Escolar Documentos
Profissional Documentos
Cultura Documentos
Introdução A Estatistica No R
Introdução A Estatistica No R
(ESPECIALIZAO) A DISTNCIA
GESTO DE EMPRESAS COM NFASE EM QUALIDADE
ii
Nenhuma parte dessa publicao pode ser reproduzida, por qualquer meio ou forma, sem a
prvia autorizao da FAEPE.
Sumrio
LISTA DE TABELAS
vi
LISTA DE FIGURAS
viii
1 INTRODUO
1.1 Introduo ao R . . . . . . . . . . . . .
1.1.1 Baixando e instalando . . . . .
1.1.2 Iniciando o R . . . . . . . . . .
1.1.3 Objetos . . . . . . . . . . . . .
1.1.4 Lendo arquivos . . . . . . . . .
1.1.5 Funes bsicas . . . . . . . . .
1.1.6 Pedindo ajuda . . . . . . . . . .
1.2 Alguns conceitos importantes . . . . .
1.3 Principais aplicaes da Estatstica . .
1.4 Bibliografia consultada e recomendada
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 TCNICAS DE SOMATRIO
3 ESTATSTICA DESCRITIVA
3.1 Introduo . . . . . . . . . . . . . . .
3.2 Variveis qualitativas . . . . . . . . .
3.3 Variveis quantitativas discretas . . .
3.4 Variveis quantitativas contnuas . .
3.5 Medidas de posio . . . . . . . . . .
3.5.1 Mdia (Me) . . . . . . . . . .
3.5.2 Mediana (Md) . . . . . . . . .
3.5.3 Moda (Mo) . . . . . . . . . .
3.6 Medidas de disperso . . . . . . . . .
3.6.1 Amplitude (A) . . . . . . . .
3.6.2 Varincia e Desvio Padro . .
3.6.3 Coeficiente de Variao (CV)
1
1
1
2
2
8
8
9
10
12
14
15
.
.
.
.
.
.
.
.
.
.
.
.
19
19
20
23
25
30
30
32
34
36
36
37
40
4 PROBABILIDADE
4.1 Distribuies de probabilidade discretas . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Distribuio Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
47
48
49
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iv
5 AMOSTRAGEM
5.1 Amostragens no-aleatrias . . . . . . . . . . . . . . .
5.2 Amostragens aleatrias . . . . . . . . . . . . . . . . . .
5.2.1 Amostragem aleatria simples (AAS) . . . . . .
5.2.2 Amostragem aleatria estratificada (AAE) . . .
5.2.3 Amostragem aleatria por conglomerado (AAC)
5.2.4 Amostragem aleatria sistemtica (AS) . . . . .
50
51
57
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
59
59
60
60
60
61
61
6 INFERNCIA ESTATSTICA
6.1 Distribuio de amostragem . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Distribuio de funes da mdia amostral (populaes normais)
6.2 Estimao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.1 Estimao por ponto . . . . . . . . . . . . . . . . . . . . . . . .
6.2.2 Estimao por intervalo . . . . . . . . . . . . . . . . . . . . . .
6.3 Testes de hipteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.1 Teste de homogeneidade de Varincias (teste F): . . . . . . . . .
6.3.2 Teste sobre (populaes infinitas) . . . . . . . . . . . . . . . .
6.3.3 Teste sobre propores (p) . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
63
63
63
66
66
66
70
70
72
74
7 CORRELAO E REGRESSO
7.1 Correlao . . . . . . . . . . . . . . . . . . . . .
7.1.1 Coeficiente de correlao linear (r ou ) .
7.1.2 Coeficiente de determinao (r2 ou 2 ) .
7.2 Regresso . . . . . . . . . . . . . . . . . . . . .
7.2.1 Regresso Linear Simples . . . . . . . . .
7.2.2 Regresso Mltipla . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
75
75
75
75
77
77
84
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
85
101
Lista de Tabelas
3.1
3.2
3.3
3.4
5.1
6.1
7.1
7.2
Distribuio de freqncias absolutas (f a), relativa (f r) e percentual (f p) da atividade em propriedades de uma regio. . . . . . . . . . . . . . . . . . . . . . . . .
Distribuio de freqncias absolutas (f a), relativa (f r) e percentual (f p) do nmero de filhos por casal de uma cidade. . . . . . . . . . . . . . . . . . . . . . . . .
Distribuio de freqncias absoluta (f a), relativa (f r) e percentual (f p) do peso
observado em potinhos de canela em p. . . . . . . . . . . . . . . . . . . . . . . .
Freqncias absolutas acumuladas abaixo (Fa) e acima de (Fa). . . . . . . . . .
20
23
27
29
Diferenas bsicas entre a amostragem aleatria estratificada (AAE) e a amostragem aleatria por conglomerado (AAC). . . . . . . . . . . . . . . . . . . . . . . .
61
72
80
82
8.1
8.2
9.1
9.2
9.3
9.4
9.5
102
103
104
105
106
vi
9.7
9.8
9.9
9.10
9.11
9.12
9.13
9.14
9.15
Quantis superiores da distribuio de F (F0,10 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador, valor da probabilidade () de 10%
de acordo com o seguinte evento: P (F > F0,10 ) = 0, 10. . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,05 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 5% de
acordo com o seguinte evento: P (F > F0,05 ) = 0, 05. . . . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,05 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador, valor da probabilidade () de 5%
de acordo com o seguinte evento: P (F > F0,05 ) = 0, 05. . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,025 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 2,5%
de acordo com o seguinte evento: P (F > F0,025 ) = 0, 025. . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,025 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 2,5%
de acordo com o seguinte evento: P (F > F0,025 ) = 0, 025. . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,01 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 1% de
acordo com o seguinte evento: P (F > F0,01 ) = 0, 01. . . . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,01 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 1% de
acordo com o seguinte evento:P (F > F0,01 ) = 0, 01. . . . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,005 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 0,5%
de acordo com o seguinte evento:P (F > F0,005 ) = 0, 005. . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,005 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 0,5%
de acordo com o seguinte evento:P (F > F0,005 ) = 0, 005. . . . . . . . . . . . . . .
Quantis superiores da distribuio t de Student (t ) com graus de liberdade
e para diferentes valores da probabilidade () de acordo com o seguinte evento:
P (t > t ) = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
107
108
109
110
111
112
113
114
115
116
Lista de Figuras
1.1
1.2
1.3
1.4
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
em funo de sua
. . . . . . . . . . .
13
2.1
15
3.1
(a) Grfico de colunas das principais atividades em propriedades rurais. (b) Grfico
de barras da mesma situao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Setograma ou grfico de pizza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(a) grfico de linhas da varivel nmero de filhos por casal. (b) grfico de colunas
da mesma varivel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(a) Histograma do peso de potinhos de canela em p em uma linha de produo.
(b) O mesmo histograma com polgono de freqncia. . . . . . . . . . . . . . . . .
Ogivas representando as freqncias absolutas acumuladas acima de e abaixo de e
seu respectivo cdigo em R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Histograma ilustraando geometricamente mtodo de Czuber. . . . . . . . . . . . .
3.2
3.3
3.4
3.5
3.6
4.1
4.2
4.3
4.4
4.5
4.6
6.1
6.2
t com
. . . .
de um
. . . .
5 (linha
. . . . .
teste de
. . . . .
3
3
4
21
22
25
28
30
34
44
46
50
52
54
55
65
70
viii
6.3
7.1
7.2
7.3
73
79
81
83
1
INTRODUO
1.1
Introduo ao R
Ele se presta a diversas funes, desde uma calculadora cientfica, passando pela integrao e
derivao de funes matemticas, at a realizao de complexas anlises estatsticas.
Alm disso, o R tambm apresenta uma srie de recursos grficos que permitem a descrio
detalhada de todos os aspectos que se pode querer personalizar em um grfico, como cor, tipo e
tamanho de letra, smbolos, ttulos e sub-ttulos, pontos, linhas, legendas, planos de fundo e muito
mais.
1.1.1
Baixando e instalando
O R disponibilizado sob os termos da GNU General Public License da Free Software Foundation na forma de cdigo aberto. Ele pode ser compilado e roda em um grande nmero de
plataformas UNIX e similares (incluindo FreeBSD e Linux). Tambm pode ser compilado e roda
em Windows 9x/NT/2000 e MacOS.
O download do R gratuito de qualquer espelho do site www.r-project.org. Aps entrar nesse
site, clique em CRAN, logo abaixo da palavra Download. Em seguida, escolha um espelho perto de
1.1.2
Iniciando o R
Uma vez que voc chama o R, em ambiente Windows, sua tela aberta com uma barra de
menu, algumas mensagens bsicas e um prompt vermelho (Figura 1.1).
As informaes bsicas se referem ao registro do R, s suas regras de distribuio, seus colaboradores, como citar o R, como pedir uma demonstrao, como pedir ajuda e como sair do
R.
A barra de menu traz diversos botes de atalho para a manipulao de arquivos, pacotes,
ajudas, etc. O que se v na Figura 1.1, frente do sinal de maior que em vermelho, o prompt.
O prompt herdado de linguagens como o MS-DOS e indica o ponto onde se deve inserir as linhas
de comando. Lembre-se: tudo o que voc disser ao R ficar impresso na tela na cor vermelha e
tudo que o R lhe responder ficar impresso em azul.
Ao tentar sair do R, pela barra de menu ou pelo comando q(), mostrada uma mensagem
perguntando se o usurio deseja salvar a rea de trabalho, ou seja, se os objetos atribudos devem
permanecer com os mesmo valores ou se tudo que foi feito deve ser ignorado (Figura 1.4). Quando
se inicia novamente o R, aps ter salvo a rea de trabalho, os objetos anteriormente criados so
carregados automaticamente. Aconselha-se que toda a informao desejada seja gravada em outro
tipo de arquivo e a rea de trabalho seja raramente salva. Isso evitar confuses quanto ao valor
de objetos ao se fazer uma conta.
1.1.3
Objetos
Mais que um software que realiza anlises estatsticas, R um ambiente e uma linguagem de
programao orientada a objeto. Nele, nmeros, vetores, matrizes, arrays, data frames e listas
podem ficar armazenados em objetos (Figura 1.3). Pode-se entender objeto como uma caixinha
onde voc pode guardar o que quiser. A partir da todas as operaes matemticas podem ser
feitas usando esses objetos. Isso torna as coisas mais simples.
Para criar um objeto s atribuir um valor a um nome, ou seja, quando se coloca um valor
dentro de um objeto, este passa a existir automaticamente. Uma atribuio pode ser feita, basicamente, de duas maneiras, usando o sinal de = ou usando uma seta formada pela juno dos
INTRODUO
Nmero
Vetor
Matriz
Nome
Array
Lista
Objeto
Data frame
#a recebe 2
#x recebe 5
Para verificar quanto vale cada objeto, apenas digite seu nome tecle enter. O um entre
colchetes se refere primeira posio do vetor, ou seja, um nmero entendido com o vetor
de uma posio.
|> a
| [1] 2
Uma vez criados, os objetos podem ser usados em contas, equaes, funes, sistemas etc.
|
|
|
|
|
|
|
> a+x
[1] 7
> a-x
[1] -3
> a*x
[1] 10
> a/x
#soma
#subtrao
#produtos de escales
#diviso
INTRODUO
| [1] 0.4
| > a^x
| [1] 32
#potenciao
O resultado de uma conta, por sua vez, pode ser guardado dentro de um terceiro objeto.
| > c<-2*a + 300/x
|> c
| [1] 64
(b) Vetor: O vetor da linguagem R tem um significado um pouco diferente que o vetor da Matemtica. Para o R, um vetor qualquer conjunto unidimensional de valores. Esses valores
podem ser nmeros, strings (palavras) ou valores lgicos (F para falso e T para verdadeiro).
Em outras palavras, para o R, o vetor tem um significado mais amplo que para a Matemtica.
Para se atribuir um conjunto de valores a um objeto pode-se usar o comando c(), onde os
valores vm separados por vrgulas, dentro dos parnteses.
| > d<-c(5,8,12,3.5,9,1)
|> d
| [1] 5.0 8.0 12.0 3.5
#d recebe um vetor
9.0
1.0
possvel se referir especificamente a uma posio do vetor. Imagine que se deseje saber qual
o valor que ocupa a quarta posio do vetor d. Essa referncia feita enter colchetes, aps o
nome do objeto. | > d[4]
#4a posicao do vetor d
| [1] 3.5
(c) Matriz: Uma matriz atribuda a um objeto pela funo matrix(). Essa funo tem como
argumentos o conjunto de dados, o nmero de linhas e o nmero de colunas da matriz, nessa
ordem. Note que o conjunto de dados deve ser escrito na ordem das colunas, ou seja, como se
as colunas estivessem enfileiradas, umas sobre as outras. Observe o exemplo.
|
|
|
|
|
> e<-matrix(c(5,8,12,3.5,9,1),2,3)
> e
[,1] [,2] [,3]
[1,]
5 12.0
9
[2,]
8 3.5
1
Nas matrizes tambm possvel referenciar uma linha, uma coluna ou um elemento. Novamente deve-se usar nmeros entre colchetes, porm respeitando a ordem: primeira posio se
refere a linha e segunda posio se refere a coluna.
| > e[2,] #linha 2 da matriz e
| [1,] 8 3.5 1
| > e[,3] #coluna 3 da matriz e
(d) Array: Esse termo em Ingls no possui traduo adequada. Ele representa uma hipermatriz, ou seja, um conjunto de nmeros arranjados em mais de 2 dimenses. Quando tem 3
dimenses, um array pode ser entendido como um conjunto de matrizes de mesma dimenso.
Aqui, a referncia a linhas e colunas a mesma das matrizes, e a terceira posio dos colchetes
se refere ao valor de interesse na terceira dimenso.
O comando usado o array(). Uma forma de atribuir um array a um objeto inserir um
array de zeros (nas dimenses desejadas) e depois preenche-lo com os valores adequados. Outra
opo fazer um vetor que respeite a ordem: por coluna, por matriz; e usa-lo j na construo
do array.
A primeira posio da funo array() se refere aos argumentos das matrizes e a segunda
posio se refere s dimenses do mesmo.
| > f<-array(0,c(2,2,2))
| > f[,,1]<-matrix(c(1,2,3,4),2,2)
| > f[,,2]<-matrix(c(5,6,7,8),2,2)
#array de zeros
#primeira matriz
#segunda matriz
ou
|
|
|
|
|
|
|
|
|
|
|
|
|
> f<-array(c(1,2,3,4,5,6),c(2,2,2))
> f
, , 1
[1,]
[2,]
[,1] [,2]
1
3
2
4
, , 2
[,1] [,2]
[1,]
5
7
[2,]
6
8
Analogamente, pode-se perguntar qual o valor que ocupa a primeira linha, da segunda
coluna, da segunda matriz, do objeto f.
| > f[1,2,2]
| [1] 7
(e) Data frame: Essa estrutura de dados uma espcie de tabela, de estrutura bidimensional de
INTRODUO
dados. Podem fazer parte de um mesmo data frame nmeros e strings. Alm disso, podem
ser dados nomes s colunas. Sua funo data.frame(). Veja o exemplo.
|
|
|
|
|
|
|
> g<-data.frame(Marca=c(Wolks,Fiat,Ford),Preo=
+ c(32000,28000,29500))
> g
Marca Preo
1 Wolks 32000
2 Fiat 28000
3 Ford 29500
(f) Lista: Uma lista um conjunto de objetos de tamanhos e naturezas diferentes. Ela regida
pela funo list(). Essa a estrutura mais geral da linguagem R. Suas posies so designadas
por nmeros entre dois parnteses [[ ]]. Considere o exemplo de lista que contm um nmero
na primeira posio, uma matriz na segunda, uma palavra na terceira e um vetor na quarta.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> h<-list(3,matrix(c(1,2,3,4),2,2),lista,c(5,6,7,8))
> h
[[1]]
[1] 3
[[2]]
[1,]
[2,]
[,1] [,2]
1
3
2
4
[[3]]
[1] "lista"
[[4]]
[1] 5 6 7 8
Suponha que se deseje saber o terceiro elemento do vetor que est alocado na posio quarta
posio da lista h.
| > h[[4]][3]
| [1] 7
1.1.4
Lendo arquivos
A maneira mais fcil de inserir dados em objetos no R a leitura de arquivos. O R pode ler
arquivos de estruturas simples como as extenses .txt e .r. Tambm possvel importar outros
tipos de arquivos mais complexos, como os .xls, mas os procedimentos de importao no so
triviais, e no sero tratados aqui. O que se aconselha, quando se tem um arquivo .xls, salva-lo
como .txt e fazer a leitura normalmente.
