Академический Документы
Профессиональный Документы
Культура Документы
ESCOLA DE CIÊNCIAS
2. ESTATÍSTICA DESCRITIVA
2.1 Tabelas de freqüência simples e cruzadas
2.2 Análise gráfica
2.3 Medidas de Tendência Central
2.4 Separatrizes
2.5 Medidas de Variabilidade
3. PROBABILIDADE
3.1 Experimentos, Espaço Amostral e Eventos
3.2 Operações com eventos
3.3 Conceitos de Probabilidade
3.4 Probabilidade Condicional e Independência
3.5 Teorema de Bayes
3.6 Variáveis aleatórias discretas
3.7 Principais modelos discretos
3.8 Variáveis aleatórias contínuas
3.9 Principais modelos contínuos
4. AMOSTRAGEM
4.1 Conceitos básicos
4.2 Principais técnicas de amostragem probabilística
6. TESTES DE HIPÓTESES
6.1 Teste t de Student para uma média
6.2 Testes t de Student - duas amostras independentes
6.3 Análise de Variância (ANOVA)
6.4 Teste Qui-quadrado
7. CORRELAÇÃO E REGRESSÃO
7.1 Coeficiente de correlação de Pearson
7.2 Regressão Linear Simples
7.3 Regressão Linear Múltipla
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 2
Descritiva
Estatística
Inferencial
Probabilidade Amostragem
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 5
Classificação
Realidade Sem
Mudanças Total
mudanças
Sem mudanças 80 20 100
Mudanças 5 45 50
Total 85 65 150
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 7
O tipo de gráfico adequado para cada variável depende do tipo de variável. Segue uma
relação de exemplos de variáveis e tipos de gráficos adequados.
Masculino
40%
Feminino
60%
GRÁFICO DE BARRAS
Cigarro 37,7%
Obesidade 28,3%
Ãlcool 9,4%
Drogas 1,9%
Outras 5,7%
Base: ???
Fonte: TE Estatísticas, ano não declarado
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 8
GRÁFICO DE BARRAS
Ótimo 25%
Bom 20%
Regular 8%
Ruim 5%
Péssimo 2%
GRÁFICO DE COLUNAS
100,0%
80,0%
60,0%
35,0%
40,0% 25,0%
20,0%
20,0% 12,5%
7,5%
0,0%
1 2 3 4 5
Número de pessoas por domicílio
Base: 40 domicílios
Fonte: Dados coletados numa turma de Estatística
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 9
HISTOGRAMA
10
4
Freqüência
0
150 ,0 160 ,0 170 ,0 180 ,0 190 ,0 200 ,0
Altura (cm)
Base: 20 observações
Fonte: Alunos de uma turma de Estatística I. Gráfico construído no software SPSS.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 10
São valores que trazem informação sobre a região em torno da qual os dados estão
posicionados. As medidas de tendência central mais utilizadas são: Média, Mediana e
Moda.
População Amostra
N n
xi x i
i 1
X i 1
N n
População Amostra
k k
xi f i x i fi
i 1
X i 1
N n
A mediana é o valor que divide o conjunto de dados ordenado em duas partes com
igual número de observações. Para calcular a mediana iremos utilizar uma nova
notação. Seja x[1] , x[ 2] ,, x[ n ] um conjunto de dados ordenado (ordem crescente),
onde o valor entre colchetes representa a posição no conjunto ordenado.
n ímpar n par
n Fila Md n Fila Md
3 4
5 6
7 8
n ímpar n par
3. A moda é a MTC mais “pobre”, porque considera apenas os valores mais freqüentes.
n
Xh n
X G n x1 x2 xn
1
i 1 x i
Xh XG X
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 13
2.4 Separatrizes
São valores que separam o conjunto de dados ordenado em partes com igual número
de observações.
R$6000
R$ 286 R$ 533 R$ 936 R$ 1681 R$2600
Min|-----------|-------------|-------------|---------|----|---|--| Max
P25 P50 P75 P90 P95 P99
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 15
Questões
R máxxi mínxi
População Amostra
x X
N n
x
2 2
i i
2 i 1
s2 i 1
N n 1
População Amostra
x X fi
k k
x fi
2 2
i i
2 i 1
s2 i 1
N n 1
População Amostra
2
s s2
População Amostra
s
CV 100% CV 100%
X
10 5 6 5 6 9 5 7 5 10
5 10 7 8 8 9 9 6 6 10
5 6 6 7 6 6 7 6 8 7
Cap. 3 – Probabilidade
1ª) Não se conhece um particular valor do experimento antes dele ser executado, porém
podemos descrever todos os possíveis resultados - as possibilidades;
2ª) Quando o experimento é repetido algumas vezes, os resultados ocorrem de uma forma
aparentemente acidental. Mas quando o número de repetições aumenta, uma regularidade
aparecerá. E esta regularidade que torna possível construir um modelo matemático útil para
análise do experimento.
1) Condições meteorológicas
2) Produção de arroz anual numa cidade
3) Mercado Financeiro
4) Lançamento de uma moeda
5) Resultados de loterias
Nos seis exemplos anteriores não somos capazes de precisar o resultado, entretanto
conseguimos listar os possíveis resultados.
S1 =
S2 =
S3 =
S4 =
S5 =
S6 =
S = {1,2,3,4,5,6}
É possível realizar operações com eventos que nada mais são do que as operações com
conjuntos já estudadas no Ensino Fundamental.
