ipaee capitulo3 1
Post on 06-Jun-2015
820 Views
Preview:
DESCRIPTION
TRANSCRIPT
UNIVERSIDADE FEDERAL DE SÃO CARLOS CC EE NN TT RR OO DD EE CC II ÊÊ NN CC II AA SS EE XX AA TT AA SS EE DD EE TT EE CC NN OO LL OO GG II AA
DD EE PP AA RR TT AA MM EE NN TT OO DD EE EE SS TT AA TT ÍÍ SS TT II CC AA
IINN TT RR OO DD UU ÇÇ ÃÃ OO AA OO PPLL AA NN EE JJ AA MM EE NN TT OO EE AANN ÁÁ LL II SS EE
EESS TT AA TT ÍÍ SS TT II CC AA DD EE EEXX PP EE RR II MM EE NN TT OO SS
CC AA PP ÍÍ TT UU LL OO ## 33
IINN TT RR OO DD UU ÇÇ ÃÃ OO AA PPRR OO BB AA BB II LL II DD AA DD EE EE AA
IINN FF EE RR ÊÊ NN CC II AA EESS TT AA TT ÍÍ SS TT II CC AA
PP RR OO FF .. PP EE DD RR OO FF EE RR RR EE II RR AA FF II LL HH OO
PP RR OO FF aa .. EE SS TT EE LL AA MM AA RR II SS PP .. BB EE RR EE TT AA
22 ºº SS EE MM EE SS TT RR EE DD EE 22 00 11 00
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 2
33 .. II NN TT RR OO DD UU ÇÇ ÃÃ OO AA PP RR OO BB AA BB II LL II DD AA DD EE EE AA II NN FF EE RR ÊÊ NN CC II AA
EE SS TT AA TT ÍÍ SS TT II CC AA ::
33 .. 11 .. PP RR OO BB AA BB II LL II DD AA DD EE SS ::
Sabemos que alguns fenômenos são previsíveis. Por exemplo, se jogarmos várias vezes uma
moeda de determinado lugar e medir a velocidade da queda, os resultados serão sempre iguais. O
fenômeno e previsível porque obedece a uma lei da física. Então, existe determinismo.
Outras vezes, o fenômeno e imprevisível, mas tem um padrão a longo prazo. Por exemplo,
você não sabe se a próxima criança que ira nascer na cidade será menino ou menina, mas sabe que
no decorrer deste ano nascerão meninos e meninas quase na mesma proporção.
Muitos dos fenômenos que observamos podem ser repetidos. As repetições são independentes
- no sentido que o resultado de uma não tem efeito sobre o resultado de outra - e tem um padrão
de comportamento previsível a longo prazo. E o que acontece, por exemplo, no jogo de dados, no
jogo de cartas, na roleta.
O estudo de probabilidades começou com os jogos de azar. As pessoas queriam entender a
"lei" que rege esses jogos para ganhar dinheiro nos cassinos. Os matemáticos acabaram
descobrindo que não e possível prever, por exemplo, se vai ocorrer a face 6 em determinado
lançamento de um dado. Podemos apenas descobrir, por observação, que a face 6 ocorre 1/6 das
vezes no decorrer de muitas jogadas.
Hoje a probabilidade é importante para outras coisas, além - é claro – dos jogos de azar. Muitos
fenômenos naturais e artificiais são probabilísticos, no sentido de que eles não são previsíveis a
priori, mas tem padrões de comportamento à longo prazo. É o caso dos estudos de genética,
baseados na observação de Mendel de que, dados os pais, as características da geração seguinte não
são determinísticas, mas tem padrões de comportamento que já estão sendo descobertos. A emissão
de partículas radioativas ocorre ao acaso ao longo do tempo, mas com um padrão que ajudou a
sugerir a causa da radioatividade.
A idéia de probabilidade é, pois, essencial em qualquer ramo de conhecimento. Mesmo no
futebol se concorda que jogar uma moeda para decidir quem começa o jogo evita o favoritismo. Pela
mesma razão, os estatísticos recomendam amostras aleatórias (todos os elementos da população
tem igual probabilidade de pertencer a amostra), uma versão sofisticada do jogo de moedas. O
favoritismo em escolher pessoas para uma amostra é tão indesejável como dar a bola para um dos
times começar o jogo.