Vale lembrar que, quando se salva uma rea de trabalho, apenas os valores dos objetos so
guardados. Todos os comandos dados e todos os resultados no armazenados em objetos so
perdidos.
Por esses motivos, fortemente recomendado que se trabalhe ao R em associao a um editor
de texto da sua preferncia. Alguns editores de texto muito teis so: o script do R, o Bloco de
notas do Windows, o Tinn-R, o WinEdt e o Emacs. Esses editores so usados tanto para elaborar
os arquivos de dados que sero lidos pelo R, quanto para armazenar rotinas (conjuntos de linhas
de comando) para a repetio futura da anlise.
Para ler um arquivo no R, a funo mais usada a read.table(). Essa funo l o arquivo e
o armazena (se desejado) na forma de data frame em um objeto. O primeiro argumento dessa
funo se refere ao nome do arquivo a ser lido. Esse argumento deve vir entre aspas. Entretanto,
o endereo desse arquivo tambm deve ser passado ao R. Para isso, tem-se duas opes: (1) Na
barra de menu, boto Arquivo, mudar diretrio para o lugar onde se encontra o arquivo; (2)
Escrever todo o endereo do arquivo dentro do primeiro argumento da funo read.table(). O
segundo argumento dessa funo se refere ao cabealho (nome) das colunas de dados contidas no
arquivo. Se as colunas tiverem cabealho (header), ento deve-se digitar h=TRUE, caso contrrio,
h=FALSE.
Exemplos de comando de leitura de arquivo quando se muda o diretrio de leitura para o lugar
onde o arquivo est armazenado, e quando o endereo informado na funo.
| > read.table(nome.txt,h=TRUE)
| > read.table(C:\\Meus Documentos\\nome.txt,h=TRUE)
1.1.5
Funes bsicas
Aqui so apresentadas algumas funes de uso constante, pertencentes aos pacotes bsicos do
R:
sum(x): soma todos os elementos de um objeto x.
length(x): retorna o comprimento de um objeto x.
rep(x,n): repete o nmero x, n vezes.
seq(a,b,by=c): gera uma seqncia de nmeros contidos entre a e b, distantes c unidades um do
outro.
table(x): retorna uma tabela com as freqncias absolutas de ocorrncia da cada elemento de x.
INTRODUO
1.1.6
Pedindo ajuda
O jeito mais fcil de se aprender a usar R consultando constantemente seus tpicos de ajuda.
Existem basicamente quatro tipos de ajuda no R:
(a) help(funo()): Essa ajuda deve ser solicitada quando se sabe da existncia de uma funo
(sabe-se seu nome exato), mas existe dvidas em como us-la. Se o pacote que contm essa
funo estiver instalado e carregado, ser aberta a documentao da mesma para esclarecimentos.
(b) help.search( ): Quando se deseja investigar a existncia de uma funo, essa ajuda recebe
uma palavra-chave (em Ingls) e retorna todas aquelas funes que contm aquela palavra
em sua documentao. A busca feita nos pacotes existentes no computador em questo, ou
seja, se uma busca no retornar nenhum resultado adequado, no significa que a funo no
exista. Significa que ela no existe, pelo menos, em seu computador.
(c) Ajuda Html: Essa ajuda pode ser chamada pela barra de menu, no boto Ajuda (Help).
Quando acionada, ela abre um documento em html que contm diversas informaes sobre
o R, sua linguagem, suas funes bsicas, seus pacotes, seus autores, sua licena, perguntas
mais freqentes etc.
(d) RSiteSearch( ): Quando conectado internet, essa ajuda faz a busca de uma palavra-chave
em todas as pginas da internet relacionadas com o R, principalmente aquelas pginas publicadas com as perguntas e respostas das listas de discusses do R. Existem diversos tipos de
listas de discusses que podem ser encontradas na pgina do R. Nelas so tiradas dvidas mais
grave, so dadas sugestes para as novas verses do R, so desvendados e descoberto pequenos
erros de programao etc. Elas colocam os usurios do R em contato com os estatsticos que
fazem e mantm o R.
Quando se deseja saber informaes acerca de uma dada funo existente deve-se digitar help("funo")
ou, simplesmente, ?funo(). Caso se deseje saber se um tpico possui funo no R, o comando
deve ser: help.search("tpico").
10
1.2
INTRODUO
11
Ex.: No lanamento de um dado honesto, o espao amostral composto por suas seis
diferentes faces. A cada uma delas est associado um nmero natural de 1 a 6. Suponha que a
varivel aleatria X descreve o resultado desse lanamento e o dado cai com face
virada para
cima. Nesse caso associamos um valor a este evento, ou seja, x = 4.
Amostra o subconjunto com n elementos da populao.
Censo a observao exaustiva de todos os N elementos da populao.
Evento cada possvel resultado em um experimento. Ex: A face cara cair voltada para cima
no lanamento de uma moeda honesta.
Estatstica experimental tem por objetivo comparar mais de duas populaes simultaneamente
(tratamentos).
TIPOS DE VARIVEIS
QUALITATIVAS
So aquelas variveis que indicam qualidades, atributos, caractersticas no numricas de forma
geral.
QUANTITATIVAS
Resumem-se a medidas, pesagens ou contagens.
(a) Quantitativas discretas:
So representadas pelas contagens.
Ex: N de espigas por planta de milho.
(b) Quantitativas contnuas:
So representadas pelas medies ou pesagens (R)
Ex: Produtividade (t/ha).
12
1.3
Determinsticos
Probabilsticos
Modelos
Este grfico foi feito no R. Quer saber como? D uma olha na rotina.
x<-seq(0,30)
y<--x^2+50*x+5
plot(x,y,l,ylab=Peso (kg),xlab=Ingesta de rao (kg/dia))
e<-rnorm(length(y),0,25)
yo<-y+e
points(x,yo,pch=19)
13
400
300
0
100
200
Peso (kg)
500
600
INTRODUO
10
15
20
25
30
Figura 1.4: Grfico ilustrativo do comportamento do peso de sunos (kg) em funo de sua ingesta
diria de rao ao longo do perodo de engorda.
DIAGRAMA DA ESTATSTICA
14
1.4
2
TCNICAS DE SOMATRIO
Ex1 : 4 + 4 + 4 =
3
X
4.
i=1
Ex2 : y1 + y2 + y3 + y4 =
4
X
yi .
i=1
k
X
Ex3 : (x1 + y1 ) + (x2 + y2 ) + ... + (xk + yy ) =
(xi + yi )2 .
2
i=1
16
axi = a
i=1
n
X
xi .
(2.1)
i=1
Demonstrao:
n
X
n
X
i=1
Ex5 :
3
X
xi .
i=1
i=1
3
X
yi .
i=1
i=1
i=1
Demonstrao:
n
X
xi yi 6=
n
X
i=1
!
xi
n !
X
yi
i=1
i=1
x1 y1 + x2 y2 + . . . + xn yn =
6 (x1 + x2 + . . . + xn ) (y1 + y2 + . . . + yn )
x1 y1 + x2 y2 + . . . + xn yn 6=x1 y1 + x1 y2 + . . . + x1 yn + . . . + x2 y1 + x2 y2 +
+ . . . + x2 y n + . . . + xn y 1 + xn y 2 + + xn y n
Ex6 :
2
X
i=1
2xi 3yi 6=
2
X
i=1
!
2xi
2
X
!
3yi
i=1
(2.2)
TCNICAS DE SOMATRIO
17
axi byi = a
i=1
n
X
xi b
i=1
n
X
yi .
(2.3)
i=1
Demonstrao:
n
X
i=1
= a(x1 + x2 + . . . + xn ) + b(y1 + y2 + . . . + yn )
n
n
X
X
=a
xi + b
yi .
i=1
i=1
Ex7 :
2
X
i=1
= 3(x1 + x2 ) + 4(y1 + y2 )
=3
2
X
xi + 4
i=1
2
X
yi .
i=1
k = nk
(2.4)
i=1
Demonstrao:
n
X
i=1
n
X
i=1
k = |k + k +
{z. . . + k} = nk.
n
k=k
n
X
i=1
Ex7 :
4
X
i=1
5 = 5| + 5 +
{z. . . + 5} = 4 5 = 20.
4
Ou ento,
18
O R possui uma funo bsica chamada sum(). Essa funo faz a soma de todos os
elementos de um objeto que for seu argumento: sum(objeto). Por exemplo:
x<-c(4,3,6,2,1,3,2,4,5)
sum(x)
Se voc desejar somar apenas alguns valores de seu objeto (por exemplo, os valores da posio a at a posio b, em um vetor), s indicar o intervalo desejado da seguinte maneira:
sum(objeto[a:b]).
sum(x[2:5])
3
ESTATSTICA DESCRITIVA
3.1
Introduo
Um bom trabalho de coleta de dados experimentais pode render uma massa de dados confivel,
porm desordenados, isto , brutos. Na sua forma bruta os dados no querem dizer muita coisa,
isto , no so considerados informao. Por isso, o objetivo da Estatstica Descritiva apresentar
uma srie de tcnicas de descrio de dados vlidas para censos e amostras.
ALGUMAS DEFINIES PERTINENTES
Freqncia de forma geral, indica com que freqncia determinado valor (ou intervalo de valores) ocorre na massa de dados.
Distribuio de freqncia a funo que associa valores da varivel com suas freqncias de
ocorrncia.
Tipos de freqncia
(a) Freqncia absoluta (fa): representa o nmero de vezes que um valor (ou intervalo) ocorre nos
dados.
fa
.
n
(3.1)
(3.2)
20
3.2
Variveis qualitativas
Experimentos ou pesquisas que possuem como foco variveis qualitativas podem ser descritos
(resumidos) por meio de distribuies de freqncia e suas representaes grficas. A seguir, um
exemplo ilustra o procedimento.
Ex.: Um engenheiro agrnomo faz um levantamento das principais atividades agrcolas em uma
amostra contendo 20 propriedades de certa regio. O croquis a seguir representa esquematicamente
o resultado da pesquisa.
C
C
L
M
L
So
C
M
S
L
LA
C
C
C
C
M
L
C
M
L
fa
8
5
4
3
20
fr
0,40
0,25
0,20
0,15
1,00
f p (%)
40,00
25,00
20,00
15,00
100,00
Nota: classes pouco freqentes podem ser agrupadas em uma categoria outras, em ltimo
lugar.
ESTATSTICA DESCRITIVA
21
Milho Outras
Leite
Atividade
0.3
0.2
0.0
Cafe
0.1
Freqncia relativa
0.4
Cafe
Leite
Milho
Atividade
Outras
0.0
0.1
0.2
0.3
Freqncia relativa
0.4
(a)
(b)
Figura 3.1: (a) Grfico de colunas das principais atividades em propriedades rurais. (b) Grfico
de barras da mesma situao.
22
Cafe
Leite
Outras
Milho
ESTATSTICA DESCRITIVA
23
3.3
Variveis quantitativas discretas podem ser vistas como casos particulares de variveis quantitativas contnuas. Pode-se tratar uma massa de dados de variveis quantitativas discretas como
se fosse de variveis qualitativas, ou seja, cada valor assumido pela varivel pode ser visto como
uma classe. Porm, quando a varivel, apesar de assumir valores discretos, puder assumir uma
quantidade muito grande de valores, ela pode ser tratada como uma varivel quantitativa contnua, ou seja, construindo-se classes. Os procedimentos indicados para a manipulao de variveis
quantitativas contnuas sero apresentados a seguir.
A representao grfica das variveis quantitativas discretas se d de forma semelhante a das
qualitativas ordinais.
Veja o seguinte exemplo real: uma pesquisa da Secretaria de Sade Pblica de um municpio
investigou o nmero de filhos por casal. A seguir est apresentada uma parte dos resultados
obtidos:
3
1
4
0
3
2
1
1
3
3
2
2
1
2
1
4
2
2
2
1
4
1
4
4
1
1
3
0
2
1
2
3
4
3
4
0
3
3
3
3
fa
3
10
9
11
7
40
fr
0,075
0,250
0,225
0,275
0,175
1,000
f p (%)
7,50
25,00
22,50
27,50
17,50
100,00
24
GRFICO DE LINHAS
Uma das formas de representar graficamente a distribuio de freqncias de variveis quantitativas discretas o grfico de linhas. Ao contrrio do que se costuma chamar de grfico de
linhas, esse um grfico que representa as alturas de cada ocorrncia da varivel por meio de
linhas (Figura 3.3). Esse o limite do grfico de colunas quando a largura da coluna tende a zero.
Isso faz sentido j que, nesse caso, a classe se resume a um ponto, ou seja, a amplitude de classe
(c) zero.
Apesar de no fazer muito sentido, o grfico de colunas tem sido muito utilizado para representar variveis quantitativas discretas devido a seu apelo visual. A Figura 3.3 tambm apresenta
o grfico de colunas para esse exemplo.
0.20
0.10
0.15
fr
fr
25
0.25
ESTATSTICA DESCRITIVA
Nmero de filhos
Nmero de filhos
(a)
(b)
Figura 3.3: (a) grfico de linhas da varivel nmero de filhos por casal. (b) grfico de colunas da
mesma varivel.
3.4
Aqui se descreve uma seqncia de passos indicados para a construo de uma distribuio
de freqncias para variveis quantitativas contnuas. No entanto, importante ressaltar que
essa apenas uma de uma infinidade de maneira que se poderia construir uma distribuio de
freqncia eficiente e compreensvel. Portanto, na literatura especializada facilmente pode-se
encontrar diferentes sugestes de procedimento.
(1) Determinar o nmero de classes (k):
Critrio
emprico
n, se n < 100
k'
5 log n, se n > 100
(3.3)
A
k
(3.4)
26
A
.
k1
(3.5)
LI1 = mvo
(3.6)
c
LI1 = mvo .
2
(3.7)
LSi = LIi + c
(3.8)
LSi = LIi+1 ,
(3.9)
c=
Para ilustrar a seqncia de passos descrita, considere o seguinte exemplo: Em uma linha de
envasamento de potinhos de canela em p, a especificao ench-los com 50g do produto. Se
a envasadora colocar mais que o especificado, a empresa estar sendo lesada. Caso contrrio,
o consumidor ser enganado. Por isso, conveniente fazer o acompanhamento dos potinhos
envasados. Coletou-se uma amostra de 50 potinhos dessa linha de produo, que aqui so dispostos
em ordem crescente, em g.
45,2
48,5
50,5
55,0
45,3
48,8
50,6
55,2
45,4
48,8
50,8
55,3
45,7
49,1
51,0
55,7
Portanto,
(1) n < 100 k =
45,9
49,2
51,1
55,7
46,1
49,3
51,4
A
k1
10,5
71
46,2
49,8
51,6
46,5
49,9
51,7
n = 50 = 7, 07 7 classes.