Conceito clássico
Esse conceito só é válido se todos resultados de S forem equiprováveis. Para casos assim a
probabilidade de ocorrência do evento A é obtida por:
n( A)
P( A) n(A) é o número de resultados favoráveis ao evento A
Total ( S )
Total (s) é o número total de resultados em S
Conceito freqüentista
Neste conceito a probabilidade é tratada como um limite. Aqui é possível fazer uma relação
entre probabilidade (teórica) e estatística (empírica). Para casos assim a probabilidade de
ocorrência do evento A é obtida por:
n( A)
fr(A) = , onde n(A) é o nº de vezes em que ocorre o resultado A em n realizações do
n
experimento.
3º) Probabilidade como limite. A medida que n aumenta, a fr(A) converge para a real
probabilidade P(A).
lim n fr ( A ) P( A )
Dica: Veja como podemos fazer uma moeda no Excel e como contar quantas caras
ocorreu:
=SE(ALEATÓRIO()<0,5;”Cara”;”Coroa”)
Se o número aleatório entre 0 e 1 gerado pelo Excel for inferior a 0,5,então escreva “Cara”;
caso contrário escreva “Coroa”. Depois, copie e cole esta fórmula para as células A2 até A1000.
= CONT.SE(A2:A1000;”Cara”)
O Excel irá contar quantas vezes aparece a palavra “Cara” entre as células A1 e A1000.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 23
Conceito Axiomático
Axioma 1: 0 P(A) 1
Axioma 2: P(S) = 1
Axioma 3: Para eventos Ai excludentes, P(A1 A2) = P(A1) + P(A2)
Graficamente:
P(A|B) = P(B|A) =
Suponha que um aluno da turma será sorteado. Após saber o resultado o professor faz algumas
perguntas utilizando probabilidade condicional.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 24
Devolução
Fornecedor Sim Não Total
A 30 50 80
B 60 40 100
C 50 50 100
Total 140 140 280
=> Independência
Exemplo – Três operadores diferentes realizam a mesma tarefa em máquinas distintas. Eles
produzem caixas com três peças, cada uma feita por um operado. A probabilidade do operador
A falhar é de 3/1000 ; do operador B 5/1000 e do operador C, 1/100.
Qual a probabilidade de haver pelo menos uma peça defeituosa nesta caixa?
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 25
P( Ai B ) P( Ai ) P( B | Ai )
P( Ai | B ) ...
P( B ) P( B )
Uma empresa possui três máquinas (A,B,C) com as seguintes probabilidades de produção de
uma peça não-conforme (NC): 1%, 2% e 5%. A máquina A é responsável por 40% da
produção; a máquina B por 50% e a máquina C é responsável pelo restante.
a) Se uma peça não-conforme é encontrada, qual a probabilidade dela ter sido produzida pela
máquina A? Encontre as probabilidades para as máquinas B e C também.
Suponha uma sala de aula com 60 alunos, sendo 30 das Ciências da Computação, 20
da Engenharia Elétrica e 10 da Eng de Produção. Sabe-se que, nesta turma, 20 alunos
estão em G2, sendo 12 da CCO e seis da EEL. Sabendo que um aluno está em G2,
qual a probabilidade ele ser a Eng de Produção?
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 26
Uma variável aleatória discreta X é uma função que associa números aos resultados do Espaço
Amostral.
Exemplo – Prova
Para exemplificar vamos admitir uma prova composta de n=4 questões com cinco alternativas
cada onde apenas uma está correta.
Q1) a) b) c) d) e)
Q2) a) b) c) d) e)
Q3) a) b) c) d) e)
Q4) a) b) c) d) e)
Escreva o espaço amostral S considerando apenas questão certa (C) ou errada (E).
Agora considere X=número de acertos em cada ponto amostral de S. Logo, os valores possíveis
para X são 0,1,2,3 ou 4. O resultado EEEE implica em X=0; os resultados CEEE, ECEE, EECE,
EEEC implicam num X=1, etc.
Neste caso:
x 0 1 2 3 4
P(X=x)
Características da F(X) ou P( X x ) :
1a) Ela é contínua à direita;
2a) F ( ) 0 e F ( ) 1
3a) F ( x ) é sempre não decrescente.
Graficamente:
E( X ) x P( X x )
x
Exemplo – Prova
A variância de uma variável aleatória discreta indica a variabilidade em torno de sua média. A
expressão da variância pode ser melhor entendida se comparada a expressão da variância que
aprendemos em Estatística Descritiva:
Var( X ) E X E( X ) E X 2 E( X )
2 2
DP( X ) Var( X )
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 28
Exemplo - Prova
Exemplo – Dados
Criar a variável X=soma das faces no lançamento de dois dados e construir a sua função de
probabilidade.
x 0 1 2 3 4
P(X=x) 0,35 0,30 0,20 k 0,05
Um caso como o da prova de quatro questões pode ser resolvido pela Distribuição Binomial.
Sempre que um experimento que assume apenas dois possíveis resultados em cada repetição
for repetido n vezes e que a probabilidade de sucesso for constante em cada repetição,
podemos modelar o número de sucessos pela distribuição Binomial.
X ~ Binomial (n ; p)
x=0,1,...,n
n!
P( X x) p x (1 p) n x
x!n x !
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 29
Exemplo – Prova
Numa fábrica peças são produzidas em larga escala (podemos considerar produção infinita).
Sabe-se que 5% das peças são defeituosas (D) e o restante perfeitas (P).
1) Se lançarmos uma moeda honesta 100 vezes, qual o número esperado de caras?
n n
E(X) = P( X x ) C
x 0 x 0
x
n p x ( 1 p )n x = np
Var(X) = np(1-p)
Prova: E(X)
Var(X)
Peças: E(X)
Var(X)
Loteria: E(X)
Var(X)
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 30
X ~ Poisson ()
e x
P X x , x = 0,1,2,... >0
x!
e x
x 0 x!