É importante você notar que, nos dois casos, ocorreu a introdução deliberada do acaso na
escolha. Jogar uma moeda para decidir quem começa o jogo ou escolher uma amostra aleatória tem
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 3
o mesmo sentido, isto é:
•••• o resultado não é previsível de antemão;
•••• existe um padrão de comportamento a longo prazo.
33 .. 11 .. UU MM AA DD EE FF II NN II ÇÇ ÃÃ OO DD EE PP RR OO BB AA BB II LL II DD AA DD EE ::
Antes de definir probabilidade, vamos entender que cada resultado possível de um fenômeno
aleatório é um evento. Os eventos têm diferentes atributos, ou seja, tem aspectos diferentes que os
distinguem entre si.
Definição 1: Se são possíveis n eventos mutuamente exclusivos e igualmente prováveis, se nA
desses eventos tem a atributo A, então a probabilidade de A é dada pela razão nA / n.
Exemplo 1.
Qual é a probabilidade de ocorrer face 6, quando se joga um dado equilibrado?
Solução:
Quando se joga um dado equilibrado, ocorre um de 6 eventos mutuamente exclusivos e igualmente
prováveis; logo, a probabilidade de ocorrer 6 é 1/6.
A definição clássica de probabilidade não é valida logicamente porque é circular, isto é, ao exigir
que os n eventos possíveis sejam igualmente prováveis, estamos utilizando o conceito de
probabilidade que pretendemos definir.
Mas é importante entender que a definição clássica de probabilidade não faz sentido a menos
que possamos imaginar muitas repetições independentes do fenômeno. Quando dizemos que a
probabilidade de sair cara num jogo de moeda é 1/2, estamos aplicando, a um único lançamento de
uma única moeda, a medida de chance que teria sido obtida se tivéssemos feito uma longa serie de
jogadas. Vem dai a próxima definição de probabilidade.
Definição 2: Freqüência relativa do evento A é a razão entre o número de vezes em que ocorreu A
(nA) e o número de eventos observados (n).
É importante você entender que, se em uma longa seqüência de repetições do fenômeno, nas
mesmas condições, a freqüência relativa de um evento se aproxima de um numero fixo, esse número
é uma estimativa da probabilidade de o evento ocorrer. Mas os matemáticos ainda exigem dois
axiomas:
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 4
•••• a probabilidade de um evento é um valor entre 0 e 1;
•••• se cada evento de um fenômeno aleatório pode ocorrer com determinada probabilidade, a
soma dessas probabilidades é igual a 1.
Exemplo 2.
Qual é a probabilidade de ocorrer face 6 quando se joga um dado que não é equilibrado (os seis
eventos possíveis não são igualmente prováveis)?
Solução:
Se o dado não é equilibrado, para obter a probabilidade de ocorrer face 6 devemos lançar o dado um
número suficientemente grande de vezes e dividir o número de vezes que saiu 6 pelo número de
lançamentos feitos.
Na prática, o conceito de probabilidade como limite de uma freqüência relativa é bastante útil.
Alis, as casas de jogos e as companhias de seguros dependem da estabilidade das freqüências
relativas.
O maior inconveniente da definição de freqüência relativa como estimativa de probabilidade é o
fato de ela se limitar aos casos em que o número de eventos observados pode crescer
indefinidamente. Então afirmativas como "a probabilidade de o Brasil ganhar a próxima Copa é 0,95"
não são validas? São desde que se entenda que a freqüência relativa não é a única estimativa
importante de probabilidade.
33 .. 22 .. MM OO DD EE LL OO SS DD EE PP RR OO BB AA BB II LL II DD AA DD EE ::
No capítulo definimos alguns procedimentos gráficos e numéricos para descrever o
comportamento de uma dada característica (variável) presente no nosso estudo. Sob ponto de vista
da probabilidade, este comportamento da variável em estudo é definido como a distribuição da
mesma. Na identificação da distribuição dos dados, considerando que na maioria dos casos nosso
interesse está concentrado no estudo de variáveis quantitativas, o histograma se constitui num
instrumento de grande importância na identificação de um modelo adequado aos dados.