46,1
49,7
51,6
= 1, 75g
1,75
2
44, 33g
46,6
50,1
51,9
46,9
50,2
52,5
47,9
50,3
52,7
48,1
50,4
52,8
48,1
50,5
53,0
48,3
50,5
54,9
ESTATSTICA DESCRITIVA
27
fa
5
6
10
14
9
0
6
50
fr
0,10
0,12
0,20
0,28
0,18
0,00
0,12
1,000
f p (%)
10,0
12,00
20,00
28,00
18,00
00,00
12,00
100,00
Veja como construir uma distribuio de freqncias de uma varivel quantitativa contnua:
canela<-c(45.2,45.3,45.4,45.7,45.9,46.1,46.1,46.2,46.5,46.6,46.9,47.9,48.1,48.1,
48.3,48.5,48.8,48.8,49.1,49.2,49.3,49.7,49.8,49.9,50.1,50.2,50.3,50.4,50.5,
50.5,50.5,50.6,50.8,51.0,51.1,51.4,51.4,51.6,51.7,51.9,52.5,52.7,52.8,53.0,
54.9,55.0,55.2,55.3,55.7,55.7)
df<-matrix(0,8,3)
colnames(df)<-c("fa","fr","fp")
rownames(df)<-c([44,33;46,08),[46,08;47,83),[47,83;49,58),[49,58;51,33),
[51,33;53,08),[53,08;54,83),[54,83;56,58),Total)1
tab.canela<-table(cut(canela,breaks=c(44.33,46.08,47.83,49.58,51.33,53.08,
54.83,56.58)))
df[1:7,1]<-tab.canela
df[8,1]<-length(canela)
for(i in 1:8)
{df[i,2]<-df[i,1]/length(canela)}
for(i in 1:8)
{df[i,3]<-df[i,2]*100}
HISTOGRAMA
A representao grfica mais usada para representar variveis quantitativas contnuas o histograma. Histogramas so grficos de barras verticais justapostas em um eixo contnuo. Neles,
o eixo x recebe a varivel em estudo, ou seja, abriga as classes. A largura das colunas representa a amplitude das classes. O eixo y recebe as freqncias (absolutas, relativas, percentuais ou
densidades de freqncia).
28
fi
,
ci
(3.10)
0.00
0.00
0.05
0.05
Dfr
Dfr
0.10
0.10
0.15
0.15
44
46
48
50
52
Canela em p (g)
(a)
54
56
44
46
48
50
52
54
56
Canela em p (g)
(b)
Figura 3.4: (a) Histograma do peso de potinhos de canela em p em uma linha de produo. (b)
O mesmo histograma com polgono de freqncia.
ESTATSTICA DESCRITIVA
29
Fa
0
5
11
21
35
44
44
50
Fa
50
45
39
29
15
6
6
0
A rotina para construir histogramas usa a funo hist() do R. Nela atributos como a
densidade de freqncia relativa e cores das colunas pode ser facilmente modificados. Figura
3.4(a):
h<-hist(canela,breaks=c(44.33,46.08,47.83,49.58,51.33,53.08,56.58),freq=FALSE,
ylab="Dfr",xlab="Canela em p (g)",main="",col=gray(seq(0.1,1.0,length=6)))
Figura 3.4(b) (alm da rotina para a Figura 3.4(a)):
points(h$mids,h$density,"l")
30
20
0
10
Freqncia acumulada
40
50
30
44
46
48
50
52
54
56
Canela em p (g)
Figura 3.5: Ogivas representando as freqncias absolutas acumuladas acima de e abaixo de e seu
respectivo cdigo em R.
3.5
Medidas de posio
Quando se tratam de variveis quantitativas, os dados podem ser resumidos sob a forma de
distribuies de freqncia ou por medidas descritivas. Medidas descritivas so formas de, em um
nico nmero, tentar expressar a informao trazida pelos dados.
As duas categorias de medidas descritivas so: medidas de posio e medidas de disperso.
As medidas de posio indicam a posio global dos dados na escala de valores possveis.
3.5.1
Mdia (Me)
Y =
n
i=1
Dados agrupados
k
X
Y =
f ri m i
i=1
LSi + LIi
.
2
(3.11)
ESTATSTICA DESCRITIVA
31
PROPRIEDADES DA MDIA
Sejam X e Y variveis aleatrias e k uma constante.
= Y + k.
(1) Se X = Y + k, ento X
Demonstrao:
=
X
Pn
i=1
Xi
n
x1 + x2 + . . . + xn
=
n
(y1 + k) + (y2 + k) + . . . + (yn + k)
=
n
(y1 + y2 + . . . + yn ) + (k + . . . + k)
=
n
(y1 + y2 + . . . + yn ) + nk
=
n
Pn
Yi
= i=1 + k
n
= Y + k
= Y k
(2) Se X = Y k, ento X
Demonstrao:
=
X
Pn
i=1
Xi
n
x1 + x2 + . . . + xn
=
n
(y1 k) + (y2 k) + . . . + (yn k)
=
n
y1 + y2 + . . . + yn
=
k
n
Pn
Yi
= i=1 k
n
= Y k
32
Pn
i=1 ei
= 0.
Demonstrao:
n
X
ei =
i=1
n
X
(yi y)
i=1
=
=
=
=
n
X
i=1
n
X
i=1
n
X
i=1
n
X
yi
yi
i=1
n
n
X
X
i=1
i=1
n
X yi
yi n
yi
i=1
3.5.2
n
X
i=1
n
X
yi
n
yi = 0
i=1
Mediana (Md)
aquele elemento que ocupa a posio central, ou seja, divide a massa de dados em duas
partes iguais.
Dados no agrupados
(porm, ordenados)
, se n mpar
y n+1
2
M d(Y ) =
y n2 +y n2 +1 , se n par
2
Dados agrupados
o valor que separa a rea do grfico em
duas partes iguais.2
PROPRIEDADES DA MEDIANA
(1) Se X = Y + k, ento, M d(X) = M d(Y ) + k.
Demonstrao:
Se n mpar:
M d(X) = x n+1
2
= y n+1 + k
2
= M d(Y ) + k
ESTATSTICA DESCRITIVA
33
Se n par:
y n2 + y n2 +1
2
x n2 + k + x n2 +1 + k
=
2
x n2 + x n2 +1 + 2k
=
2
x n2 + x n2 +1
=
+k
2
= M d(Y ) + k
M d(X) =
= y n+1 k
2
= M d(Y ) k
Se n par:
y n2 + y n2 +1
2
x n2 k + x n2 +1 k
=
2
x n2 + x n2 +1
=
k
2
= M d(Y ) k
M d(X) =
34
3.5.3
Moda (Mo)
Variveis contnuas
Aconselha-se trabalhar com dados agrupados, pelo mtodo de Czuber.
MTODO DE CZUBER
O mtodo de Czuber permite encontrar-se a moda em dados agrupados. Como era de se
esperar, a moda estar contida na classe mais freqente ou, no histograma, a coluna mais alta.
Essa classe recebe o nome de classe modal. Dentro da classe modal a moda se situar mais prximo
quela classe adjacente que for mais consecutivamente mais alta. Analise a frmula e entenda sua
lgica no histograma ilustrativo da Figura 3.6.
M o(Y ) = LIM +
1
cM ,
1 + 2
(3.12)
sendo 1 = Df rM Df rM 1 e 1 = Df rM Df rM +1 .
0.00
0.05
dfr
0.10
0.15
44
46
48
50
52
54
56
Varivel
ESTATSTICA DESCRITIVA
35
PROPRIEDADES DA MODA
(1) Se X = Y + k, ento, M o(X) = M o(Y ) + k.
Demonstrao:
M o(X) = x mais freqente.
= y mais freqente + k
= M o(Y ) + k
(2) Se X = Y k, ento, M o(X) = M o(Y ) k.
Demonstrao:
M o(X) = x mais freqente.
= y mais freqente k
= M o(Y ) k
#mdia
#mediana
INFLUNCIA SOFRIDA POR DADOS EXTREMOS:
Me > Md > Mo
36
3.6
Medidas de disperso
I
100
100
100
100
100
100
100
II
80
100
100
120
100
100
100
III
10
100
100
190
100
100
100
Fica claro que as medidas de posio, por si s, no so suficientes para descrever um conjunto
de dados. No exemplo, os trs conjuntos de dados diferem quanto variabilidade. Por exemplo, o
conjunto III varia muito mais que os outros dois. A est evidenciada a importncia das medidas
de disperso ou variabilidade.
3.6.1
Amplitude (A)
Amplitude total (ou simplesmente Amplitude), como j mencionando na construo de histogramas, o intervalo total de variao dos dados.
A = M V O mvo
No exemplo,
Amplitude
I
100 100 = 0
II
120 80 = 40
III
190 10 = 180
5 15
5 10
15 15 40
20 30 40
AI = 35
AII = 35
Os conjuntos so diferentes, apresentam variabilidades diferentes, porm a amplitude no conseguiu detectar esse fato.
ESTATSTICA DESCRITIVA
37
PROPRIEDADES DA AMPLITUDE
(1) Se X = Y + k, ento, A(X) = A(Y ).
Demonstrao:
A(X) = M V Ox mvox
= (M V Oy + k) (mvoy + k)
= M V Oy mvoy = A(Y )
(2) Se X = Y k, ento, A(X) = A(Y ) k.
Demonstrao:
A(X) = M V Ox mvox
= (M V Oy k) (mvoy k)
= (M V Oy mvoy ) k
= A(Y ) k
3.6.2
A varincia e o desvio padro so as duas medidas de disperso mais usadas. Elas so grandezas
proporcionais, por isso sero tratadas em um mesmo tpico.
Ambas se valem de todas as observaes para calcular suas quantidades e se baseiam no desvio
em relao mdia
ei = yi y.
VARINCIA
Notao: normalmente, a varincia da populao designada pela letra grega sigma minsculo
ao quadrado ( 2 ); e a varincia da amostra, pela letra S 2 (quando se tratar da varivel aleatria)
e s2 (quando se tratar de uma estimativa de S 2 ).
Se X uma varivel aleatria V (X) tambm denota a Varincia de X.
Censos
n
X
e2i
2
i=1
Amostras
n
X
e2i
2
S =
i=1
n1
Dados agrupados
k
X
i=1
f ri (mi y)2
38
Varincia
I
0
II
266,67
III
5400
Nesse caso, a varincia identificou a diferena na variabilidade dos conjuntos, porm seu valor
absoluto no interpretvel praticamente porque ela se expressa no quadrado da unidade dos
dados. Por exemplo, o peso de um grupo de bovinos alimentados com certa rao varia 266, 67kg 2 .
(!!??)
PROPRIEDADES DA VARINCIA
(1) Se X = Y + k, ento, V (X) = V (Y ).
Demonstrao:
Pn
V (X) =
2
i=1 ei
n1
Pn
(xi x)2
= i=1
n1
Pn
(yi + k (
y + k))2
= i=1
n1
Pn
(yi y)2
= i=1
= V (Y )
n1
2
i=1 ei
n1
Pn
)2
i=1 (xi x
=
n1
Pn
y k))2
i=1 (yi k (
=
n1
Pn
) k)2
i=1 ((yi y
=
n1
Pn
)2
i=1 (yi y
=
k2
n1
= V (Y ) k 2
ESTATSTICA DESCRITIVA
39
DESVIO PADRO
Notao: O desvio padro recebe a mesma notao que a varincia, porm sem o quadrado,
ou seja, o desvio padro da populao designado por ; e o desvio padro da amostra, por S
(varivel aleatria) ou s (estimativa de S).
Se X uma varivel aleatria DP (X) tambm denota o Desvio Padro de X.
Censos
= 2
Amostras
S = S2
No exemplo,
Desvio Padro
I
0
II
16,33
III
73,48
Alm de utilizar todos os dados para computar sua medida de variabilidade, o desvio padro
ainda retorna um valor expresso na unidade dos dados, o que o torna mais facilmente interpretvel.
Por exemplo, quando se diz que o peso de bovinos alimentados com certa rao costuma variar
16,33kg ao redor da sua mdia de peso, o leitor consegue ter uma idia prtica da variao.
PROPRIEDADES DO DESVIO PADRO
(1) Se X = Y + k, ento, DP (X) = DP (Y ).
Demonstrao:
p
DP (X) =
V (X)
= V (Y )
= DP (Y )
(2) Se X = Y k, ento, DP (X) = DP (Y ) k.
Demonstrao:
DP (X) =
V (X)
= V (Y ) k 2
= DP (Y ) k
40
3.6.3
O Coeficiente de variao uma medida de variabilidade padronizada, ou seja, expressa percentualmente a variao dos dados em relao mdia.
Censos
CV (%) =
Amostras
S
CV (%) =
X
Sua grande vantagem permitir a comparao de grandezas diferentes, que esto em unidades
diferentes (por exemplo: o que mais varivel, o ganho de peso de sunos ou a altura de plantas
de milho?).
Por outro lado, ele possui srias restries de uso e inspira cuidados. Primeiro, quando a
mdia da varivel aleatria em questo tende a zero, o CV tende ao infinito (o que no faz sentido
prtico). Segundo, de acordo com as propriedades da mdia a do desvio padro, a adio de
uma constante s observaes altera a mdia da nova varivel aleatria, mas no altera seu desvio
padro, ou seja, por meio de algumas transformaes de variveis o CV pode ser criminosamente
manipulado.
No exemplo,
CV(%)
I
0
II
16,33
III
73,48
Nesse caso a interpretao se torna ainda mais imediata, porm no podemos nos esquecer das
ressalvas feitas anteriormente.
PROPRIEDADES DO COEFICIENTE DE VARIAO
(1) Se X = Y + k, ento,
Demonstrao:
DP (X)
X
DP (Y + k)
=
Y +k
DP (Y )
=
Y +k
CV (X) =
DP (Y )
DP (Y )
Se k > 0, ento
<
Y +k
Y
DP (Y )
DP (Y )
>
Se k < 0, ento
Y +k
Y
ESTATSTICA DESCRITIVA
41
X
DP (Y k)
=
Y k
DP (Y ) k
=
Y k
DP (Y )
=
= CV (Y )
Y
CV (X) =
#Amplitude
#Varincia
#Desvio padro
#Coeficiente de variao
42
4
PROBABILIDADE
|B|
|C|
(4.1)
em que | | a cardinalidade de um conjunto;1 A um evento e; B e C so conjuntos. Mais especificamente, B o conjunto que contm todos os eventos de interesse e C o espao amostral ().
No exemplo, B = {x|x uma carta do naipe de ouros} e C = {x|x uma carta do baralho} 2 .
LEI DOS GRANDES NMEROS
A lei dos grandes nmeros um conceito fundamental em Estatstica e Probabilidade que
descreve como a mdia de uma amostra, suficientemente grande e selecionada aleatoriamente, se
torna provvel de estar perto da mdia da populao. Uma definio e trazida pelo site Wikipdia
(2006): "Se um evento de probabilidade p for observado repetidamente ao longo de realizaes
independentes, a relao da freqncia observada desse evento ao nmero total das repeties
converge para p enquanto o nmero das repeties se torna arbitrariamente grande."Dizendo com
outras palavras e colocando no contexto da construo de histogramas, pode-se entender que
quando n , as freqncias das classes tendem a se estabilizar.
Considere o seguinte exemplo: no lanamento de uma moeda honesta qual a probabilidade de
sair cara? Resp.: 50%. Isto intuitivo devido lei dos grandes nmeros.
Figura 4.1 traz a simulao de 500 lanamentos de uma moeda honesta, a contagem do nmero
de caras obtidas em cada lanamento e a plotagem da freqncia relativa de caras (nmero de
caras/nmeros de lanamentos). Note que, quanto mais n (nmero de lanamentos) aumenta,
1
2
44
0.8
0.7
0.6
0.4
0.5
Freqncia Relativa
0.9
1.0
mais a freqncia relativa tende a se estabilizar em 50%, o que corrobora a afirmao intuitiva
anterior.
100
200
300
400
500
Nmero de lanamentos
Figura 4.1: Simulao do lanamento de uma moeda honesta 500 vezes, comportamento de sua
freqncia relativa.