=1
e x
E(X) = xP( X x ) x
x 0 x 0 x!
Var(X) =
Exemplo – Navios
A taxa de chegadas de navios a uma porto segue a média de 1 por dia e pode ser modelada
pela distribuição de Poisson.
Um revisor aponta que encontrou 100 erros em um livro de 200 páginas. Considere X=número
de erros por página, podendo ser modelada pela distribuição de Poisson.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 31
A medida que ninfinito e p0 a distribuição Binomial pode ser aproximada pela Poisson.
n e np np
x
P( X x ) p x ( 1 p )n x
n p 0
x x!
Binomial Poisson
0,4000 0,4000
0,3500 0,3500
0,3000 0,3000
0,2500 0,2500
0,2000 0,2000
0,1500 0,1500
0,1000 0,1000
0,0500 0,0500
- -
0 3 6 9 12 15 18 21 24 27 30 0 3 6 9 12 15 18 21 24 27 30
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 32
As variáveis contínuas podem, ao menos teoricamente, assumir qualquer valor num intervalo
numérico. Sendo assim fica impossível representarmos variáveis contínuas da mesma forma
que as variáveis discretas. Diferenciando um caso discreto de um contínuo:
P(X=x)
0,25 0,30
0,20 0,25
0,20
0,15
0,15
0,10
0,10
0,05 0,05
- -
0 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 13
Importante
b) f ( x )dx 1
A área sob a curva fx(x) nos informa a probabilidade de ocorrência de valores da variável X.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 33
Supondo que o gráfico acima represente a função de probabilidade de uma variável aleatória X.
Como sabermos a probabilidade de ocorrência de valores entre a e b ?
b
P( a X b ) f ( x )dx
a
x
F ( x ) P( X x ) f ( x )dx
Propriedades da F(x):
d
4o) f ( x ) F( x )
dx
Esboce graficamente a f(x). Verifique se f(x) é função densidade, encontre a F(x) e calcule
P(X<0,5).
2 x;0 x 1
f(x)
0; c.c.
Esboce graficamente a f(x). Verifique se f(x) é função densidade, encontre a F(x) e calcule a
P(1/4<X<3/4).
4 x ; 0 x 1/2
f ( x ) 4 - 4x ; 1/2 x 1
0
; caso contrário
O cálculo da esperança e da variância no caso contínuo pode ser feito de forma análoga ao
caso discreto. Agora o será substituído pela :
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 34
E( X ) xf ( x )dx
Em geral:
E( g( x )) g( x ) f ( x )dx
Existe uma gama de modelos contínuos bastante utilizados. Eles já se encontram descritos na
literatura e suas principais características são conhecidas.
Uma v.a.c X tem distribuição Uniforme se a sua função densidade f(x) descreve um retângulo
que dá sempre a mesma probabilidade de ocorrência para intervalos de mesmo tamanho.
X ~ Uniforme [a , b]
a xb
1
; axb
f ( x) b a
0 ; caso contrário
f(x)
1/(b-a)
a b
x
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 35
xa
Provar que F ( x) para a x b .
ba
ba (b a) 2
E( X ) Var ( X )
2 12
O tempo para produzir uma peça é igualmente provável de estar entre 60s e 70s.
b) Realize uma simulação com 1000 números no Excel e verifique se os resultados coincidem.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 36
Uma v.a.c. X tem distribuição Exponencial se a sua função densidade de probabilidade é dada
por:
X ~ Exponencial ()
e x ; x 0
f ( x) 0
0 ; c.c.
1,8
1,6 Lambda=0,5
Lambda=1
1,4
Lambda=2
1,2
0,8
0,6
0,4
0,2
0
0 1 2 3 4 5 6
e
x
dx 1
0
e
x
dx 1 e x
0
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 37
1
E ( X ) xf ( x)dx xe x dx
0
1
Var ( X )
2
Exemplo – O tempo entre chamadas telefônicas segue uma distribuição Exponencial com
média de 15 minutos.
b) Sabendo que já se passaram 20 minutos, qual a probabilidade de que chegue uma ligação
antes dos 40 minutos?
P( X s t | X t ) P( X s)
No exemplo:
P( X 20 20 | X 20) P( X 20)
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 38
Uma v.a.c. X tem distribuição normal com parâmetros e se sua função densidade de
probabilidade é dada por:
( x )2
f x
1
e 2 2
, x ,
2
onde e são parâmetros,
- < < + ; 0
Notação
X N(,)
Características da Normal
f ( x )dx 1
E( X ) xf ( x )dx
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 39
x f ( x )dx 2
2
DP(X) =
Vejamos exemplos:
f(x)
f(x)
f(x)
Exemplo – Altura
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 40
Seja X uma variável aleatória normalmente distribuída com quaisquer parâmetros média e
desvio-padrão . Se realizarmos a seguinte transformação obteremos uma nova variável Z com
média 0 e desvio-padrão 1:
X
X N(,) Z Z (0,1)
Qualquer variável com distribuição Normal pode ser padronizada para a Normal. A
distribuição Normal padronizada (Z) é tabelada.
1) Calcule:
a) P(Z 1,64) d) P(Z 0)
b) P(Z 0,38) e) P(-1,96 Z 1,96)
c) P(2,57 Z 2,57)
2) O peso de sacos de arroz com valor nominal de 1kg segue uma distribuição
aproximadamente Normal com média de 1010g com desvio-padrão de 20g.
a) Qual a probabilidade de um saco ter peso inferior a 1040g?
b) Qual a probabilidade de um saco ter peso superior a 1050g?
c) Qual a probabilidade de um saco ter menos de 1kg?
d) Qual a probabilidade do peso estar entre 990g e 1030g?