Se traçarmos uma curva sobre o histograma observado podemos ter uma boa descrição geral
dos dados. A curva obtida é um modelo matemático para a distribuição, ou seja, é uma descrição
idealizada, que oferece uma imagem concisa do padrão geral dos dados, mas ignora irregularidades
de menor importância, bem como a presença de valores atípicos.
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 5
Figura 3.1. Histograma e uma curva da distribuição
A figura 3.1 apresenta o histograma do peso, em kg, de 1500 pessoas adultas selecionadas
ao acaso em uma população. O peso apresenta uma distribuição muito regular. O histograma é
simétrico e decresce suavemente a partir de um pico central úniiccoo nnaa ddiirreeççããoo ddee aammbbaass aass ccaauuddaass.. AA
ccuurrvvaa ssuuaavvee ttrraaççaaddaa aattrraavvééss ddoo ttooppoo ddaass bbaarrrraass ddoo hhiissttooggrraammaa éé uummaa bbooaa ddeessccrriiççããoo ddoo ppaaddrrããoo ggeerraall
ddooss ddaaddooss..
A análise do histograma indica que:
•••• a distribuição dos valores é aproximadamente simétrica em torno de 70kg;
•••• a maioria dos valores (88%) encontra-se no intervalo (55;85);
•••• existe uma pequena proporção de valores abaixo de 48kg (1,2%) e acima de 92kg (1%).
Uma curva com uma forma apropriada é geralmente, uma descrição adequada do padrão
geral de uma distribuição. Evidentemente que nenhum conjunto de dados reais é descrito
exatamente por uma dessas curvas, mas sim se constitui em uma boa aproximação de fácil utilização
e com precisão suficiente para ser considerada na pratica.
Sabemos que características (variáveis) em estudo para determinados problemas apresentam
um mesmo padrão de comportamento. Portanto estas variáveis podem ser aproximadas por uma
mesma curva, exceto por seus valores de referência, como por exemplo, ponto central, dispersão...
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 6
Dizemos então que variáveis que apresentam um mesmo padrão de comportamento seguem
um mesmo modelo (ou distribuição) de probabilidade. Um modelo de probabilidade pode então
ser definido como uma descrição matemática de um fenômeno aleatória (ou variável aleatória de
forma mais formal).
Os modelos ou distribuições de probabilidade são classificados em dois tipos: modelos
discretos ou modelos contínuos.
Os modelos discretos são adequados a variáveis que podem assumir um número finito ou
enumerável de valores enquanto que os modelos contínuos estão relacionados às variáveis que
podem assumir infinitos valores.
Alguns modelos de probabilidade mais conhecidos são:
Tipo de Modelo Modelo Característica Discretos Binomial Variável em estudo somente pode assumir dois
possíveis valores em cada uma das n repetições do experimento e a probabilidade de ocorrência de cada um é constante.
Poisson A variável observada identifica o resultado de uma contagem no experimento (número de insetos em uma determinada área, por exemplo).
Geométrico Número de experimentos necessários até a ocorrência de um dado resultado de interesse.
Binomial Negativa
Número de experimentos necessários até a ocorrência de certo número de vezes do resultado de interesse.
Hipergeométrico Variável em estudo somente pode assumir dois possíveis valores em cada uma das n repetições do experimento e a probabilidade de ocorrência de cada um não é constante (usualmente experimentos sem reposição).
Contínuos Uniforme A variável pode assumir, com igual probabilidade, qualquer valor em um intervalo, região,...
Exponencial A variável observa o tempo necessário até a ocorrência de um determinado resultado de interesse.
Normal Variáveis com distribuições simétricas em relação a um ponto central.
Muitos outros modelos de probabilidade são conhecidos e adequados a determinados tipos
específicos de variáveis em função das características das mesmas. Essas distribuições podem ser
encontradas, por exemplo, em: Estatística Básica, Pedro Morettin e Wilton Bussab, Editora Saraiva.
Observações:
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 7
•••• Para determinadas situações, modelos discretos podem ser aproximados (representados) por
um modelo contínuo. Por exemplo, num caso binomial onde o número de repetições do
experimento é grande, pode-se analisar a variável em estudo pelo modelo normal.