PROBABILIDADE
45
REGRA DO E E REGRA DO OU
(4.2)
1 1
1
=
= 0, 0278 = 2, 78%
6 6
36
1 1
2
+ = = 0, 3333 = 33, 33%
6 6
6
46
(i) P A = 1 P (A).
(ii) P () = 0.
(iii) P (A B) = P (A) + P (B) P (A B).
(iv) 0 P (A) 1.
0.2
0.0
0.1
fdp(x)
0.3
0.4
PROBABILIDADE
47
4.1
x0 D(X)
P [X = xi ] = 1.
i=1
DEFINIES TEIS
Esperana matemtica de X o valor mdio esperado para infinitas realizaes da varivel
aleatria discreta X.
k
X
E[X] = M e(X) =
xi P [X = xi ]
i=1
2
X =
(X E[X])2 P [X = xi ]
i=1
48
4.1.1
Distribuio Binomial
(4.4)
em que,
Cn,x =
n!
.
x!(n x)!
(4.5)
(4.7)
Exemplo: Em uma ninhada de aves, nove ovos foram chocados. Qual a probabilidade de
nascerem sete machos?
Sabe-se que a probabilidade de um filhote ser macho 50% (p = 0, 5); o nmero de ovos nessa
ninhada 9 (n = 9); e a varivel aleatria (X), desse experimento, representa o nmero de filhotes
machos. Alm disso, queremos descobrir a probabilidade dessa varivel assumir o valor sete, ou
seja, nascerem sete machos nessa ninhada (x = 7); ento
P [X = 7] = C9,7 p7 q 97 = 36 0, 57 0, 52
= 7%.
PROBABILIDADE
4.1.2
49
Distribuio Poisson
(4.9)
= np.
(4.10)
Exemplo: Supondo que a ocorrncia mdia de chuvas acima de 50mm/h, em uma regio, seja
de 1, 5 por ano, qual a probabilidade de, em um dado ano, no chover mais de 50mm/h? E ter
apenas uma chuva intensa? E duas? Faa a distribuio de probabilidade dessa varivel at 6
chuvas intensas.
fdp: P [X = 0] =
e1,5 1, 50
= 0, 2231.
0!
e1,5 1, 51
= 0, 3347.
1!
..
.
e1,5 1, 55
fdp: P [X = 5] =
= 0, 0141.
5!
fdp: P [X = 1] =
e1,5 1, 56
= 0, 0035.
6!
Portanto, temos a seguinte distribuio de freqncias:
fdp: P [X = 6] =
X
P [X = x]
0
0,2231
1
0,3347
2
0,2510
3
0,1255
4
0,0421
5
0,0142
6
0,0035
50
4.2
0.0
0.0
0.1
0.1
0.2
0.2
0.3
0.4
0.3
0.5
0.4
-2
-1
-3
-2
-1
0.0
0.0
0.1
0.1
0.2
0.2
0.3
0.3
0.4
0.4
-3
-4
-2
-4
-2
Figura 4.3: Esquema da generalizao terica de histogramas para funes densidade de probabilidade, quando n .
PROBABILIDADE
51
Vamos entender o que acontece quando o tamanho da amostra cresce. Sejam as seguintes
regras de determinao da amplitude e nmero de classes de um histograma convencional:
k = 5 log n
4.2.1
c=
A
.
k1
Definio: uma varivel aleatria contnua tem distribuio Normal se ela segue a seguinte
funo densidade de probabilidade:
2
1 x
f (x) =
.
(4.11)
e 2
2
Notao:4
N (, 2 ).
Portanto, a mdia e a varincia so os dois parmetros da distribuio Normal, sendo o
parmetro de locao e 2 o parmetro de forma.
M e(X) = ;
(4.12)
V (X) = 2 .
(4.13)
52
(1) simtrica.
(2) Tem forma de sino.
(3) Est definida de a +, com caudas assintticas ao eixo X.
(4) Apresenta a particularidade: M e = M o = M d.
(5) Dois parmetros: De forma: 2 e de locao .
Exemplo: A velocidade de veculos em uma rodovia segue uma distribuio Normal com mdia
60km/h e varincia 400(km/h)2 .
(a) Qual a probabilidade de um veculo ser flagrado a mais de 100km/h?
Soluo:
Z
f (x)dx =
100
100
20 2
e 2
x 60
20
2
dx.
0.010
0.000
0.005
fdp(x)
0.015
0.020
50
100
150
Velocidade (km/h)
Figura 4.4: Esquema destacando a area acima de 100km/h em uma distribuio de media 60km/h
e varincia 400(km/h)2 .
PROBABILIDADE
53
X
(III)
N (0, 1)
X
.
(4.14)
54
100 60
= 2 e utilizando a Tabela 9.2 do Apndice ??, temos que P (X > 100) =
20
P (Z > 2) = 0, 5 0, 4772 = 0, 0228 = 2, 28%.
Da, z =
0.010
0.000
0.005
fdp(x)
0.015
0.020
50
100
150
Velocidade (km/h)
Figura 4.5: Esquema destacando a area entre 40 e 100km/h em uma distribuio de media 60km/h
e varincia 400(km/h)2 .
PROBABILIDADE
55
40 60
70 60
= 1 e z2 =
= 0, 5. E olhando
20
20
na tabela: P (40 < X < 70) = P (1 < z < 0, 5) = 0, 3413 + 0, 1915 = 53, 28%.
Aqui, devemos transformar dois pontos: z1 =
0.010
0.000
0.005
fdp(x)
0.015
0.020
50
100
150
Velocidade (km/h)
Figura 4.6: Esquema destacando o intervalo que contem 90% dos veculos em uma distribuio de
media 60km/h e varincia 400(km/h)2 .
56
X2 60
= X2 = 92, 9km/h
20
X1 60
1, 645 =
= X1 = 27, 1km/h
20
P (27, 1 < X < 92, 9) = 90%
1, 645 =
PROBABILIDADE
57
4.2.2
Existe uma infinidade de outras distribuies contnuas muito usadas em Estatstica Aplicada
que, infelizmente, no sero tratadas aqui, a saber: distribuio Uniforme, Exponencial, Weibull,
Gama, etc.
58
5
AMOSTRAGEM
Na grande maioria das situaes prticas, o exame exaustivo de todos os elementos de uma
populao (censo) no possvel por ser cara, demorada ou mesmo impossvel (populaes infinitas).
Nestes casos imperativo o uso de tcnicas de amostragem. O uso de amostras traz diversas
vantagens como:
menor custo;
maior rapidez;
boa acurcia (se coletada corretamente);
torna vivel o exame em analises destrutivas, etc.
As amostras devem ser representativas, ou seja, guardar semelhanas com a populao. Para
isso necessrio, sempre que possvel, a aleatorizao, casualizao ou sorteio.
5.1
Amostragens no-aleatrias
Sao utilizadas quando o sorteio no possvel, mas se faz um esforo para garantir a representatividade. Algumas delas:
(a) Difcil acesso: Exemplo: Amostragem de minrio em vages. Embora seja praticamente
impossvel tomarmos minrios em todas as partes do vago, essa tende a ser uma situao
homognea e a coleta em pontos da superfcie pode ser suficiente.
(b) Coleta a esmo: Exemplo: Amostragem de solo. Nesse caso costuma-se fazer um caminhamento
em zigue-zague, que um esforo de aleatorizao.
(c) Por convenincia: Exemplo: Pesquisa onde se fazem perguntas a pessoas prximas ao pesquisador. Em casos em que se pode considerar que as pessoas que esto passando, naquele
momento, ao lado do pesquisador esto ali por puro acaso.
(d) Intencional: Exemplo: Escolha de cada indivduo. O pesquisador determina exatamente que
ser observado, mas se esfora garantir a representatividade de sua escolha.
(e) Auto-escolha: Exemplo: Voluntrios para uma pesquisa mdica. A rea mdica muitas frequentemente se enquadra nesta amostragem, onde no se pode escolher aquelas pessoas que
ficam doentes, por exemplo. Neste caso, pode-se considerar que as pessoas adoecem aleatoriamente.
60
5.2
5.2.1
Amostragens aleatrias
Amostragem aleatria simples (AAS)
(5.1)
5.2.2
(5.2)
AMOSTRAGEM
5.2.3
61
(5.3)
5.2.4
AAC
Alguns conglomerados so sorteados
Efeito aleatrio
Conglomerados so semelhantes entre si
Objetivo: < custo
62
N
.
n
MODELO ESTATISTICO1
Y i = + ui ,
(5.4)
ui = uij + ei .
(5.5)
em que
1
2
(5.6)
6
INFERNCIA ESTATSTICA
Inferncia o conjunto de tcnicas que generalizam informaes amostrais para toda a populao.
Grandes reas Estimao (Intervalos de confiana) e Deciso (Testes de hipteses).
TEOREMA CENTRAL DO LIMITE
Seja uma populao qualquer com mdia e varincia a 2 . Se infinitas amostras de ta das amostras tero distribuio
manho n so coletadas dessa populao, ento as mdias (X)
2
6.1
Distribuio de amostragem
ao longo de infinitas
Definio: E a distribuio de probabilidade de estimadores ou f ()
amostras aleatrias.
6.1.1
X
tem distribuio Normal padronizada,
(I)
X N (n, n); e
P
(II)
X
N
n
N
(III) X
2
,
; portanto
n
2
,
n
64
= Z = X N (0, 1).
f (X)
(6.1)
Mas como geralmente desconhecido, tem-se que utilizar uma quantidade que mais se
assemelhe. Essa quantidade o seu estimador, S. Porm, quando substitumos por S, devemos
pagar um preo. A nova quantidade no segue mais uma distribuio Normal padro (Z), mas
uma aproximao da Normal padro, a distribuio t de Student, com n 1 graus de liberdade,
tn1 .
=
f (X)
X
tn1
S
(6.2)
65
0.0
0.1
0.2
0.3
0.4
INFERNCIA ESTATSTICA
Figura 6.1: Demonstrao da curva Normal (linha cheira) padro e da curva t com 5 (linha
tracejada) e 30 (linha pontilhada) graus de liberdade.
66
6.2
6.2.1
Estimao
Estimao por ponto
=X= i
n
P
2
(X
X)
i
2 = i
n1
x
p = , x = nmero de sucessos
n
\
1 2 = X1 X2
1 2 =
...
6.2.2
Intervalo de confiana (IC): o intervalo que contm o parmetro real com 1 de confiana.
Confiana: = 1
Significncia:
A maioria dos intervalos de confiana segue a seguinte forma geral:
IC () = q/2 EP
(6.3)
INFERNCIA ESTATSTICA
67
IC para a media ()
2 CONHECIDO
Z=
X
N (0, 1)
(6.4)
P [z < Z < z] =
#
X
<
< z/2 =
< z/2 =
P z/2 < X
n
n
IC () = X z/2
n
2 DESCONHECIDO
t=
X
S
n
tn1
(6.5)
t/2 S
IC () = X
n
n
IC () = e
N 1
(6.6)
(6.7)
68
IC (p) = p z/2
pq
n
X1
N (1 , 12 ),
X2
N (2 , 22 ),
1 N
ento X
E se outra varivel
2 N
ento X
2
1 ,
n1
2
2 , 2
n2
Da,
1 X
2) N
(X
2 2
1 2 , 1 + 2
n1 n2
1 X
2 ) z/2
IC (1 2 ) = (X
12 22
+
.
n1 n2
INFERNCIA ESTATSTICA
69
12 = 22 = 2
s
"
1 X
2 ) z/2
IC (1 2 ) = (X
1
1
+
n1 n2
#
.
VARINCIAS DESCONHECIDAS
No caso em que no so conhecidas as varincias populacionais, a tendncia natural utilizar
1 X
2 no mais normal,
seus estimadores. S 2 o estimador de 2 , porm a distribuio de X
mas sim uma t.
E mesmo quando as varincias populacionais so desconhecidas, deve-se decidir por consideralas iguais ou diferentes.
12 6= 22
1 X
2 ) t/2
IC (1 2 ) = (X
S12
n1
S22
n2
n1 1
S2
n2
n2 1
12 = 22 = 2
s
"
1 X
2 ) t/2
IC (1 2 ) = (X
Em que
Sp =
Sp2
1
1
+
n1 n2
#
.
70
6.3
Testes de hipteses
Teste de hiptese: uma ferramenta que permite testar se um valor pertinente de ser o valor
real de parmetro em questo.
6.3.1
2
Smaior
1, em que Fc uma varivel aleatria que segue uma
2
Smenor
distribuio F de probabilidades com graus de liberdade 1 = n1 1 e 2 = n2 1, ou seja,
Estatstica de teste: Fc =
0.4
0.0
0.2
f(X)
0.6
DISTRIBUIO F DE PROBABILIDADES
INFERNCIA ESTATSTICA
71
HIPTESES
Todo teste de hipteses considera duas hipteses: a Hiptese Nula ou Hiptese de nulidade
(H0 ); e a Hiptese Alternativa (H1 ).
A hiptese H0 aquela que descreve aquilo que suspeita, ou seja, aquela afirmao que se quer
testar efetivamente. J a hiptese H1 traz aquela afirmao que sera considerada verdade se a
hiptese H0 for considerada no plausvel (se H0 for rejeitada).
Vamos voltar a considerar o caso particular do teste F. Considerando as definies das hipteses
H0 e H1 , o teste F deseja testar
2
maior
=1
H0 :
2
menor
,
2
maior
1
H1 :
2
menor
ou ainda,
2
2
H0 : maior
= menor
2
2
H1 : maior menor
72
Tabela 6.1: Representao tabular dos resultados possveis em um teste de hipteses e os erros e
acertos que eles acarretam.
Deciso
6.3.2
Verdade
H0 verdadeira
Ok!
Erro tipo I
Aceita-se H0
Rejeita-se H0
Estatstica de teste: tc =
0
X
.
S/ n
H0 : = 0
,
H1 : 6= 0
ou ainda,
Teste bilateral:
H 0 : = 0
.
H1 : > 0 ou < 0
t c < t ,
Aceita-se H0
,
Caso contrrio, Rejeita-se H0
tc > t ,
Aceita-se H0
Caso contrrio, Rejeita-se H0
H0 falsa
Erro tipo II
Ok!
73
0.0
0.0
0.1
0.1
0.2
0.2
0.3
0.3
0.4
0.4
INFERNCIA ESTATSTICA
(a)
(b)
Figura 6.3: (a) Ilustrao do teste unilateral superior. (b) Ilustrao do teste bilateral. A area
hachurada representa a regio de rejeio do teste.
74
6.3.3
p p
Estatstica de teste: zc = r
pq
n
As hipteses consideradas nesse teste so:
H0 : p = p0
,
H1 : p 6= p0
ou ainda,
Teste bilateral:
H0 : p = p 0
.
H1 : p > p0 ou p < p0
z c < z ,
Aceita-se H0
,
Caso contrrio, Rejeita-se H0
zc > z ,
Aceita-se H0
.
Caso contrrio, Rejeita-se H0
7
CORRELAO E REGRESSO
7.1
7.1.1
Correlao
Coeficiente de correlao linear (r ou )
Xi Yi
!
Xi
i=1
n
X
!
Yi
i=1
i=1
= v
n
!2
n
!2
u
u
X
X
u
n
Xi
Yi
u n
X
uX 2
i=1
i=1
2
u
X
i
i
u
n
n
u i=1
i=1
7.1.2
(7.1)
(7.2)
76
Vamos nos ater ao caso em que nosso modelo uma reta, ou seja, estamos lidando com
Regresso Linear. Nesse caso particular o coeficiente de determinao se torna
2 =
(7.3)
em que SQRL significa Soma de Quadros de Regresso Linear, SQT significa Soma de Quadrados
Total e essas quantidades sao calculadas pelas expresses
n
X
n
X
SQRL =
Xi Yi
Xi
i=1
n
X
!