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 41
Cap. 4. - Amostragem
________________________________________
________________________________________
________________________________________
________________________________________
Etapas:
A B C D E
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 43
20 30 40 50 60 70
A B C D E F
Suponha que seja necessário selecionar uma amostra de n=5 alunos da turma para
representar a nossa turma numa reunião na reitoria. Qual o número de amostras
possíveis de serem selecionadas?
Considere uma população infinitamente grande com média 0,5 . Vamos avaliar as
distribuições amostrais da média amostral X com n = 30 e 300.
2,0 3,5
3,0
1,5 2,5
2,0
1,0
1,5
0,5 1,0
0,5
- -
0 0,2 0,4 0,6 0,8 1 0 0,2 0,4 0,6 0,8 1
Médias amostrais Médias amostrais
n = 30 n = 300
RESULTADO
X tem distribuição Normal com Média = e Desvio-padrão =
n
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 46
Se 852 pessoas da amostra afirmam estar com medo, podemos estimar que 85,2% dos
americanos estão com medo de viajar de avião após os ataques terroristas de
11/Set/2001.
Consiste em cercar o valor da estimativa pontual por uma região cuja probabilidade de
conter o verdadeiro parâmetro seja conhecida.
t = valor da distribuição t de Student com n-1 graus de liberdade e área à
n 1; 2
2
direita.
z = valor da distribuição normal padrão com área à direita.
2
2
N n
I.C. para com 1- de confiança = X z
2 n N 1
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 47
s N n
I.C. para com 1- de confiança = X t
n 1,
2 n N 1
N n
Obs: O fator de correção é omitido em caso de populações infinitas. O EXCEL
N 1
simplesmente ignora esse fator de correção.
Exemplo:
s
I.C. 95% para = X t
n 1,
2 n
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 48
Figura – Tela do Excel: Ferramentas > Análise de dados > Estatística Descritiva
A estimativa pontual para uma proporção é dada diretamente pela proporção amostral.
É muito útil construirmos um intervalo em torno da estimativa pontual que possua uma
probabilidade conhecida de conter a verdadeira proporção populacional.
pˆ (1 pˆ ) N n
I.C. para p com 1- de confiança = p z
2
n N 1
N n
Obs: O fator de correção é omitido em caso de populações infinitas.
N 1
A hipótese nula (Ho) é a hipótese sob a qual a teste é realizado. Essa hipótese será
ACEITA ou REJEITADA. Se os dados amostrais estiverem de acordo com a hipótese
nula formulada, a estatística de teste nos levará a uma aceitação. Por outro lado, se os
dados amostrais não estiverem em sintonia com a hipótese formulada, o teste nos
levará a uma rejeição da hipótese nula.
A hipótese alternativa (H1 ou Ha) é uma hipótese complementar a Ho. Por isso se
rejeitamos Ho, conseqüentemente aceitamos H1.
É uma técnica que permite testarmos a hipótese de que a média populacional pode ser
considerada igual a um valor de referência, digamos o.
Iremos estudar apenas os testes bilaterais, ou seja, onde as hipóteses não são
direcionadas para um único sentido. As regiões de rejeição ficam nos dois lados da
curva.
x - o
t
s/ n
Apesar de ser um procedimento simples, o EXCEL não realiza esse tipo de teste. Já, o
programa estatístico SPSS, por exemplo, faz.
Apesar do EXCEL não fazer isso podemos utiliza-lo para calcular a média amostral e o
desvio-padrão.
Uma agência bancária afirma que o tempo médio de espera na fila é de 15 minutos.
Entretanto, os clientes estão revoltados com a demora no atendimento e dizem que a
afirmação não é verdadeira, ou seja, o tempo de espera é superior a 15 min. Para
poder argumentar contra o banco, os clientes realizam uma amostra com 200 pessoas,
anotando o tempo até o atendimento.
Sobre o p-value
O p-value, valor de p ou significância da estatística é o valor informado na saída
dos softwares estatísticos. Esse número é, portanto, uma probabilidade que deve ser
comparada ao nível de significância adotado.
É uma técnica estatística que permite testarmos a hipótese de que duas médias
populacionais são idênticas. É extremamente utilizada para comparação de dois grupos
independentes.
Ho : 1 2
Ha : 1 2
t
x1 - x2
s12 (n1 - 1) s22 (n2 1) 1 1
n1 n2 2 n1 n 2
que deve ser comparado com uma distribuição t de Student com (n1+n2-2) graus de
liberdade
ATENÇÃO: Esse teste só pode ser utilizado se a variância (ou desvios-padrão) das
duas populações em questão não forem muito diferentes.
Exercício:
Solos brasileiros são deficientes em fósforo. Numa comparação entre amostras de solo
da serra gaúcha e do Valle Central do Chile, os resultados encontrados (mg/kg) foram:
A Análise de Variância (ANOVA, Analysis of Variance) pode ser encarada como uma
extensão do teste t de Student para comparação de três ou mais médias a partir de
amostras independentes.
Ho : 1 2 ... p
Ha : i j para algum i j
Exemplo
Suponha que um grupo de 12 alunos com características muito semelhantes foi dividido
em três grupos por meio de um sorteio. Esses grupos de alunos foram encaminhados à
três escolas de inglês para um curso intensivo. Após o curso, todos os alunos foram
submetidos a uma mesma avaliação. O escore final variava de 0 (pior possível) a 100
(melhor possível). Utilizar n.s de 5%.