•••• Os modelos aqui apresentados referem-se à distribuição de uma única variável. Podemos em
alguns casos ter interesse no comportamento conjunto de duas ou mais variáveis. Nesses
casos temos os chamados modelos multidimensionais ou multivariados, que não serão
objetos de estudo nesse curso.
33 .. 33 .. DD II SS TT RR II BB UU II ÇÇ ÃÃ OO NN OO RR MM AA LL ::
Uma classe importante de distribuição é aquela apresentada na figura 3.1. Nesse caso a curva
aproximada do histograma dos dados, tem um único pico e apresenta uma forma de sino (simetria
em torno do ponto de pico). As curvas que apresentam esta característica são chamadas de curvas
Normais e descrevem a distribuição Normal. As distribuições normais têm um importante papel na
estatística, mas são bastante peculiares e nem um pouco “normais”, no sentido de serem comuns ou
naturais. A distribuição normal é caracterizada por sua média µµµµ e seu desvio padrão σσσσ. A função
matemática que define a distribuição normal é dada por:
Temos então que se a variável em estudo, pode ser representada pela curva normal, então ela pode
assumir qualquer valor real, a sua média esta localizada no centro da curva e coincide com a
mediana e desvio padrão controla a dispersão ao redor do ponto central.
Figura 3.2. Distribuição Normal
2121
( ) e2
x
f x−µ−µ−µ−µ −−−− σσσσ ====
σ πσ πσ πσ π, – ∞∞∞∞ < x < ∞∞∞∞.
Notação : X ~ N(µµµµ ; σσσσ 2)
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 8
33 .. 33 .. 11 .. PP RR OO PP RR II EE DD AA DD EE SS DD AA DD II SS TT RR II BB UU II ÇÇ ÃÃ OO NN OO RR MM AA LL ::
X ~ N (µ µ µ µ ; σσσσ2)
•••• E(X) = µ (média ou valor esperado);
•••• Var(X) = σσσσ2 (e, portanto, DP(X) = σσσσ );•
•••• x = σσσσ é ponto de máximo de f (x);
•••• • µ - σσσσ e µ + σσσσ são pontos de inflexão de f (x);
•••• A curva Normal é simétrica em torno da média µ.
•••• A distribuição Normal depende dos parâmetros µ e σσσσ2
Figura 3.3. Distribuições normais com mesmo desvio padrão e diferentes médias
Figura 3.4. Distribuições normais com mesma média e diferentes desvios padrão.
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 9
•••• Embora haja muitas curvas Normais, todas têm propriedades em comum. Em particular todas
as distribuições normais obedecem à seguinte regra:
Na distribuição normal com média µ e desvio padrão σσσσ:
���� 68% das observações estão no intervalo ( µ - σσσσ ; µ + σσσσ),
���� 95,4% das observações estão no intervalo ( µ - 2σσσσ ; µ + 2σσσσ),
���� 99,7% das observações estão no intervalo ( µ - 3σσσσ ; µ + 3σσσσ),
33 .. 33 .. 22 .. CC ÁÁ LL CC UU LL OO DD EE PP RR OO BB AA BB II LL II DD AA DD EE SS ::
As distribuições de probabilidade aproximam os dados observados de uma dada característica
de interesse através de um modelo que nos permite, dentre outros aspectos, calcular probabilidade
de interesse a respeito da variável em estudo.
Por exemplo: Um bom indicador do nível de intoxicação por benzeno é a quantidade de fenol
encontrada na urina. A quantidade de fenol na urina de moradores de certa região segue,
aproximadamente, uma distribuição normal de média 6 mg/L e desvio padrão 2 mg/L. Considere a
seguinte definição em termos da variável quantidade de fenol na urina:
� Uma pessoa é considerada “atípica” se a quantidade de fenol em sua urina for superior a
9mg/l ou inferior a 3 mg/L.
Podemos então estar interessado na seguinte pergunta: Qual é a probabilidade de ser
encontrado um indivíduo “atípico”?
Definimos X como sendo a quantidade de fenol encontrada na urina. Então a pergunta de
interesse pode ser interpretada como a probabilidade de X < 3 mais probabilidade de X > 9. A
notação para este problema é dada por:
P { X < 3 } + P { X > 9 }
Como calcular esta probabilidade, considerando que a variável de interesse pode ser
representada pela distribuição normal?