Yi
i=1
n
X
Xi2
n
X
i=1
n
X
SQT =
!2
(7.4)
Xi
i=1
i=1
!2
Yi
i=1
(7.5)
A diferena entre a variao total e a variao explicada pela reta de regresso chamada de
desvio, e pode ser calculada pela Soma de Quadrados de Desvios (SQD)
SQD = SQT SQRL.
(7.6)
H0 : 1 = 0
H1 : 1 6= 0 > ou <
CORRELAO E REGRESSO
77
ESTATSTICA DE TESTE
Fc =
SQRL
,
S2
S2 =
SQD
.
n2
em que
TESTE
Fc < F (, 1 , 2 ), Aceita-se H0
,
Fc > F (, 1 , 2 ), Rejeita-se H0
7.2
Regresso
Um estudo de regresso busca essencialmente associar uma varivel Y (denominada varivelresposta) a um conjunto de outras p variveis X1 , X2 , . . . , Xp (denominadas covariveis ou variveis
explicadoras). Esta associao segundo uma forma funcional do tipo
Y = f (X1 , X2 , . . . , Xp ),
onde a funo f pode ser, princpio, qualquer uma. Quando f assume a forma funcional
linear (isto , f uma combinao linear das covariveis
f (X1 , X2 , . . . , Xp ) = 0 + 1 X1 + 2 X2 + . . . + p Xp ,
em que os coeficientes i (i = 1, 2, . . . , p) so nmeros fixos chamados parmetros), a regresso
chamada linear, caso contrrio, uma regresso no-linear. Numa regresso linear, quando p = 1
denominamos o estudo como regresso linear simples, caso contrrio, denominamos regresso linear
mltipla.
7.2.1
Yi = 0 + 1 X1i + ei ,
(7.7)
78
(7.8)
79
100
200
300
CORRELAO E REGRESSO
20
40
60
80
100
Figura 7.1: Representao de possveis retas (pontilhadas) e aquela estimada por quadrados mnimos (linha cheia) em uma massa de dados fictcia.
n
X
n
X
1 =
Xi
i=1
Xi Yi
n
X
!
Yi
i=1
i=1
n
X
(7.9)
Pn
Xi2
i=1
n
X
=
0 = Y 1 X
i=1
2
i=1 (Xi )
n
Y
1
Pn
i=1
(7.10)
Exemplo: As famosas cocadeiras baianas costumam produzir suas prprias quitandas. Para
isso, elas cumprem a difcil tarefa de quebrar dezenas de cocos por dia. Querendo evitar trabalho
desnecessrio, elas desejam quebrar apenas aqueles frutos que contiverem uma grande quantidade
de polpa. Portanto, procedem da seguinte maneira: furam o coco, medem sua quantidade de gua
e, com base em sua experincia, decidem se vale a pena quebrar o mesmo. Como esse procedimento
impreciso, as baianas desejam a nossa ajuda. Considerando os dados apresentados na Tabela
7.1, vamos estimar um modelo adequado para estimar o volume de polpa de frutos de coco (Y ) a
80
Polpa
9,02
13,10
14,76
21,54
15,62
18,34
20,23
8,88
14,06
23,59
16,62
21,93
10,56
12,28
20,68
9,53
13,73
5,73
15,08
21,57
gua
17,87
13,75
12,72
6,98
11,01
10,48
10,19
19,11
12,72
0,45
10,67
1,59
14,91
14,14
9,40
16,23
12,74
20,64
12,34
6,44
Clcio
7,52
24,77
30,74
7,58
23,33
20,49
14,84
5,51
31,03
4,33
21,75
4,92
19,50
20,16
12,20
11,54
29,39
3,79
23,40
7,47
81
15
10
Polpa (cm3)
20
CORRELAO E REGRESSO
10
15
20
gua (cm3)
Figura 7.2: Diagrama de disperso entre a varivel independente volume de gua de coco e a
varivel dependente volume de polpa de coco.
Os dados amostrais sugerem que, quanto mais gua tem um coco, menos polpa ele possui.
Alm dessa informao, o diagrama de disperso nos faz suspeitar que as duas variveis possuem
um relao linear, ou seja, uma reta pode ser um bom modelo para este caso. Vamos estimar os
coeficientes dessa reta de duas formar.
(a) Usando uma calculadora: Uma calculadora das mais simples pode nos ajudar a a estimar
os coeficientes 0 e 1 facilmente. Primeiramente, faamos uma tabela auxiliar com todas as
quantidades de interesse (Tabela 7.2).
De posse dessa tabela so precisamos substituir as quantidades nas frmulas dos coeficientes.
1 =
306,
85
234,
38
0 =
+ 0, 94
26, 36
20
20
3119, 430
82
X
17,87
13,75
12,72
6,98
11,01
10,48
10,19
19,11
12,72
0,45
10,67
1,59
14,91
14,14
9,40
16,23
12,74
20,64
12,34
6,44
234,38
Y
9,02
13,10
14,76
21,54
15,62
18,34
20,23
8,88
14,06
23,59
16,62
21,93
10,56
12,28
20,68
9,53
13,73
5,73
15,08
21,57
306,85
X2
319,3369
189,0625
161,7984
48,7204
121,2201
109,8304
103,8361
365,1921
161,7984
0,2025
113,8489
2,5281
222,3081
199,9396
88,3600
263,4129
162,3076
426,0096
152,2756
41,4736
3253,462
XY
161,1874
180,1250
187,7472
150,3492
171,9762
192,2032
206,1437
169,6968
178,8432
10,6155
177,3354
34,8687
157,4496
173,6392
194,3920
154,6719
174,9202
118,2672
186,0872
138,9108
3119,430
(b) Usando o R: ainda mais fcil resolver tal problema usando o R. Primeiro devemos inserir
a massa de dados, por exemplo, em vetores. Em seguida, podemos usar a funo lm(), que ajusta
modelos lineares. Para especificarmos que desejamos uma reta, basta dizer que os dados do vetor
polpa so funo dos dados do vetor gua. Da seguinte maneira
polpa<-c(9.02, 13.10, 14.76, 21.54, 15.62, 18.34, 20.23, 8.88,
14.06, 23.59, 16.62, 21.93, 10.56, 12.28, 20.68, 9.53, 13.73,
5.73, 15.08, 21.57)
agua<-c(17.87, 13.75, 12.72, 6.98, 11.01, 10.48, 10.19, 19.11,
12.72, 0.45, 10.67, 1.59, 14.91, 14.14, 9.40, 16.23, 12.74,
20.64, 12.34, 6.44)
lm(polpa~agua)
O resultado obtido por esse procedimento exatamente o mesmo. As nicas diferenas se
devem a arredondamentos feito no item anterior. Isso mostra que ambos procedimentos so
equivalentes.
CORRELAO E REGRESSO
83
15
10
Polpa (cm3)
20
Finalmente, podemos informar para as baianas que o modelo estimado a reta P olpa =
26, 36 0, 94 Agua, e ilustrar o resultado com a reta estimada plotada junto as pontos amostrais
(Figura 7.3).
10
15
20
gua (cm )
84
7.2.2
Regresso Mltipla
y1
y2
..
.
yn
1 x11 x21
1 x12 x22
.. ..
..
. .
.
1 x1n x2n
. . . xk1
. . . xk2
.
..
. ..
. . . xkn
0
1
..
.
k
e1
e2
..
.
en
(7.11)
Diferenciando-se essa expresso com respeito a e igualando-se a zero, tem-se que o estimador
de quadrados mnimos do vetor
X 0 X = X 0 Y
= (X 0 X)1 X 0 Y.
(7.12)
8
APNDICE A: EXERCCIOS PROPOSTOS
4
X
Xi
1.2.
X i Yi
5
X
1.5.
(3Xi + 2Yi )
i=1
1.4.
5
X
5
X
Yi
1.3.
i=1
i=1
4
X
4Xi2
i=1
1.6
i=1
4
X
i=2
Xi Yi +
5
X
Yi2 .
i=1
" n
#
Pn
2
X
X
(
X
)
1
i
i
i=1
i=1
, S2 =
X2
.
n
n 1 i=1 i
n
Pn
n
X
i=1
Pn
(Xi A)2
4. Descubra qual o valor de A para que a funo Q(A) =
atinja seu mnimo.
n1
(Dica: sendo Q(A) uma funo quadrtica em A, seu mnimo pode ser encontrado usando sua
derivada.)
i=1
86
I. Uma cooperativa agrcola deseja realizar uma pesquisa com o objetivo de caracterizar as propriedades rurais de seus cooperados. Como forma de obter estas informaes foram distribudos
questionrios para todos eles, por meio dos quais procurou-se avaliar o nvel tecnolgico adotado
(baixo, mdio ou alto), a atividade predominante na fazenda (caf, milho, leite etc.) e o nmero
de empregados da propriedade.
II. Um pesquisador, para obter informaes a respeito de uma cultura atualmente plantada
no sul de Minas Gerais, visita 50 propriedades e faz uma avaliao referente ao tamanho da rea
plantada com a cultura (ha), a produo obtida (Kg) e as principais pragas e doenas.
(a) Qual a populao em estudo?
(b) Classifique essa populao (finita ou infinita).
(c) Utilizou-se uma amostra para realizar o estudo? Por qu?
(d) Quais foram as variveis estudadas?
(e) Classifique essas variveis quanto sua natureza.
2. Foi feito um levantamento dos pesos (Kg) de 48 crianas de 8 a 12 anos:
19,1
34,0
39,0
44,5
20,0
34,2
39,1
45,2
23,3
35,2
39,2
47,5
24,2
35,3
39,4
48,3
28,2
36,3
39,4
49,2
28,2
36,5
41,0
50,1
30,5
36,7
42,1
56,2
30,6
37,2
42,2
57,1
31,0
37,2
43,0
57,2
31,1
38,6
43,0
58,2
32,0
38,7
44,3
60,2
32,0
39,0
44,4
60,3
87
4. Foi contado o nmero de lagartas rosca (Agrotis ipisilon) em todos os 50 canteiros de mudas
de eucalipto da Fazenda Experimental da UFLA, encontrando-se o seguinte resultado:
5
4
1
2
5
0
3
4
1
4
2
4
2
4
1
3
1
3
0
2
1
4
1
0
3
2
2
0
3
5
1
2
2
3
3
4
4
3
3
4
2
0
xi
150,00
650,00
3.000,00
-
fa
70
25
4
1
100
fr
0,70
0,25
0,04
0,01
1,00
df r
0, 0023333 = 23.333 107
0, 0003571 = 3.571 107
0, 0000100 = 100 107
0, 0000004 = 4 107
-
(a) Faa o histograma com a freqncia relativa (f r) de ocorrncia e outro com a densidade de
freqncia relativa (df r). Compare-os. Em que eles se diferem? Qual dos dois correto? Por qu?
(b) Qual o limite superior da ltima classe utilizado pelo autor para calcular suas freqncias?
88
1. Calcule a mdia, mediana e a moda dos exerccios 2 e 4 da segunda aula prtica. Interprete
cada medida.
2. Considere a seguinte distribuio de freqncias.
Tabela 8.2: Distribuio de freqncias das mdias dirias de produo de leite no perodo de
lactao de 201 vacas da raa holandesa, de um rebanho pertencente ao Ncleo de Criadores de
Gado Holands do Sul de Minas Gerais. Lavras, 1992.
Produo de Leite
fa
[5, 25; 8, 15)
2
[8, 15; 11, 05)
5
[11, 05; 13, 95)
23
[13, 95; 16, 85)
38
[16, 85; 19, 75)
48
[19, 75; 22, 65)
37
[22, 65; 25, 55)
29
[25, 55; 28, 45)
13
[28, 45; 31, 35)
3
[31, 35; 34, 25]
3
Totais
201
Fonte: Trabalho prtico de estudantes de Estatstica do ano de
fr
0,0100
0,0249
0,1144
0,1891
0,2388
0,1841
0,1443
0,0646
0,0149
0,0149
1,0000
1992.
fp
1,00
2,49
11,44
18,91
23,88
18,41
14,43
6,46
1,49
1,49
100,00
X
in
fa
Pi = LPi + 100
c,
fpi
P
em que LPi o limite inferior da classe do percentil;
f a o somatrio das freqncias
das classes anteriores; fpi a freqncia da classe do percentil.
89
2=
(Xi X)
n
X
i=1
Xi2
!2
Xi
i=1
Nota: Por menos trabalhosa entenda um nmero menor de operaes aritmticas, dado um
conjunto de dados de tamanho n. Verifique que, para a frmula do desvio padro que utiliza o
primeiro membro como numerador, so necessrias 4n + 2 operaes, enquanto que, ao utilizar
a identidade algbrica acima sero necessrias apenas 3n + 4 operaes.
2. Calcule o desvio-padro, a varincia e o coeficiente de variao dos exerccios 2 e 4 da segunda
aula prtica. Interprete cada medida.
3. Considere a tabela 8.2 da lista de exerccios nmero 3. Calcule as medidas de variabilidade
usando os dados elaborados.
90
1. A probabilidade que um homem esteja vivo daqui a 30 anos 2/5 a da sua mulher 2/3.
Determinar a probabilidade que daqui a 30 anos:
(a)
(b)
(c)
(d)
(e)
2. Uma companhia que fura poos artesianos trabalha numa regio escolhendo aleatoriamente o
ponto de furo. No encontrando gua nessa tentativa, sorteia outro local e, caso tambm no
obtenha sucesso, faz uma terceira e ltima tentativa. Admita probabilidade 0, 7 de encontrar
gua em qualquer ponto dessa regio. Determine o espao amostral e calcule a probabilidade
de:
(a) Encontrar gua na segunda tentativa.
(b) Encontrar gua em at duas tentativas.
(c) Encontrar gua.
3. A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade, com informaes
sobre rea de estudo e classe scio econmica.
Classe
rea
Alta
Mdia
Baixa
Exatas
120
156
68
Humanas
72
85
112
Biolgicas
169
145
73
Se um aluno ingressante escolhido ao acaso, determine a probabilidade de:
(a)
(b)
(c)
(d)
No fatais
1228
2393
Fatais
275
762
Voc diria que o fato do motorista estar ou no alcoolizado interfere na ocorrncia de vtimas
fatais?
91
92
1. Considerando que os pesos dos coelhos Norfolk ao abate aos 90 dias obedea uma distribuio
Norma de freqncias, com mdia de 2, 70kg e varincia de 0, 04kg 2 . Responda:
(a) Qual a freqncia de coelhos com peso acima de 2, 90 kg?
(b) E entre 2, 90 e 3, 00 kg?
(c) Qual o peso que superado por apenas 1% dos coelhos?
2. O dimetro X das esferas de rolamentos fabricadas por certa indstria tem distribuio Normal,
com mdia 0, 6140cm e varincia 0, 00252cm2 . O lucro T de cada esfera depende de seu dimetro
segundo a funo abaixo: T = R$10, 00 se a esfera boa (0, 6080 < X < 0, 6200) ou T = R$1, 10
se a esfera defeituosa (X < 0, 6080 ou X > 0, 6200) Calcule:
(a) as freqncias de ocorrncia de esferas boas.
(b) as freqncias de ocorrncia de esferas defeituosas.
(c) a mdia de T.
3. Uma mquina de empacotar caf produz pacotes de caf com pesos segundo uma distribuio
Normal de freqncias, com mdia de 500g e desvio-padro de 3g.
(a) Num lote de 10.000 pacotes, em quantos voc espera encontrar menos de 490g de caf?
(b) Considere que possvel ajustar a mdia com que os pacotes so cheios. Qual deve ser o
ajuste da mdia para que 99% dos pacotes no tenham peso inferior a 500g?