Para decompor a variabilidade total, é mais fácil apresentar os dados conforme a tabela
a seguir:
3 4
SQtotal SQdentro SQentre ( yij y ) 2 (627-748,91)2 + ... + (935-748,91)2 =
i 1 j 1
= 194.040,9167
3 2
i 1
89.092,17
i 1 j 1
Perceba que se houver grande variabilidade dentro de um mesmo grupo, a SQdentro vai resultar um
valor grande. Por outro lado, se houver grande diferença nas médias dos grupos, a SQentre vai resultar
grande.
Passaremos agora a outras definições importantes. A primeira refere-se aos graus de liberdade. Os graus
de liberdade "entre tratamentos" serão iguais ao número de tratamentos menos um. Os graus de
liberdade "dentro dos tratamentos" serão iguais ao número de observações menos o número de
tratamentos.
GLentre t 1
GLdentro n t
GLtotal n 1
A última definição antes do teste será a de quadrado médio. Quadrado médio é o quociente entre as
Somas de Quadrados e os respectivos graus de liberdade:
SQentre SQdentro
QM entre QM dentro
GLentre GLdentro
O teste estatístico será baseado no quociente entre o QMentre e o QMdentro dos grupos. Esse valor terá
uma distribuição F de Snedecor que deverá ser comparada com as tabelas disponíveis.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 57
Uma tabela de Análise de Variância Clássica tem, portanto, o seguinte formato no caso univariado:
CAUSAS DE VARIAÇÃO GL SQ QM F
TRATAMENTOS t-1 SQentre QMentre QMentre/ QMdentro
(entre tratamentos)
CAUSAS DE VARIAÇÃO GL SQ QM F
ESCOLAS 2 89092,17 44546,09 3,82
(entre Escolas)
TOTAL 11 194040,9167
ANOVA no EXCEL
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 58
Exercício – Realizar uma ANOVA para comparação dos diâmetros dos parafusos nos três diferentes turnos
Manhã Tarde Noite
5,5 5,5 5,4
5,6 5,4 5,7
5,7 5,3 5,8
5,8 5,2 5,6
5,5 5,4 5,6
5,6 5,3
5,4
5,5
Médias 5,617 5,375 5,620
SQ total = 0,505263
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 59
A B C
90 85 91
95 82 95
86 83 94
88 87 92
90 89 95
91 90 97
Média 90 86 94
Desvio 3,03 3,22 2,19
RESUMO
Grupo Contagem Soma Média Variância
A 6 540 90 9,2
B 6 516 86 10,4
C 6 564 94 4,8
ANOVA
Fonte da variação SQ gl MQ F valor-P F crítico
Entre grupos 192 2 96 11,80328 0,000833 3,68232
Dentro dos grupos 122 15 8,133333
Total 314 17
Hipóteses do teste:
Obs. Esp.2
Estatística de teste: (2l 1)(c 1) Esp.
que deve ser comparado com o
Conformidade
Máquina Não Sim Total
A 13 450 463
B 17 650 667
Neste capítulo passaremos a trabalhar com duas variáveis quantitativas (X,Y) e procuraremos
estudar o relacionamento existente entre elas. Primeiramente começaremos com os coeficientes
de correlação de Pearson e de Spearman que traduzem a associação entre as variáveis na
forma de uma medida no intervalo [-1;+1]. Depois buscaremos encontrar modelos
representativos que apresentem a relação de dependência entre as variáveis quantitativas X e
Y.
x X x X x X x X y Y
n n n
2
i i i i i
2
s i 1
s XX i 1
e, logo, s XY i 1
n 1 n 1 n 1
10
Y = viscosidade
9
8
7
6
5
4
3
2
1
0
0 2 4 6 8 10 12
X = tempo de uso
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 63
O coeficiente de correlação de Pearson é uma medida no intervalo [-1;+1] que indica o grau de
relacionamento linear entre duas variáveis quantitativas X e Y. Valores –1 indicam associação
inversa perfeita, enquanto que o valor +1 indica associação direta perfeita. O valor zero indica
ausência de correlação e sinaliza independência entre as variáveis.
s XY
rXY , logo temos que 1 rXY 1
s X sY
O teste de hipóteses para verificar se o verdadeiro coeficiente de correlação é nulo (ou não)
é, muitas vezes, mais importante do que o próprio valor do coeficiente:
r n 2
~ t n 2
1 r2
No EXCEL:
No SPSS:
Correlati ons
Tempo Viscosidade
Tempo Pears on Correlation 1 -, 992**
Sig. (2-t ailed) . ,001
N 5 5
Viscosidade Pears on Correlation -, 992** 1
Sig. (2-t ailed) ,001 .
N 5 5
**. Correlat ion is signif icant at the 0. 01 lev el (2-t ailed).
IMPORTANTE: note que o Excel não faz automaticamente o teste de hipóteses; o SPSS faz.
Medida Medida
padrão-ouro alternativa
Indivíduo (X) (Y)
1 10 11
2 20 22
3 30 26
4 40 38
5 50 48
Média 30 29
Desvio 15,81 14,35
Exemplo motivador:
Considere uma amostra de n=6 funcionários e seus respectivos limiares de audição (yi).
Suponha que você precisa escolher “um único número” para representar esta amostra de
funcionários de forma que seja o mais correto possível. Chamaremos o valor estimado de Yˆ .
n
Qual deve ser o valor de Yˆ para minimizar ( y
i 1
i ŷ )2 ???
