é a “possibilidade” a “chance” de um evento ocorrer,
calculada matematicamente.
Distribuição normal: A probabilidade de ocorrência de um evento está
diretamente ligada aos parâmetros μ e σ² provenientes da população.
Conhecendo esses valores, considerando dada variável com distribuição
normal e um evento A, podemos calcular a probabilidade de ocorrência de A
por meio do cálculo de uma área.
A distribuição normal é uma das distribuições de probabilidade mais
utilizadas para modelar fenômenos naturais, e tem a forma de sino. Também
conhecida como distribuição gaussiana é a mais importante distribuição
contínua. Depende dos parâmetros u e o², se considerássemos todas as
possibilidades de u e o² geraria muitas tabelas de consulta. Então para
simplificar criou-se uma forma de normalizar e padronizar o uso de
apenas 1 (uma) única tabela de consulta que é a tabela de distribuição normal
de padrão acumulada.
A curva de distribuição normal representa o comportamento de diversos
processos nas empresas e muitos fenômenos comuns, como por exemplo,
altura ou peso de uma população, a pressão sanguínea de um grupo de
pessoas, o tempo que um grupo de estudantes gasta para realizar uma prova.
Serve também como base para a inferência estatística clássica. Nela, a média,
mediana e moda dos dados possuem o mesmo valor.

QUESTÕES ENVOLVENDO OS CONCEITOS DA SEÇÃO 3.2 (Fórmula do

“erro” e de “n(amostra)” constam na pág. 152).

1) Discorra brevemente do que se tratam os seguintes conceitos

a) Estimativa e estimadores
 b) Teorema do limite central

a) Estimativa: É um valor (ou valores) que atribuímos a um parâmetro de uma

população baseado em um valor da estatística correspondente da amostra.
Estimadores: É a estatística da amostra utilizada para estimar um parâmetro da
população, é chamado de estimador, a média aritmética da amostra (podendo
ser também a variância, desvio-padrão, mediana, moda).
b) Teorema do limite central em teoria das probabilidades: esse Teorema
afirma que quando o tamanho da amostra aumenta, a distribuição amostral da
sua média aproxima-se cada vez mais de uma distribuição normal, além disso,
essa distribuição tem a mesma média que a população e variância σ²/n, isto é,
a mesma variância que a população, mas dividida por n.
Este resultado é fundamental na teoria da inferência estatística e tem
implicações importantes, tais como determinar o erro amostral da média e
dimensionar amostras. Tais tarefas são realizadas com as fórmulas de erro
amostral da média e dimensionamento de uma amostra.

2) Deseja-se estudar a variável “peso” de certo produto, sendo que este

apresenta desvio padrão de 10kg. Logo, admitindo um nível de
confiança de 95% e um erro amostral de 1,5 kg, calcule o tamanho da
amostra para este estudo.

3) Seja uma variável X~N(μ,9) observada em dada população. Com

precisão de 90%, calcule o erro máximo que cometemos ao estimar a
verdadeira média dessa população com base em uma amostra de
tamanho n = 30. E se aumentarmos o tamanho da amostra n=80?
 QUESTÕES ENVOLVENDO OS CONCEITOS DA SEÇÃO 3.3

1) O que é um teste de hipóteses? Qual sua aplicação e importância?

Uma hipótese estatística é uma suposição sobre

um parâmetro populacional. Essa suposição pode ou não ser verdadeira. O
teste de hipóteses refere-se aos procedimentos formais usados pelos
estatísticos para aceitar ou rejeitar hipóteses estatísticas.
A melhor maneira de determinar se uma hipótese estatística é
verdadeira seria examinar toda a população. Como isso costuma ser
impraticável, os pesquisadores geralmente examinam uma amostra aleatória
da população. Se os dados da amostra não forem consistentes com a
hipótese estatística, a hipótese é rejeitada.
O objetivo do teste estatístico de hipóteses é fornecer uma metodologia
que nos permita verificar se os dados amostrais trazem evidências que apoiem
ou não uma hipótese (estatística) formulada. É uma metodologia estatística que
nos auxilia a tomar decisões sobre uma ou mais população baseado na
informação obtida da amostra. É de extrema importância, pois nos permite
verificar se os dados amostrais trazem evidencia que apoiem ou não uma
hipótese estatística formulada.
2) Considere as hipóteses H0: μ = 100 e H1: μ ≠ 100 elaboradas para a
média de uma variável X~N(μ,9). Para testar essas hipóteses coletou-se
uma amostra de tamanho n = 36 e obteve-se x̅ = 98. Supondo um nível
de significância a = 5%, qual a região crítica (região de rejeição de H0)?
Qual deve ser a decisão desse teste?
 3) Diferencie teste “unilateral” e teste “bilateral”.