4. Em uma granja de frangos, um estudo estatstico cuidadoso determinou que a lei de freqncias
de ocorrncia de peso final (em kg) desses frangos, dentro de um perodo pr-especificado de
tempo, Normal, com 1.881g de mdia e desvio-padro igual a 210g.
(a) Voc julga possvel estes animais serem submetidos a condies de manejo, alimentao,
ambiente e outros fatores no-homogneos?
(b) Se um frango escolhido aleatoriamente, qual seria a medida de sua expectativa de que tal
animal teria peso superior a 2.000g?
93
LISTA 8: Amostragem
1. Uma pessoa retirou trs maas da superfcie de cada uma das caixas de maas que estavam
em uma quitanda, para verificar a sua qualidade. Isto uma amostra aleatria? Existe algum
problema com este mtodo de amostragem? Comente.
2. Deseja-se testar durante um ms um novo tipo de rao alimentcia em vacas leiteiras. O
objetivo conhecer o incremento mdio da produo de leite por vaca, quando utilizada a nova
rao. Para isto, planejou-se determinar a diferena entre a produo do leite do ms em que foi
fornecida a nova rao e a produo do ms anterior de cada vaca. Sabe-se que, em qualquer caso,
antes e depois da rao, a produo de leite de vacas jovens superior (ou pelo menos diferente)
da produo de vacas adultas, sendo esta diferena significativa. A granja conta atualmente com
653 vacas leiteiras, sendo que, aps uma anlise estatstica e de custos, determinou-se aplicar a
rao em 36 animais.
(a) Qual a populao em estudo?
(b) Qual amostra?
(c) Qual o tamanho da populao e qual o tamanho da amostra?
(d) A populao finita ou infinita? Por qu?
(e) Qual seria o parmetro que se deseja conhecer? possvel conhecer o valor exato desse
parmetro?
(f) Qual o estimador que voc utilizaria para estimar o parmetro do item (e)?
(g) Para esse tipo de estudo, qual tipo de amostragem voc recomendaria utilizar? Por qu?
3. Planeje uma amostragem aleatria sistemtica para amostrar 20 hastes de amortecedores
da linha de produo da Magnetti Marelli Cofap de Lavras, durante um turno de produo de
6300 hastes aproximadamente. Sorteie as hastes que devero ser selecionadas.
4. Uma empresa cafeeira do Sul de Minas dispe de 3.200 funcionrios distribudos nas diversas
atividades conforme o quadro abaixo:
Atividade
Campo
Armazm
Indstria
Administrao
Gerncia
Empregados
1.600
720
480
240
160
(a) Na sua opinio seria razovel levantar as informaes desejadas atravs de uma amostragem
aleatria simples de n = 160 funcionrios? Justifique.
(b) Planeje uma amostragem estratificada de n = 160, determinando o tamanho da amostra
para cada atividade.
(c) Usando a calculadora, ou um software, ou a tabela de nmeros aleatrios, sorteie os componentes da amostra para os empregados que trabalham na gerncia.
5. Foi tomada uma amostra aleatria simples de 17 bovinos no rebanho de uma grande fazenda
de gado de corte, fornecendo os seguintes valores para o peso destes animais:
94
222,5
215,0
268,7
227,9
267,3
231,6
277,0
207,3
206,1
235,3
241,4
240,2
265,4
225,9
233,1
6. Quantos animais adicionais voc recomenda amostrar para que o erro de estimao caia
50%, em relao ao erro calculado com o tamanho da amostra inicial?
7. Quantos animais devem ser amostrados se no se admitir errar mais do que 1% da mdia
para mais ou para menos?
95
xi = 6950
i=1
40
X
x2i = 1213463
i=1
Sx = 2
n = 16
N = 200
3. Um pecuarista se entusiasmou por uma nova rao amplamente divulgada pelos meios de
comunicao. Para verificar a eficincia da rao, ele selecionou uma AAS de 49 bois de seu
rebanho e os alimentou por 30 dias obtendo um ganho de peso mdio de 31, 7kg com um desvio
padro de 2, 6kg.
(a) Construa o intervalo de confiana de 95% para a mdia e interprete.
(b) Qual dever ser o tamanho da amostra para que o erro no seja superior a 0, 7kg com
probabilidade de 95%.
4. Foi feito uma amostra aleatria simples de tamanho n = 30 do rebanho N = 201 do Ncleo
dos Criadores de Gado Holands do Sul de Minas com o objetivo de descrever a produo de leite.
Os dados obtidos na amostra foram:
17,7
23,3
19,3
20,7
15,3
19,6
19,3
23,7
26,6
19,3
18,8
14,3
18,0
25,2
19,7
16,9
18,0
32,7
19,7
22,8
14,1
20,1
21,1
16,8
21,0
18,8
19,7
21,2
25,9
19,3
96
97
Calcule um IC para a verdadeira diferena de produtividade dos 2 sistemas. Considere varincias iguais.
2. Um administrador colecionou dados sobre aumento na produtividade no ltimo ano para
uma amostra de empresas que produzem equipamentos para mecanizao agrcola. As firmas
foram classificadas de acordo com seus investimentos em pesquisa e desenvolvimento nos ltimos
3 anos. Os resultados do estudo seguem abaixo, onde o aumento na produtividade medido numa
escala de 0 10.
Investimento
Baixo
Alto
Firmas
1
7,6
8,5
2
8,2
9,7
3
6,8
10,1
4
5,8
7,8
5
6,9
9,6
6
6,6
9,5
98
7. Uma montadora de automveis anuncia que seus carros consomem, em mdia, 11 litros a
cada 100Km, com desvio padro de 0, 8 litros (considere que o consumo possua uma distribuio
Normal). Voc compra um automvel dessa marca, obtendo 11, 3 litros por 100Km, como consumo
mdio. O que voc pode concluir sobre o anncio da montadora a um nvel de significncia de 5%.
99
xi = 200
i=1
20
X
20
X
yi = 300
i=1
xi yi = 6200
i=1
20
X
x2i = 3600
n = 20
i=1
2. Foi feito um estudo sobre adio de sulfato de clcio (CaSO4) uria e seu efeito no ganho
de peso de novilhos tratados com cana. Os resultados obtidos foram os seguintes:
X
Y
0
495
5
560
10
590
15
620
20
615
10
11,8
12
10,2
14
12,1
16
13,2
18
12,1
20
15,4
22
15,6
100
9
APNDICE B: TABELAS
102
Tabela 9.1: Probabilidades () da distribuio normal padro N (0, 1) para valores do quantil Zt
padronizado de acordo com o seguinte evento: P (0 < Z < Zt ) = .
Zt
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,4987
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
1
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,4987
0,4991
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
2
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,4987
0,4991
0,4994
0,4995
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
3
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,4988
0,4991
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
4
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
5
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
6
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
7
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,4989
0,4992
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
8
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,4990
0,4993
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
9
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,4999
0,5000
APNDICE B: TABELAS
103
Tabela 9.2: Probabilidades () da distribuio normal padro N (0, 1) para valores do quantil Zt
padronizado de acordo com o seguinte evento: P (Z > Zt ) = .
Zt
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0
0,5000
0,4602
0,4207
0,3821
0,3446
0,3085
0,2743
0,2420
0,2119
0,1841
0,1587
0,1357
0,1151
0,0968
0,0808
0,0668
0,0548
0,0446
0,0359
0,0287
0,0228
0,0179
0,0139
0,0107
0,0082
0,0062
0,0047
0,0035
0,0026
0,0019
0,0013
0,0010
0,0007
0,0005
0,0003
0,0002
0,0002
0,0001
0,0001
0,0000
1
0,4960
0,4562
0,4168
0,3783
0,3409
0,3050
0,2709
0,2389
0,2090
0,1814
0,1562
0,1335
0,1131
0,0951
0,0793
0,0655
0,0537
0,0436
0,0351
0,0281
0,0222
0,0174
0,0136
0,0104
0,0080
0,0060
0,0045
0,0034
0,0025
0,0018
0,0013
0,0009
0,0007
0,0005
0,0003
0,0002
0,0002
0,0001
0,0001
0,0000
2
0,4920
0,4522
0,4129
0,3745
0,3372
0,3015
0,2676
0,2358
0,2061
0,1788
0,1539
0,1314
0,1112
0,0934
0,0778
0,0643
0,0526
0,0427
0,0344
0,0274
0,0217
0,0170
0,0132
0,0102
0,0078
0,0059
0,0044
0,0033
0,0024
0,0018
0,0013
0,0009
0,0006
0,0005
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
3
0,4880
0,4483
0,4090
0,3707
0,3336
0,2981
0,2643
0,2327
0,2033
0,1762
0,1515
0,1292
0,1093
0,0918
0,0764
0,0630
0,0516
0,0418
0,0336
0,0268
0,0212
0,0166
0,0129
0,0099
0,0075
0,0057
0,0043
0,0032
0,0023
0,0017
0,0012
0,0009
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
4
0,4840
0,4443
0,4052
0,3669
0,3300
0,2946
0,2611
0,2296
0,2005
0,1736
0,1492
0,1271
0,1075
0,0901
0,0749
0,0618
0,0505
0,0409
0,0329
0,0262
0,0207
0,0162
0,0125
0,0096
0,0073
0,0055
0,0041
0,0031
0,0023
0,0016
0,0012
0,0008
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
5
0,4801
0,4404
0,4013
0,3632
0,3264
0,2912
0,2578
0,2266
0,1977
0,1711
0,1469
0,1251
0,1056
0,0885
0,0735
0,0606
0,0495
0,0401
0,0322
0,0256
0,0202
0,0158
0,0122
0,0094
0,0071
0,0054
0,0040
0,0030
0,0022
0,0016
0,0011
0,0008
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
6
0,4761
0,4364
0,3974
0,3594
0,3228
0,2877
0,2546
0,2236
0,1949
0,1685
0,1446
0,1230
0,1038
0,0869
0,0721
0,0594
0,0485
0,0392
0,0314
0,0250
0,0197
0,0154
0,0119
0,0091
0,0069
0,0052
0,0039
0,0029
0,0021
0,0015
0,0011
0,0008
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
7
0,4721
0,4325
0,3936
0,3557
0,3192
0,2843
0,2514
0,2206
0,1922
0,1660
0,1423
0,1210
0,1020
0,0853
0,0708
0,0582
0,0475
0,0384
0,0307
0,0244
0,0192
0,0150
0,0116
0,0089
0,0068
0,0051
0,0038
0,0028
0,0021
0,0015
0,0011
0,0008
0,0005
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
8
0,4681
0,4286
0,3897
0,3520
0,3156
0,2810
0,2483
0,2177
0,1894
0,1635
0,1401
0,1190
0,1003
0,0838
0,0694
0,0571
0,0465
0,0375
0,0301
0,0239
0,0188
0,0146
0,0113
0,0087
0,0066
0,0049
0,0037
0,0027
0,0020
0,0014
0,0010
0,0007
0,0005
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
9
0,4641
0,4247
0,3859
0,3483
0,3121
0,2776
0,2451
0,2148
0,1867
0,1611
0,1379
0,1170
0,0985
0,0823
0,0681
0,0559
0,0455
0,0367
0,0294
0,0233
0,0183
0,0143
0,0110
0,0084
0,0064
0,0048
0,0036
0,0026
0,0019
0,0014
0,0010
0,0007
0,0005
0,0003
0,0002
0,0002
0,0001
0,0001
0,0001
0,0000
104
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
0,995
0,000039
0,010025
0,071721
0,206989
0,411742
0,675727
0,989256
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121
13,787
20,707
27,991
35,534
83,852
187,324
403,949
850,891
0,990
0,000157
0,020101
0,114831
0,297109
0,554298
0,872090
1,239
1,646
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,879
13,565
14,256
14,953
22,164
29,707
37,485
86,923
191,990
410,874
861,015
0,975
0,000982
0,050636
0,215793
0,484418
0,831212
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
24,433
32,357
40,482
91,573
198,984
421,189
876,028
0,950
0,003932
0,102587
0,351843
0,710723
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
26,509
34,764
43,188
95,705
205,135
430,198
889,081
0,900
0,015791
0,210721
0,584369
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,042
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
29,051
37,689
46,459
100,624
212,386
440,745
904,291
0,750
0,101532
0,575364
1,213
1,923
2,675
3,455
4,255
5,071
5,899
6,737
7,584
8,438
9,299
10,165
11,037
11,912
12,792
13,675
14,562
15,452
16,344
17,240
18,137
19,037
19,939
20,843
21,749
22,657
23,567
24,478
33,660
42,942
52,294
109,220
224,882
458,754
930,093
0,500
0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
119,334
239,334
479,334
959,333
APNDICE B: TABELAS
105
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
0,500
0,454940
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
119,334
239,334
479,334
959,333
0,250
1,323
2,773
4,108
5,385
6,626
7,841
9,037
10,219
11,389
12,549
13,701
14,845
15,984
17,117
18,245
19,369
20,489
21,605
22,718
23,828
24,935
26,039
27,141
28,241
29,339
30,435
31,528
32,620
33,711
34,800
45,616
56,334
66,981
130,055
254,392
500,519
989,180
0,100
2,706
4,605
6,251
7,779
9,236
10,645
12,017
13,362
14,684
15,987
17,275
18,549
19,812
21,064
22,307
23,542
24,769
25,989
27,204
28,412
29,615
30,813
32,007
33,196
34,382
35,563