O cálculo de uma probabilidade na distribuição normal é dado pela área sobre a curva normal
na região de interesse, isto é, área sob a curva de densidade fornece a proporção de observações
que estão numa região de valores de interesse.
Por exemplo, genericamente.
P(a < X < b)
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 10
é dada pela seguinte área sobre a curva.
Figura 3.5. Cálculo da P(a < X < b)
O cálculo da área sobre a curva é dada por:
( ) ∫∫
−−
==<<b
a
2
1b
a
2
2
1xf b} X { dxedxaP
x
σµ
πσ
A solução do problema acima não é imediata. A solução da integral acima é usualmente dada
através de métodos numéricos. Portanto não conveniente utilizar esta forma de obtenção da
probabilidade desejada.
Questão: Como calcular a probabilidade deseja sem a necessidade de resolver a integral acima
apresentada?
Resultado:
Se X ~ N(µ ; σ 2), então
1) , N(0 ãodistribuiç tem -x
Zσ
µ=
chamada distribuição normal padrão. Nesse caso temos que E(Z) = 0 e Var(Z) = 1.
Observação:
Dada a v.a. Z ~ N(0;1) podemos obter a v.a. X ~ N(µ; σ2) através da transformação inversa
X = µµµµ + Z σ.σ.σ.σ.
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 11
Graficamente:
Figura 3.6. Transformação para normal padrão
Questão:
De que forma a transformação da variável X em Z, normal padrão facilita o cálculo
de probabilidades?
Considerando a transformação Z, podemos obter o cálculo de P(a < X < b) da seguinte
forma:
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 12
{ }
{ }
( ) ∫∫−
==
<<=
−<<−=
−<−<−=<<
2
1
22
1
z
z
2
1
21
2
1xf dxedx
zZz
bZ
aP
bxaPbXaP
xz
z π
σµ
σµ
σµ
σµ
σµ
A solução da integral é mais simples que no caso anterior, e é apresentada na forma de uma
tabela (Anexo 1).
Uso da tabela da Normal Padrão: Z ~ N(0,1)
O significado dos valores tabelados: Para um dado valor z qualquer;
Figura 3.7. Interpretação da tabela da normal padrão.
Portanto valor tabela z nos dá área sobre a curva até o ponto z, ou seja, a
P{ Z < z}
Se considerarmos que z=0.32, temos que P{ Z < 0.32 }= 0.6255, ou seja,
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 13
Figura 3.8. P { Z < 0.32 }
Na tabela:
Considere agora:
0.6255
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 14
Figura 3.9. P{0 < Z < 1.71 }
Solução:
P(0 < Z ≤ 1,71) = P(Z ≤1,71) – P(Z ≤ 0) = 0,9564 - 0,5 = 0,4564.
Observação: P(Z < 0) = P(Z > 0) = 0,5.
Outros Problemas: |
1) A resistência a compressão de amostras de cimento pode ser representada por um modelo
normal com média de 6000 kg por cm2 e um desvio padrão de 100 kg por cm2.
a) Qual a probabilidade da resistência da amostra ser menor do que 6250 kg/cm2?
b) Qual a probabilidade da resistência da amostra estar entre 5800 e 5900 kg/cm2?
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 15
2) O volume de enchimento de uma máquina automática de enchimento usada para encher latas
de bebidas gasosas é distribuído segundo o modelo normal com uma média de 12.4 onças
fluidas e um desvio padrão de 0.1 de onça fluída.
a) Qual a probabilidade do volume de enchimento ser menor do que 12 onças fluídas?
b) Se todas as latas menores que 12.1 ou maiores que 12.6 onças são rejeitas, qual a
probabilidade de uma lata ser rejeitada?
3) A vida de um semicondutor a laser, a uma potência constante, segue um modelo normal com
média de 7000 horas e desvio padrão de 600 horas.
a) Qual a probabilidade do laser falhar antes de completar 5000 horas?
b) Qual o tempo de vida em horas que 95% dos lasers excedem?
c) Se três lasers forem usados em certo produto e se eles falharem independentemente, qual a
probabilidade de todos os três estarem ainda operando após 7000 horas?