A técnica de Regressão Linear Simples estabelece uma relação de dependência entre uma
variável dependente Y e uma única variável independente X, supondo que o relacionamento
seja da forma linear:
2o) Agora admita a seguinte estrutura do modelo sugerido, onde a e b são os estimadores de
e .
yi a bxi ei
3o) Agora admita que ŷi é uma estimativa do valor de yi para um dado xi e que ŷi a bxi .
4o) Encontraremos os estimadores a e b pelo método dos mínimos quadrados. O método dos
mínimos quadrado consiste em encontrar qual os valores dos estimadores a e b que tornam o
n
e
2
resultado de i mínimo.
i 1
n n n
i 1 i 1 i 1
n
a yi a bxi 0
2
i 1
n
b i 1
yi a bxi 0
2
n n
y
n n
xi2 334
n
xi 42 yi 240 x y
2
i 9642 i i 1719
i 1 i 1 i 1 i 1 i 1
As fórmulas para as estimativas dos parâmetros, obtidas pelo MMQ, são as seguintes:
XY n
X Y
b a Y bX
X
X
2
2
a estimativa “a”: o limiar de audição esperado para um funcionário que jamais se expôs
ao ruído (X=0) é de “a” dB.
O coeficiente “b” indica que a cada aumento de um ano, espera-se um aumento de “b”
dB no limiar de audição dos funcionários.
É importante lembrar que as predições só podem ser feitas dentro do intervalo da variável
independente. Em nosso exemplo, essa equação de regressão só poderia ser utilizada em
predições para funcionários com tempo de exposição entre 2 e 10 anos ou na vizinhança
próxima. Se afastando deste intervalo podem haver absurdos.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 69
Além de admitir que o modelo linear seja razoável para representar o relacionamento entre X e
Y, também temos que admitir que a variância de Y seja constante, independentemente do valor
de X.
~ Normal( 0; e )
É muito fácil percebermos pela fórmula que se não houver erro de predição o r2 será 1. No
exemplo, o r2 foi de ______%.
Podemos fazer mais inferências sobre o modelo ajustado. A saída completa de um software
estatístico para a técnica de regressão apresenta uma tabela de Análise de Variância, por meio
da qual testamos a hipótese de que a variável =0.
2o) Fazer um gráfico de dispersão entre X e Y, clicar com o botão direito sobre os pontos e
solicitar “Adicionar linha de tendência”, marcando as opções para mostrar o coeficiente de
determinação (r2) e a equação da reta.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 70
Estatística de regressão
R múltiplo 0,952
R-Quadrado 0,905
R-quadrado ajustado 0,882
Erro padrão 0,997
Observações 6
ANOVA
gl SQ MQ F F de significação
Regressão 1 38,03 38,03 38,26 0,003
Resíduo 4 3,97 0,99
Total 5 42,00
45
Y = limiar de audição
43
41
39
(db)
37
35
33 y = 0,975x + 33,175
31 R2 = 0,9054
29
27
25
0 2 4 6 8 10 12
X = tempo de exposição
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 71
Exercícios:
Var(Y) =1,3921
10
8
Viscosidade
6
4 y = -0,0472x + 9,3908
2 R2 = 0,8263
-
0 20 40 60 80 100
Quilometragem (mil km)
2) Uma máquina dispõe de uma regulagem que varia de –3 até +3 para controlar a espessura
de um filme plástico. Os dados coletados foram:
Regulagem Espessura
-3 4,5
-2 4,1
-1 4,0
0 3,9
1 4,3
2 4,2
3 4,7
Em regressão linear múltipla, admitimos que uma única variável dependente Y pode ser
explicada por um conjunto de variáveis independentes X1, X2, ..., Xp.
2o) Agora admita a seguinte estrutura do modelo sugerido, onde a e bj são os estimadores de
e j.
yi a b1x1i bp x pi ei
3o) Agora admita que ŷi é uma estimativa do valor de yi para um dado conjunto xi e
que yˆi ai b1x1i bp x pi ei .
yˆ1 a b1 x11 bp x p1 e1
yˆ a b x b x e
n 1 1n p pn n
Y XB ε
ˆ XB
Y ˆ
Se minimizarmos a soma dos quadrados dos resíduos pelo MMQ, chegaremos a seguinte
solução:
beta=inv(X'*X)*X'*Y
beta =
-19098.126
9.5118
0.0094488
Estatística de regressão
R múltiplo 0,9867
R-Quadrado 0,9736
R-quadrado ajustado 0,9472
Erro padrão 1,8099
Observações 5
ANOVA
gl SQ MQ F p
4º) O número de observações deve ser maior do que o número de variáveis n > p.
Na Regressão múltipla, temos testes de hipóteses específicos para cada coeficiente, além do
teste global.
No caso dos testes específicos dos Betas, testa-se: Ho: i = 0 com a estatística t de
bj
Student: t
S .E.(b j )
X1=nota no ENEM
X2=Nota Infra
X3=Nota Mestrado
X4=Nota Doutorado
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 76
Estatística de regressão
R múltiplo 0,621274
R-Quadrado 0,385981
R-quadrado ajustado 0,377541
Erro padrão 0,713944
Observações 296
ANOVA
F de
gl SQ MQ F significação
Regressão 4 93,24 23,31 45,73 0,000
Resíduo 291 148,33 0,51
Total 295 241,57
Erro
Coeficientes padrão Stat t valor-P
Interseção -3,903 0,673 -5,80 0,000
Nota Enem Ingressantes 0,096 0,012 8,03 0,000
Nota de Infraestrutura 0,046 0,036 1,25 0,211
Nota Mestrado 0,118 0,046 2,57 0,011
Nota Doutorado 0,016 0,050 0,32 0,751
Interprete a saída.