São testes de hipóteses e são chamados bilaterais, quando a região

crítica tem parte à esquerda e parte à direita do valor que está sendo
testado. Caso a região crítica estivesse somente à esquerda do valor que
está sendo testado, o teste seria unilateral à esquerda; caso estivesse
somente à direita, o teste seria unilateral à direita.

QUESTÕES ENVOLVENDO OS CONCEITOS DA SEÇÃO 3.4

1) O que é a distribuição T-Student? Quais suas características? Por qual

motivo essa distribuição é utilizada ao invés da distribuição normal em
determinados testes de hipóteses?

Student supôs que as amostras eram retiradas de populações

normalmente distribuídas. Mesmo sem essa suposição, mais tarde se
constatou que são obtidos resultados satisfatórios para quaisquer populações
(normais ou não) quando são utilizadas grandes amostras.
Para amostras pequenas (n ≤ 30), a distribuição Normal apresenta
valores menos precisos, o que nos leva a utilizar um modelo melhor, a
Distribuição t de Student, proposta pelo pesquisador Willian Gosset em 1908.
Cada tamanho amostral possui sua própria distribuição t, ou seja, ao
contrário da distribuição normal, a distribuição t não tem forma fixa, mas sim
uma família de curvas. Cada curva é determinada por um parâmetro
chamado grau de liberdade, encontrado pelo tamanho da amostra menos um
(GL = n - 1). O grau de liberdade se refere ao número de valores que são livres
para variar após estabelecerem algumas restrições de dados.
Condições de utilização – Tamanho da amostra pequeno (n ≤30) – σ²
desconhecido – População original tem distribuição essencialmente normal.
Graficamente, ela se parece muito com a distribuição normal, sendo simétrica e
em forma de sino com caudas mais largas (maior variabilidade), típicas de
amostras de menores tamanhos. Para tamanhos de amostras maiores, mais
próxima será a distribuição “t”de Student da distribuição normal.

2) Deseja-se testar as hipóteses H0: μ = 60 e H1: μ > 60. Sabendo que a

partir de uma amostra de tamanho n = 30 obteve-se x̅ = 61 e Var(X) = 9,
qual a região crítica para α = 2,5%? Qual deve ser a decisão do teste?
3) Sejam as hipóteses H0: μ = 500 e H1: μ < 500. Determine a região
crítica para α = 5%, sabendo que de uma amostra de tamanho n = 28
obteve-se x̅ = 498 e Var(X) = 100. Por fim, conclua se a hipótese nula
deve ser rejeitada ou não.
 ASPECTOS GERAIS DE ESTATÍSTICA

1) Cite resumidamente as características dos ramos da estatística

(alternativas a e b), e ainda, qual seu uso e importância para a área que
você está estudando na graduação.

a) Descritiva

A estatística descritiva é a etapa inicial da análise utilizada para descrever e

resumir os dados utilizando medidas de tendência central (média, mediana e
moda), medidas de dispersão (valores mínimo e máximo, desvio padrão e
variância), percentis, quartis e décis, e medidas de distribuição (achatamento e
simetria da curva de distribuição).Usada para descrever e reduzir um conjunto
de dados, ela é de grande importância pois traz agilidade no momento de
reunir dados ou apresentá-los.
 b) Inferencial

Estatística inferencial é um ramo da Estatística cujo objetivo é fazer

afirmações a partir de um conjunto de valores representativo (amostra) sobre
um universo (população). O objetivo da Estatística inferencial é tirar conclusões
com base em amostras (uma parte) de tal modo que as informações possam
ser expandidas para toda a população (o todo). São valiosas quando o exame
de cada membro de uma população inteira não é conveniente ou possível. Por
exemplo, medir o diâmetro de cada prego fabricado em uma fábrica é
impraticável. Você pode medir os diâmetros de uma amostra aleatória
representativa e inferir a média de medidas.