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.