A PUCRS obteve nota no ENADE de 2,9875. Estime a nota da PUCRS por meio da equação
sabendo que:
X1=nota no ENEM=61,58
X2=Nota Infra=4,69
X3=Nota Mestrado=5,00
X4=Nota Doutorado=3,26
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 77
a) Multicolinearidade
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
b) Autocorrelação
se
se
se
se
se
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 79
O teste de Goldfeld-Quandt pode ser substituído por uma análise visual gráfica
dos resíduos. Os resíduos devem se distribuir de maneira errática e dentro de
uma mesma faixa de variação.
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 81
X1 X2 X3
Primavera 1 0 0
Verão 0 1 0
Outono 0 0 1
Inverno 0 0 0
Estatística de regressão
R múltiplo 0,645374
R-Quadrado 0,416507
R-quadrado ajustado 0,404393
Erro padrão 0,698375
Observações 296
ANOVA
gl SQ MQ F p
Regressão 6 100,61 16,77 34,38 0,000
Resíduo 289 140,95 0,49
Total 295 241,57
Erro
Coeficientes padrão Stat t valor-P
Interseção -3,024 0,709 -4,27 0,000
Nota Enem Ingressantes 0,075 0,013 5,58 0,000
Nota de Infraestrutura 0,100 0,038 2,61 0,009
Nota Mestrado 0,144 0,046 3,16 0,002
Nota Doutorado -0,013 0,049 -0,25 0,800
Publica 0,451 0,132 3,41 0,001
Sul ou Sudeste -0,094 0,093 -1,01 0,313
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 82
TABELA Z
Tabela: Probabilidades acumuladas associadas aos valores críticos (z) da distribuição normal
reduzida
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 83
TABELA t
Tabela - Distribuição t de Student com gl graus de liberdade e área à direita p.
p
gl 0,100 0,050 0,025 0,010 0,005
1 3,078 6,314 12,706 31,821 63,657
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032
6 1,440 1,943 2,447 3,143 3,707
7 1,415 1,895 2,365 2,998 3,499
8 1,397 1,860 2,306 2,896 3,355
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
11 1,363 1,796 2,201 2,718 3,106
12 1,356 1,782 2,179 2,681 3,055
13 1,350 1,771 2,160 2,650 3,012
14 1,345 1,761 2,145 2,624 2,977
15 1,341 1,753 2,131 2,602 2,947
16 1,337 1,746 2,120 2,583 2,921
17 1,333 1,740 2,110 2,567 2,898
18 1,330 1,734 2,101 2,552 2,878
19 1,328 1,729 2,093 2,539 2,861
20 1,325 1,725 2,086 2,528 2,845
21 1,323 1,721 2,080 2,518 2,831
22 1,321 1,717 2,074 2,508 2,819
23 1,319 1,714 2,069 2,500 2,807
24 1,318 1,711 2,064 2,492 2,797
25 1,316 1,708 2,060 2,485 2,787
26 1,315 1,706 2,056 2,479 2,779
27 1,314 1,703 2,052 2,473 2,771
28 1,313 1,701 2,048 2,467 2,763
29 1,311 1,699 2,045 2,462 2,756
30 1,310 1,697 2,042 2,457 2,750
40 1,303 1,684 2,021 2,423 2,704
50 1,299 1,676 2,009 2,403 2,678
60 1,296 1,671 2,000 2,390 2,660
120 1,289 1,658 1,980 2,358 2,617
Infinito 1,282 1,645 1,960 2,326 2,576
Tabela F
F(v1,v2;Alpha) Alpha= 0,100 (área à direita)
Numerador (v1)
Den (v2) 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 50 120 Inf.
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 59,86 60,19 60,71 61,22 61,74 62,00 62,26 62,53 62,69 63,06 63,33
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39 9,41 9,42 9,44 9,45 9,46 9,47 9,47 9,48 9,49
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23 5,22 5,20 5,18 5,18 5,17 5,16 5,15 5,14 5,13
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92 3,90 3,87 3,84 3,83 3,82 3,80 3,80 3,78 3,76
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30 3,27 3,24 3,21 3,19 3,17 3,16 3,15 3,12 3,11
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94 2,90 2,87 2,84 2,82 2,80 2,78 2,77 2,74 2,72
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70 2,67 2,63 2,59 2,58 2,56 2,54 2,52 2,49 2,47
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56 2,54 2,50 2,46 2,42 2,40 2,38 2,36 2,35 2,32 2,29
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44 2,42 2,38 2,34 2,30 2,28 2,25 2,23 2,22 2,18 2,16
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35 2,32 2,28 2,24 2,20 2,18 2,16 2,13 2,12 2,08 2,06
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27 2,25 2,21 2,17 2,12 2,10 2,08 2,05 2,04 2,00 1,97
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21 2,19 2,15 2,10 2,06 2,04 2,01 1,99 1,97 1,93 1,90
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16 2,14 2,10 2,05 2,01 1,98 1,96 1,93 1,92 1,88 1,85
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12 2,10 2,05 2,01 1,96 1,94 1,91 1,89 1,87 1,83 1,80
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09 2,06 2,02 1,97 1,92 1,90 1,87 1,85 1,83 1,79 1,76
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06 2,03 1,99 1,94 1,89 1,87 1,84 1,81 1,79 1,75 1,72
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00 1,96 1,91 1,86 1,84 1,81 1,78 1,76 1,72 1,69
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98 1,93 1,89 1,84 1,81 1,78 1,75 1,74 1,69 1,66
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96 1,91 1,86 1,81 1,79 1,76 1,73 1,71 1,67 1,63
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94 1,89 1,84 1,79 1,77 1,74 1,71 1,69 1,64 1,61
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92 1,87 1,83 1,78 1,75 1,72 1,69 1,67 1,62 1,59
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93 1,90 1,86 1,81 1,76 1,73 1,70 1,67 1,65 1,60 1,57
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89 1,84 1,80 1,74 1,72 1,69 1,66 1,64 1,59 1,55
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88 1,83 1,78 1,73 1,70 1,67 1,64 1,62 1,57 1,53
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87 1,82 1,77 1,72 1,69 1,66 1,63 1,61 1,56 1,52
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86 1,81 1,76 1,71 1,68 1,65 1,61 1,59 1,54 1,50