4) Dois analistas observaram uma solução de soda de concentração conhecida (%) e obtiveram
os seguintes resultados:
Analista Determinações João 10.2 9.9 10.1 10.4 10.2 10.4 Paulo 9.9 10.2 9.5 10.4 10.6 9.4
Considerando que a resposta observada pode ser representada pelo modelo normal e que a
concentração real da solução é 10.1%, responda:
a) Qual dos dois analistas tem maior probabilidade de encontrar valores acima de 10.5%?
b) Para cada analista, qual o valor da concentração determina que 15.5% das determinações
serão maiores?
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 16
Anexo 1
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 17
Capítulo 3 – Introdução a Probabilidade e a Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos – 2o Semestre de 2010 – Prof. Pedro Ferreira Filho & Profa. Estela Maris P. Bereta Página 18
t table with right tail probabilities
df\p 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0005
1 0.324920 1.000000 3.077684 6.313752 12.70620 31.82052 63.65674 636.6192
2 0.288675 0.816497 1.885618 2.919986 4.30265 6.96456 9.92484 31.5991
3 0.276671 0.764892 1.637744 2.353363 3.18245 4.54070 5.84091 12.9240
4 0.270722 0.740697 1.533206 2.131847 2.77645 3.74695 4.60409 8.6103
5 0.267181 0.726687 1.475884 2.015048 2.57058 3.36493 4.03214 6.8688
6 0.264835 0.717558 1.439756 1.943180 2.44691 3.14267 3.70743 5.9588
7 0.263167 0.711142 1.414924 1.894579 2.36462 2.99795 3.49948 5.4079
8 0.261921 0.706387 1.396815 1.859548 2.30600 2.89646 3.35539 5.0413
9 0.260955 0.702722 1.383029 1.833113 2.26216 2.82144 3.24984 4.7809
10 0.260185 0.699812 1.372184 1.812461 2.22814 2.76377 3.16927 4.5869
11 0.259556 0.697445 1.363430 1.795885 2.20099 2.71808 3.10581 4.4370
12 0.259033 0.695483 1.356217 1.782288 2.17881 2.68100 3.05454 4.3178
13 0.258591 0.693829 1.350171 1.770933 2.16037 2.65031 3.01228 4.2208
14 0.258213 0.692417 1.345030 1.761310 2.14479 2.62449 2.97684 4.1405
15 0.257885 0.691197 1.340606 1.753050 2.13145 2.60248 2.94671 4.0728
16 0.257599 0.690132 1.336757 1.745884 2.11991 2.58349 2.92078 4.0150
17 0.257347 0.689195 1.333379 1.739607 2.10982 2.56693 2.89823 3.9651
18 0.257123 0.688364 1.330391 1.734064 2.10092 2.55238 2.87844 3.9216
19 0.256923 0.687621 1.327728 1.729133 2.09302 2.53948 2.86093 3.8834
20 0.256743 0.686954 1.325341 1.724718 2.08596 2.52798 2.84534 3.8495
21 0.256580 0.686352 1.323188 1.720743 2.07961 2.51765 2.83136 3.8193
22 0.256432 0.685805 1.321237 1.717144 2.07387 2.50832 2.81876 3.7921
23 0.256297 0.685306 1.319460 1.713872 2.06866 2.49987 2.80734 3.7676
24 0.256173 0.684850 1.317836 1.710882 2.06390 2.49216 2.79694 3.7454
25 0.256060 0.684430 1.316345 1.708141 2.05954 2.48511 2.78744 3.7251
26 0.255955 0.684043 1.314972 1.705618 2.05553 2.47863 2.77871 3.7066
27 0.255858 0.683685 1.313703 1.703288 2.05183 2.47266 2.77068 3.6896
28 0.255768 0.683353 1.312527 1.701131 2.04841 2.46714 2.76326 3.6739
29 0.255684 0.683044 1.311434 1.699127 2.04523 2.46202 2.75639 3.6594
30 0.255605 0.682756 1.310415 1.697261 2.04227 2.45726 2.75000 3.6460
inf 0.253347 0.674490 1.281552 1.644854 1.95996 2.32635 2.57583 3.2905
top related