36,741
37,916
39,087
40,256
51,805
63,167
74,397
140,233
268,471
520,111
1016,566
0,050
3,841
5,991
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
32,671
33,924
35,172
36,415
37,652
38,885
40,113
41,337
42,557
43,773
55,758
67,505
79,082
146,567
277,138
532,075
1033,193
0,025
5,024
7,378
9,348
11,143
12,833
14,449
16,013
17,535
19,023
20,483
21,920
23,337
24,736
26,119
27,488
28,845
30,191
31,526
32,852
34,170
35,479
36,781
38,076
39,364
40,646
41,923
43,195
44,461
45,722
46,979
59,342
71,420
83,298
152,211
284,802
542,599
1047,760
0,010
6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588
50,892
63,691
76,154
88,379
158,950
293,888
555,006
1064,867
0,005
7,879
10,597
12,838
14,860
16,750
18,548
20,278
21,955
23,589
25,188
26,757
28,300
29,819
31,319
32,801
34,267
35,718
37,156
38,582
39,997
41,401
42,796
44,181
45,559
46,928
48,290
49,645
50,993
52,336
53,672
66,766
79,490
91,952
163,648
300,182
563,561
1076,621
106
Tabela 9.5: Quantis superiores da distribuio de F (F0,10 ) com 1 graus de liberdade do numerador
e 2 graus de liberdade do denominador, valor da probabilidade () de 10% de acordo com o
seguinte evento:P (F > F0,10 ) = 0, 10.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
39,86
8,53
5,54
4,55
4,06
3,78
3,59
3,46
3,36
3,29
3,23
3,18
3,14
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,94
2,93
2,92
2,91
2,90
2,89
2,89
2,88
2,84
2,81
2,79
2,75
2,73
2,72
2,71
2,71
2
49,50
9,00
5,46
4,32
3,78
3,46
3,26
3,11
3,01
2,92
2,86
2,81
2,76
2,73
2,70
2,67
2,64
2,62
2,61
2,59
2,57
2,56
2,55
2,54
2,53
2,52
2,51
2,50
2,50
2,49
2,44
2,41
2,39
2,35
2,32
2,31
2,31
2,30
3
53,59
9,16
5,39
4,19
3,62
3,29
3,07
2,92
2,81
2,73
2,66
2,61
2,56
2,52
2,49
2,46
2,44
2,42
2,40
2,38
2,36
2,35
2,34
2,33
2,32
2,31
2,30
2,29
2,28
2,28
2,23
2,20
2,18
2,13
2,11
2,10
2,09
2,08
4
55,83
9,24
5,34
4,11
3,52
3,18
2,96
2,81
2,69
2,61
2,54
2,48
2,43
2,39
2,36
2,33
2,31
2,29
2,27
2,25
2,23
2,22
2,21
2,19
2,18
2,17
2,17
2,16
2,15
2,14
2,09
2,06
2,04
1,99
1,97
1,96
1,95
1,94
5
57,24
9,29
5,31
4,05
3,45
3,11
2,88
2,73
2,61
2,52
2,45
2,39
2,35
2,31
2,27
2,24
2,22
2,20
2,18
2,16
2,14
2,13
2,11
2,10
2,09
2,08
2,07
2,06
2,06
2,05
2,00
1,97
1,95
1,90
1,87
1,86
1,85
1,85
1
6
58,20
9,33
5,28
4,01
3,40
3,05
2,83
2,67
2,55
2,46
2,39
2,33
2,28
2,24
2,21
2,18
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
2,02
2,01
2,00
2,00
1,99
1,98
1,93
1,90
1,87
1,82
1,80
1,79
1,78
1,77
7
58,91
9,35
5,26
3,98
3,37
3,01
2,78
2,62
2,51
2,41
2,34
2,28
2,23
2,19
2,16
2,13
2,10
2,08
2,06
2,04
2,02
2,01
1,99
1,98
1,97
1,96
1,95
1,94
1,93
1,93
1,87
1,84
1,82
1,77
1,74
1,73
1,72
1,72
8
59,44
9,37
5,25
3,95
3,34
2,98
2,75
2,59
2,47
2,38
2,30
2,24
2,20
2,15
2,12
2,09
2,06
2,04
2,02
2,00
1,98
1,97
1,95
1,94
1,93
1,92
1,91
1,90
1,89
1,88
1,83
1,80
1,77
1,72
1,70
1,68
1,68
1,67
9
59,86
9,38
5,24
3,94
3,32
2,96
2,72
2,56
2,44
2,35
2,27
2,21
2,16
2,12
2,09
2,06
2,03
2,00
1,98
1,96
1,95
1,93
1,92
1,91
1,89
1,88
1,87
1,87
1,86
1,85
1,79
1,76
1,74
1,68
1,66
1,64
1,64
1,63
10
60,20
9,39
5,23
3,92
3,30
2,94
2,70
2,54
2,42
2,32
2,25
2,19
2,14
2,10
2,06
2,03
2,00
1,98
1,96
1,94
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,84
1,83
1,82
1,76
1,73
1,71
1,65
1,63
1,61
1,61
1,60
11
60,47
9,40
5,22
3,91
3,28
2,92
2,68
2,52
2,40
2,30
2,23
2,17
2,12
2,07
2,04
2,01
1,98
1,95
1,93
1,91
1,90
1,88
1,87
1,85
1,84
1,83
1,82
1,81
1,80
1,79
1,74
1,70
1,68
1,63
1,60
1,58
1,58
1,57
APNDICE B: TABELAS
107
Tabela 9.6: Quantis superiores da distribuio de F (F0,10 ) com 1 graus de liberdade do numerador
e 2 graus de liberdade do denominador, valor da probabilidade () de 10% de acordo com o
seguinte evento: P (F > F0,10 ) = 0, 10.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
60,71
9,41
5,21
3,90
3,27
2,90
2,67
2,50
2,38
2,28
2,21
2,15
2,10
2,05
2,02
1,99
1,96
1,93
1,91
1,89
1,87
1,86
1,84
1,83
1,82
1,81
1,80
1,79
1,78
1,77
1,71
1,68
1,66
1,60
1,57
1,56
1,55
1,55
13
60,90
9,41
5,21
3,89
3,26
2,89
2,65
2,49
2,36
2,27
2,19
2,13
2,08
2,04
2,00
1,97
1,94
1,92
1,89
1,87
1,86
1,84
1,83
1,81
1,80
1,79
1,78
1,77
1,76
1,75
1,70
1,66
1,64
1,58
1,55
1,54
1,53
1,52
14
61,07
9,42
5,20
3,88
3,25
2,88
2,64
2,48
2,35
2,26
2,18
2,12
2,07
2,02
1,99
1,95
1,93
1,90
1,88
1,86
1,84
1,83
1,81
1,80
1,79
1,77
1,76
1,75
1,75
1,74
1,68
1,64
1,62
1,56
1,53
1,52
1,51
1,50
15
61,22
9,42
5,20
3,87
3,24
2,87
2,63
2,46
2,34
2,24
2,17
2,10
2,05
2,01
1,97
1,94
1,91
1,89
1,86
1,84
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,74
1,73
1,72
1,66
1,63
1,60
1,55
1,52
1,50
1,49
1,49
20
61,74
9,44
5,18
3,84
3,21
2,84
2,59
2,42
2,30
2,20
2,12
2,06
2,01
1,96
1,92
1,89
1,86
1,84
1,81
1,79
1,78
1,76
1,74
1,73
1,72
1,71
1,70
1,69
1,68
1,67
1,61
1,57
1,54
1,48
1,45
1,44
1,43
1,42
1
30
62,26
9,46
5,16
3,82
3,17
2,80
2,56
2,38
2,25
2,16
2,08
2,01
1,96
1,91
1,87
1,84
1,81
1,78
1,76
1,74
1,72
1,70
1,69
1,67
1,66
1,65
1,64
1,63
1,62
1,61
1,54
1,50
1,48
1,41
1,38
1,36
1,35
1,34
40
62,53
9,47
5,15
3,80
3,16
2,78
2,54
2,36
2,23
2,13
2,05
1,99
1,93
1,89
1,85
1,81
1,78
1,75
1,73
1,71
1,69
1,67
1,66
1,64
1,63
1,61
1,60
1,59
1,58
1,57
1,51
1,46
1,44
1,37
1,33
1,31
1,30
1,30
60
62,79
9,47
5,14
3,79
3,14
2,76
2,51
2,34
2,21
2,11
2,03
1,96
1,90
1,86
1,82
1,78
1,75
1,72
1,70
1,68
1,66
1,64
1,62
1,61
1,59
1,58
1,57
1,56
1,55
1,54
1,47
1,42
1,40
1,32
1,28
1,26
1,25
1,24
120
63,06
9,48
5,13
3,78
3,12
2,74
2,49
2,32
2,18
2,08
2,00
1,93
1,88
1,83
1,79
1,75
1,72
1,69
1,67
1,64
1,62
1,60
1,59
1,57
1,56
1,54
1,53
1,52
1,51
1,50
1,42
1,38
1,35
1,26
1,22
1,19
1,18
1,17
240
63,19
9,49
5,11
3,77
3,12
2,73
2,48
2,30
2,17
2,07
1,99
1,92
1,86
1,81
1,77
1,73
1,70
1,67
1,65
1,63
1,60
1,59
1,57
1,55
1,54
1,52
1,51
1,50
1,49
1,48
1,40
1,35
1,32
1,23
1,18
1,15
1,14
1,12
63,33
9,49
5,13
3,76
3,10
2,72
2,47
2,29
2,16
2,06
1,97
1,90
1,85
1,80
1,76
1,72
1,69
1,66
1,63
1,61
1,59
1,57
1,55
1,53
1,52
1,50
1,49
1,48
1,47
1,46
1,38
1,33
1,29
1,19
1,13
1,09
1,06
1,00
108
Tabela 9.7: Quantis superiores da distribuio de F (F0,05 ) com 1 graus de liberdade do numerador
e 2 graus de liberdade do denominador valor da probabilidade () de 5% de acordo com o seguinte
evento: P (F > F0,05 ) = 0, 05.
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
161,45
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,03
4,00
3,92
3,88
3,86
3,85
3,84
2
199,50
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,18
3,15
3,07
3,03
3,01
3,01
3,00
3
215,70
19,16
9,27
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,93
2,92
2,84
2,79
2,76
2,68
2,64
2,62
2,61
2,60
4
224,58
19,25
9,11
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,56
2,53
2,45
2,41
2,39
2,38
2,37
5
230,16
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,40
2,37
2,29
2,25
2,23
2,22
2,21
6
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,34
2,29
2,25
2,18
2,14
2,12
2,11
2,10
7
236,8
19,35
8,88
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,25
2,20
2,17
2,09
2,05
2,03
2,02
2,01
8
238,9
19,37
8,84
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,18
2,13
2,10
2,02
1,98
1,96
1,95
1,94
9
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,12
2,07
2,04
1,96
1,92
1,90
1,89
1,88
10
241,9
19,40
8,78
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
2,03
1,99
1,91
1,87
1,85
1,84
1,83
11
242,98
19,40
8,76
5,94
4,70
4,03
3,60
3,31
3,10
2,94
2,82
2,72
2,63
2,57
2,51
2,46
2,41
2,37
2,34
2,31
2,28
2,26
2,24
2,22
2,20
2,18
2,17
2,15
2,14
2,13
2,04
1,99
1,95
1,87
1,83
1,81
1,80
1,79
APNDICE B: TABELAS
109
Tabela 9.8: Quantis superiores da distribuio de F (F0,05 ) com 1 graus de liberdade do numerador
e 2 graus de liberdade do denominador, valor da probabilidade () de 5% de acordo com o seguinte
evento: P (F > F0,05 ) = 0, 05.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
243,91
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,00
1,95
1,92
1,83
1,79
1,77
1,76
1,75
13
244,69
19,42
8,72
5,89
4,66
3,98
3,55
3,26
3,05
2,89
2,76
2,66
2,58
2,51
2,45
2,40
2,35
2,31
2,28
2,25
2,22
2,20
2,18
2,15
2,14
2,12
2,10
2,09
2,08
2,06
1,97
1,92
1,89
1,80
1,76
1,74
1,73
1,72
14
245,36
19,42
8,71
5,87
4,64
3,96
3,53
3,24
3,03
2,86
2,74
2,64
2,55
2,48
2,42
2,37
2,33
2,29
2,26
2,22
2,20
2,17
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
1,95
1,89
1,86
1,78
1,73
1,71
1,70
1,69
15
245,95
19,43
8,69
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,87
1,84
1,75
1,71
1,69
1,68
1,67
20
248,0
19,45
8,65
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,78
1,75
1,66
1,61
1,59
1,58
1,57
1
30
250,1
19,46
8,60
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,69
1,65
1,55
1,51
1,48
1,47
1,46
40
251,1
19,47
8,57
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,69
1,63
1,59
1,50
1,44
1,42
1,41
1,39
60
252,2
19,48
8,54
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,75
1,74
1,64
1,58
1,53
1,43
1,37
1,35
1,33
1,32
120
253,3
19,49
8,49
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,71
1,70
1,68
1,58
1,51
1,47
1,35
1,29
1,26
1,24
1,22
240
253,8
19,49
8,42
5,64
4,39
3,69
3,25
2,95
2,73
2,56
2,43
2,32
2,23
2,15
2,09
2,03
1,99
1,94
1,90
1,87
1,84
1,81
1,79
1,76
1,74
1,72
1,70
1,68
1,67
1,65
1,54
1,48
1,43
1,31
1,24
1,20
1,18
1,15
254,31
19,50
8,53
5,63
4,36
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,44
1,39
1,25
1,17
1,12
1,08
1,00
110
Tabela 9.9: Quantis superiores da distribuio de F (F0,025 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 2,5% de acordo com
o seguinte evento: P (F > F0,025 ) = 0, 025.
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
647,79
38,51
17,44
12,22
10,01
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,92
5,87
5,83
5,79
5,75
5,72
5,69
5,66
5,63
5,61
5,59
5,57
5,42
5,34
5,29
5,15
5,09
5,06
5,04
5,02
2
799,50
39,00
16,03
10,65
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,77
4,69
4,62
4,56
4,51
4,46
4,42
4,38
4,35
4,32
4,29
4,27
4,24
4,22
4,20
4,18
4,05
3,97
3,93
3,80
3,75
3,72
3,70
3,69
3
864,14
39,15
15,42
9,98
7,76
6,60
5,89
5,41
5,08
4,82
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,82
3,78
3,75
3,72
3,69
3,67
3,65
3,63
3,61
3,59
3,46
3,39
3,34
3,23
3,17
3,14
3,13
3,12
4
899,58
39,25
15,08
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,48
3,44
3,41
3,38
3,35
3,33
3,31
3,29
3,27
3,25
3,13
3,05
3,01
2,89
2,84
2,81
2,80
2,79
5
921,85
39,30
14,87
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,25
3,22
3,18
3,15
3,13
3,10
3,08
3,06
3,04
3,03
2,90
2,83
2,79
2,67
2,62
2,59
2,58
2,57
6
937,1
39,33
14,71
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,09
3,05
3,02
2,99
2,97
2,94
2,92
2,90
2,88
2,87
2,74
2,67
2,63
2,52
2,46
2,43
2,42
2,41
7
948,2
39,36
14,60
9,07
6,85
5,70
5,00
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,97
2,93
2,90
2,87
2,85
2,82
2,80
2,78
2,76
2,75
2,62
2,55
2,51
2,39
2,34
2,31
2,30
2,29
8
956,7
39,37
14,51
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,87
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,67
2,65
2,53
2,46
2,41
2,30
2,25
2,22
2,21
2,19
9
963,3
39,39
14,44
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,80
2,76
2,73
2,70
2,68
2,65
2,63
2,61
2,59
2,57
2,45
2,38
2,33
2,22
2,17
2,14
2,13
2,11
10
968,6
39,40
14,39
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,73
2,70
2,67
2,64
2,61
2,59
2,57
2,55
2,53
2,51
2,39
2,32
2,27
2,16
2,10
2,08
2,06
2,05
11
973,03
39,41
14,34
8,79
6,57
5,41
4,71
4,24
3,91
3,66
3,47
3,32
3,20
3,09
3,01
2,93
2,87
2,81
2,76
2,72
2,68
2,65
2,62
2,59
2,56
2,54
2,51
2,49
2,48
2,46
2,33
2,26
2,22
2,10
2,05
2,02
2,01
1,99
APNDICE B: TABELAS
111
Tabela 9.10: Quantis superiores da distribuio de F (F0,025 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 2,5% de acordo com
o seguinte evento: P (F > F0,025 ) = 0, 025.
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
976,71
39,41
14,30
8,75
6,53
5,37
4,67
4,20
3,87
3,62
3,43
3,28
3,15
3,05
2,96
2,89
2,82
2,77
2,72
2,68
2,64
2,60
2,57
2,54
2,51
2,49
2,47
2,45
2,43
2,41
2,29
2,22
2,17
2,05
2,00
1,97
1,96
1,94
13
979,84
39,42
14,27
8,71
6,49
5,33
4,63
4,16
3,83
3,58
3,39
3,24
3,12
3,01
2,92
2,85
2,79
2,73
2,68
2,64
2,60
2,56
2,53
2,50
2,48
2,45
2,43
2,41
2,39
2,37
2,25
2,18
2,13
2,01
1,96
1,93
1,92
1,90
14
982,53
39,43
14,24
8,68
6,45
5,30
4,60
4,13
3,80
3,55
3,36
3,21
3,08
2,98
2,89
2,82
2,75
2,70
2,65
2,60
2,56
2,53
2,50
2,47
2,44
2,42
2,39
2,37
2,36
2,34
2,21
2,14
2,09
1,98
1,92
1,89
1,88
1,87
15
984,87
39,43
14,21
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,53
2,50
2,47
2,44
2,41
2,39
2,36
2,34
2,32
2,31
2,18
2,11
2,06
1,94
1,89
1,86
1,85
1,83
20
993,1
39,45
14,11
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,42
2,39
2,36
2,33
2,30
2,28
2,25
2,23
2,21
2,20
2,07
1,99
1,94
1,82
1,77
1,74
1,72
1,71
30
1001
39,46
14,00
8,46
6,22
5,07
4,36
3,89
3,56
3,31
3,12
2,96
2,84
2,73
2,64
2,57
2,50
2,44
2,39
2,35
2,31
2,27
2,24
2,21
2,18
2,16
2,13
2,11
2,09
2,07
1,94
1,87
1,82
1,69
1,63
1,60
1,58
1,57
40
1006
39,47
13,94
8,41
6,17
5,01
4,31
3,84
3,51
3,26
3,06
2,91
2,78
2,67
2,59
2,51
2,44
2,38
2,33
2,29
2,25
2,21
2,18
2,15
2,12
2,09
2,07
2,05
2,03
2,01
1,88
1,80
1,74
1,61
1,55
1,52
1,50
1,48
60
1010
39,48
13,85
8,36
6,12
4,96
4,26
3,78
3,45
3,20
3,00
2,85
2,72
2,61
2,52
2,45
2,38
2,32
2,27
2,22
2,18
2,14
2,11
2,08
2,05
2,03
2,00
1,98
1,96
1,94
1,80
1,72
1,67
1,53
1,46
1,42
1,41
1,39
120
1014
39,49
13,68
8,31
6,06
4,90
4,20
3,73
3,39
3,14
2,94
2,79
2,66
2,55
2,46
2,38
2,32
2,26
2,20
2,16
2,11
2,08
2,04
2,01
1,98
1,95
1,93
1,91
1,89
1,87
1,72
1,64
1,58
1,43
1,35
1,31
1,29
1,27
240
1016
39,49
13,43
8,28
6,03
4,88
4,17
3,70
3,36
3,11
2,91
2,76
2,63
2,52
2,43
2,35
2,28
2,22
2,17
2,12
2,08
2,04
2,01
1,97
1,94
1,92
1,89
1,87
1,85
1,83
1,68
1,59
1,53
1,38
1,29
1,24
1,21
1,19
1018
39,50
13,90
8,26
6,02
4,85
4,14
3,67
3,33
3,08
2,88
2,72
2,60
2,49
2,40
2,32
2,25
2,19
2,13
2,09
2,04
2,00
1,97
1,94
1,91
1,88
1,85
1,83
1,81
1,79
1,64
1,55
1,48
1,31
1,21
1,14
1,10
1,00
112
Tabela 9.11: Quantis superiores da distribuio de F (F0,01 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 1% de acordo com o
seguinte evento: P (F > F0,01 ) = 0, 01.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
4052
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,17
7,08
6,85
6,74
6,69
6,66
6,63
2
4999
99,01
30,74
18,00
13,28
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
5,06
4,98
4,79
4,69
4,65
4,63
4,61
3
5403
99,05
29,34
16,68
12,05
9,77
8,45
7,59
6,99
6,55
6,21
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,67
4,64
4,60
4,57
4,54
4,51
4,31
4,20
4,12
3,95
3,86
3,82
3,80
3,78
4
5625
99,24
28,60
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,72
3,65
3,48
3,40
3,36
3,34
3,32
5
5764
99,30
28,11
15,52
10,96
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,41
3,34
3,17
3,09
3,06
3,04
3,02
1
6
5859
99,33
27,77
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,19
3,12
2,96
2,88
2,84
2,82
2,80
7
5928
99,36
27,52
14,97
10,45
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
3,02
2,95
2,79
2,71
2,68
2,66
2,64
8
5981
99,37
27,32
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,89
2,82
2,66
2,59
2,55
2,53
2,51
9
6022
99,39
27,16
14,66
10,15
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,78
2,72
2,56
2,48
2,44
2,43
2,41
10
6056
99,40
27,03
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,70
2,63
2,47
2,40
2,36
2,34
2,32
11
6083
99,41
26,92
14,45
9,96
7,79
6,54
5,73
5,18
4,77
4,46
4,22
4,02
3,86
3,73
3,62
3,52
3,43
3,36
3,29
3,24
3,18
3,14
3,09
3,06
3,02
2,99
2,96
2,93
2,91
2,73
2,63
2,56
2,40
2,32
2,28
2,27
2,25
APNDICE B: TABELAS
113
Tabela 9.12: Quantis superiores da distribuio de F (F0,01 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 1% de acordo com o
seguinte evento:P (F > F0,01 ) = 0, 01.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
6106
99,42
26,82
14,37
9,88
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,56
2,50
2,34
2,26
2,22
2,20
2,18
13
6126
99,42
26,74
14,31
9,82
7,66
6,41
5,61
5,05
4,65
4,34
4,10
3,91
3,75
3,61
3,50
3,40
3,32
3,24
3,18
3,12
3,07
3,02
2,98
2,94
2,90
2,87
2,84
2,81
2,79
2,61
2,51
2,44
2,28
2,20
2,17
2,15
2,13
14
6143
99,43
26,67
14,25
9,77
7,60
6,36
5,56
5,01
4,60
4,29
4,05
3,86
3,70
3,56
3,45
3,35
3,27
3,19
3,13
3,07
3,02
2,97
2,93
2,89
2,86
2,82
2,79
2,77
2,74
2,56
2,46
2,39
2,23
2,16
2,12
2,10
2,08
15
6157
99,43
26,60
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,42
2,35
2,19
2,11
2,08
2,06
2,04
20
6209
99,45
26,34
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,27
2,20
2,03
1,96
1,92
1,90
1,88
1
30
6261
99,47
26,02
13,84
9,37
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,10
2,03
1,86
1,78
1,74
1,72
1,70
40
6287
99,47
25,79
13,74
9,28
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
2,01
1,94
1,76
1,68
1,63
1,61
1,59
60
6313
99,48
25,43
13,65
9,19
7,06
5,83
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,91
1,84
1,66
1,57
1,52
1,50
1,47
120
6339
99,49
24,62
13,56
9,08
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,80
1,73
1,53
1,43
1,38
1,35
1,32
240
6353
99,49
23,38
13,51
9,01
6,92
5,70
4,90
4,36
3,95
3,65
3,41
3,21
3,05
2,91
2,80
2,70
2,61
2,54
2,47
2,41
2,35
2,31
2,26
2,22
2,18
2,15
2,12
2,09
2,06
1,86
1,74
1,67
1,46
1,35
1,29
1,26
1,22
6366
99,50
26,13
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,80
1,68
1,60
1,38
1,25
1,17
1,11
1,00
114
Tabela 9.13: Quantis superiores da distribuio de F (F0,005 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 0,5% de acordo com
o seguinte evento:P (F > F0,005 ) = 0, 005.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
16211
198,50
55,55
31,33
22,78
18,64
16,24
14,69
13,61
12,83
12,23
11,75
11,37
11,06
10,80
10,58
10,38
10,22
10,07
9,94
9,83
9,73
9,63
9,55
9,48
9,41
9,34
9,28
9,23
9,18
8,83
8,63
8,49
8,18
8,03
7,95
7,92
7,88
2
20000
199,04
49,49
26,28
18,31
14,54
12,40
11,04
10,11
9,43
8,91
8,51
8,19
7,92
7,70
7,51
7,35
7,21
7,09
6,99
6,89
6,81
6,73
6,66
6,60
6,54
6,49
6,44
6,40
6,35
6,07
5,90
5,79
5,54
5,42
5,36
5,33
5,30
3
21614
198,70
47,03
24,23
16,51
12,90
10,87
9,59
8,71
8,08
7,60
7,22
6,92
6,68
6,47
6,30
6,15
6,02
5,91
5,81
5,73
5,65
5,58
5,52
5,46
5,41
5,36
5,31
5,27
5,24
4,97
4,82
4,73
4,50
4,38
4,33
4,30
4,28
4
22500
199,21
45,76
23,15
15,55
12,03
10,05
8,80
7,96
7,34
6,88
6,52
6,23
6,00
5,80
5,64
5,50
5,37
5,27
5,17
5,09
5,02
4,95
4,89
4,83
4,79
4,74
4,70
4,66
4,62
4,37
4,23
4,14
3,92
3,82
3,77
3,74
3,72
5
23056
199,29
44,90
22,45
14,93
11,46
9,52
8,30
7,47
6,87
6,42
6,07
5,79
5,56
5,37
5,21
5,07
4,96
4,85
4,76
4,68
4,61
4,54
4,49
4,43
4,38
4,34
4,30
4,26
4,23
3,99
3,85
3,76
3,55
3,45
3,40
3,37
3,35
1
6
23437
199,3
44,29
21,97
14,51
11,07
9,16
7,95
7,13
6,54
6,10
5,76
5,48
5,26
5,07
4,91
4,78
4,66
4,56
4,47
4,39
4,32
4,26
4,20
4,15
4,10
4,06
4,02
3,98
3,95
3,71
3,58
3,49
3,28
3,19
3,14
3,11
3,09
7
23715
199,4
43,83
21,62
14,19
10,79
8,89
7,69
6,89
6,30
5,86
5,52
5,25
5,03
4,85
4,69
4,56
4,44
4,34
4,26
4,18
4,11
4,05
3,99
3,94
3,89
3,85
3,81
3,77
3,74
3,51
3,38
3,29
3,09
2,99
2,94
2,92
2,90
8
23925
199,4
43,46
21,35
13,95
10,57
8,68
7,50
6,69
6,12
5,68
5,35
5,08
4,86
4,67
4,52
4,39
4,28
4,18
4,09
4,01
3,94
3,88
3,83
3,78
3,73
3,69
3,65
3,61
3,58
3,35
3,22
3,13
2,93
2,84
2,79
2,77
2,74
9
24091
199,4
43,16
21,14
13,76
10,39
8,51
7,34
6,54
5,97
5,54
5,20
4,94
4,72
4,54
4,38
4,25
4,14
4,04
3,96
3,88
3,81
3,75
3,69
3,64
3,60
3,56
3,52
3,48
3,45
3,22
3,09
3,01
2,81
2,71
2,67
2,64
2,62
10
24224
199,4
42,91
20,96
13,61
10,25
8,38
7,21
6,42
5,85
5,42
5,09
4,82
4,60
4,42
4,27
4,14
4,03
3,93
3,85
3,77
3,70
3,64
3,59
3,54
3,49
3,45
3,41
3,38
3,34
3,12
2,99
2,90
2,71
2,61
2,56
2,54
2,52
11
24334
199,41
42,68
20,82
13,48
10,13
8,27
7,10
6,31
5,75
5,32
4,99
4,72
4,51
4,33
4,18
4,05
3,94
3,84
3,76
3,68
3,61
3,55
3,50
3,45
3,40
3,36
3,32
3,29
3,25
3,03
2,90
2,82
2,62
2,52
2,48
2,46
2,43
APNDICE B: TABELAS
115
Tabela 9.14: Quantis superiores da distribuio de F (F0,005 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 0,5% de acordo com
o seguinte evento:P (F > F0,005 ) = 0, 005.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
24426
199,42
42,49
20,70
13,37
10,03
8,18
7,01
6,23
5,66
5,24
4,91
4,64
4,43
4,25
4,10
3,97
3,86
3,76
3,68
3,60
3,54
3,47
3,42
3,37
3,33
3,28
3,25
3,21
3,18
2,95
2,82
2,74
2,54
2,45
2,40
2,38
2,36
13
24505
199,42
42,32
20,60
13,28
9,95
8,10
6,94
6,15
5,59
5,16
4,84
4,57
4,36
4,18
4,03
3,90
3,79
3,70
3,61
3,54
3,47
3,41
3,35
3,30
3,26
3,22
3,18
3,15
3,11
2,89
2,76
2,68
2,48
2,39
2,34
2,32
2,29
14
24572
199,43
42,16
20,51
13,20
9,88
8,03
6,87
6,09
5,53
5,10
4,77
4,51
4,30
4,12
3,97
3,84
3,73
3,64
3,55
3,48
3,41
3,35
3,30
3,25
3,20
3,16
3,12
3,09
3,06
2,83
2,70
2,62
2,42
2,33
2,28
2,26
2,24
15
24630
199,43
42,02
20,44
13,13
9,81
7,97
6,81
6,03
5,47
5,05
4,72
4,46
4,25
4,07
3,92
3,79
3,68
3,59
3,50
3,43
3,36
3,30
3,25
3,20
3,15
3,11
3,07
3,04
3,01
2,78
2,65
2,57
2,37
2,28
2,23
2,21
2,19
20
24836
199,4
41,43
20,16
12,89
9,59
7,76
6,61
5,83
5,27
4,86
4,53
4,27
4,06
3,88
3,73
3,61
3,50
3,40
3,32
3,24
3,18
3,12
3,06
3,01
2,97
2,93
2,89
2,86
2,82
2,60
2,47
2,39
2,19
2,09
2,05
2,02
2,00
1
30
25044
199,5
40,59
19,89
12,64
9,36
7,54
6,40
5,63
5,07
4,65
4,33
4,07
3,86
3,69
3,54
3,41
3,30
3,21
3,12
3,05
2,98
2,92
2,87
2,82
2,77
2,73
2,69
2,66
2,63
2,40
2,27
2,19
1,98
1,89
1,84
1,81
1,79
40
25148
199,5
39,93
19,75
12,50
9,24
7,42
6,29
5,52
4,97
4,55
4,23
3,97
3,76
3,59
3,44
3,31
3,20
3,11
3,02
2,95
2,88
2,82
2,77
2,72
2,67
2,63
2,59
2,56
2,52
2,30
2,16
2,08
1,87
1,77
1,72
1,69
1,67
60
25253
199,5
38,85
19,61
12,36
9,12
7,31
6,18
5,41
4,86
4,45
4,12
3,87
3,66
3,48
3,33
3,21
3,10
3,00
2,92
2,84
2,77
2,71
2,66
2,61
2,56
2,52
2,48
2,45
2,42
2,18
2,05
1,96
1,75
1,64
1,59
1,56
1,53
120
25359
199,5
36,37
19,47
12,20
9,00
7,20
6,06
5,30
4,75
4,34
4,01
3,76
3,55
3,37
3,22
3,10
2,99
2,89
2,81
2,73
2,66
2,60
2,55
2,50
2,45
2,41
2,37
2,33
2,30
2,06
1,93
1,83
1,61
1,49
1,43
1,40
1,36
240
25411
199,5
32,90
19,39
12,07
8,94
7,15
6,01
5,25
4,69
4,28
3,96
3,70
3,49
3,32
3,17
3,04
2,93
2,83
2,75
2,67
2,60
2,54
2,49
2,44
2,39
2,35
2,31
2,27
2,24
2,00
1,86
1,76
1,52
1,40
1,33
1,29
1,25
25464
199,50
41,83
19,32
12,14
8,88
7,08
5,95
5,19
4,64
4,23
3,90
3,65
3,44
3,26
3,11
2,98
2,87
2,78
2,69
2,61
2,55
2,48
2,43
2,38
2,33
2,29
2,25
2,21
2,18
1,93
1,79
1,69
1,43
1,28
1,19
1,13
1,00
116
Tabela 9.15: Quantis superiores da distribuio t de Student (t ) com graus de liberdade e para
diferentes valores da probabilidade () de acordo com o seguinte evento: P (t > t ) = .
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
240
480
960
1920
3840
0,250
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,677
0,676
0,675
0,675
0,675
0,675
0,674
0,200
1,376
1,061
0,979
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,848
0,845
0,843
0,842
0,842
0,842
0,842
0,842
0,150
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,045
1,041
1,039
1,038
1,037
1,037
1,037
1,036
0,100
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,296
1,289
1,285
1,283
1,282
1,282
1,282
1,282
0,050
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,671
1,658
1,651
1,648
1,646
1,646
1,645
1,645
0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,000
1,980
1,970
1,965
1,962
1,961
1,961
1,960
0,010
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,390
2,358
2,342
2,334
2,330
2,328
2,327
2,326
0,005
63,657
9,925
5,841
4,604
4,032
3,707
3,500
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,660
2,617
2,596
2,586
2,581
2,578
2,577
2,576
0,001
636,619
31,599
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,460
3,373
3,332
3,311
3,301
3,296
3,293
3,291