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85 1,80 1,75 1,70 1,67 1,64 1,60 1,58 1,53 1,49
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84 1,79 1,74 1,69 1,66 1,63 1,59 1,57 1,52 1,48
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83 1,78 1,73 1,68 1,65 1,62 1,58 1,56 1,51 1,47
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82 1,77 1,72 1,67 1,64 1,61 1,57 1,55 1,50 1,46
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76 1,71 1,66 1,61 1,57 1,54 1,51 1,48 1,42 1,38
50 2,81 2,41 2,20 2,06 1,97 1,90 1,84 1,80 1,76 1,73 1,68 1,63 1,57 1,54 1,50 1,46 1,44 1,38 1,33
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74 1,71 1,66 1,60 1,54 1,51 1,48 1,44 1,41 1,35 1,29
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68 1,65 1,60 1,55 1,48 1,45 1,41 1,37 1,34 1,26 1,19
Inf. 2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,63 1,60 1,55 1,49 1,42 1,38 1,34 1,30 1,26 1,17 1,00
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 85
Tabela F
F(v1,v2;Alpha) Alpha= 0,05 (área à direita)
Numerador (v1)
Den (v2) 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 50 120 Inf.
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88 243,91 245,95 248,01 249,05 250,10 251,14 251,77 253,25 254,31
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,41 19,43 19,45 19,45 19,46 19,47 19,48 19,49 19,50
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,74 8,70 8,66 8,64 8,62 8,59 8,58 8,55 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,91 5,86 5,80 5,77 5,75 5,72 5,70 5,66 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,68 4,62 4,56 4,53 4,50 4,46 4,44 4,40 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,00 3,94 3,87 3,84 3,81 3,77 3,75 3,70 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,57 3,51 3,44 3,41 3,38 3,34 3,32 3,27 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,28 3,22 3,15 3,12 3,08 3,04 3,02 2,97 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,07 3,01 2,94 2,90 2,86 2,83 2,80 2,75 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,91 2,85 2,77 2,74 2,70 2,66 2,64 2,58 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,79 2,72 2,65 2,61 2,57 2,53 2,51 2,45 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,69 2,62 2,54 2,51 2,47 2,43 2,40 2,34 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,60 2,53 2,46 2,42 2,38 2,34 2,31 2,25 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,53 2,46 2,39 2,35 2,31 2,27 2,24 2,18 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,48 2,40 2,33 2,29 2,25 2,20 2,18 2,11 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,42 2,35 2,28 2,24 2,19 2,15 2,12 2,06 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,38 2,31 2,23 2,19 2,15 2,10 2,08 2,01 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06 2,04 1,97 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03 2,00 1,93 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99 1,97 1,90 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96 1,94 1,87 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94 1,91 1,84 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91 1,88 1,81 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89 1,86 1,79 1,73
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87 1,84 1,77 1,71
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,15 2,07 1,99 1,95 1,90 1,85 1,82 1,75 1,69
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,13 2,06 1,97 1,93 1,88 1,84 1,81 1,73 1,67
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,12 2,04 1,96 1,91 1,87 1,82 1,79 1,71 1,65
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,10 2,03 1,94 1,90 1,85 1,81 1,77 1,70 1,64
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,79 1,76 1,68 1,62
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69 1,66 1,58 1,51
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,95 1,87 1,78 1,74 1,69 1,63 1,60 1,51 1,44
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59 1,56 1,47 1,39
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50 1,46 1,35 1,25
Inf. 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,75 1,67 1,57 1,52 1,46 1,39 1,35 1,22 1,00
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 86
Tabela F
F(v1,v2;Alpha) Alpha= 0,025 (área à direita)
Numerador (v1)
Den (v2) 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 50 120 Inf.
1 648 799 864 900 922 937 948 957 963 969 977 985 993 997 1001 1006 1008 1014 1018
2 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,41 39,43 39,45 39,46 39,46 39,47 39,48 39,49 39,50
3 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,34 14,25 14,17 14,12 14,08 14,04 14,01 13,95 13,90
4 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,75 8,66 8,56 8,51 8,46 8,41 8,38 8,31 8,26
5 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,52 6,43 6,33 6,28 6,23 6,18 6,14 6,07 6,02
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,37 5,27 5,17 5,12 5,07 5,01 4,98 4,90 4,85
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,67 4,57 4,47 4,41 4,36 4,31 4,28 4,20 4,14
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,20 4,10 4,00 3,95 3,89 3,84 3,81 3,73 3,67
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,87 3,77 3,67 3,61 3,56 3,51 3,47 3,39 3,33
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,62 3,52 3,42 3,37 3,31 3,26 3,22 3,14 3,08
11 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,43 3,33 3,23 3,17 3,12 3,06 3,03 2,94 2,88
12 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,28 3,18 3,07 3,02 2,96 2,91 2,87 2,79 2,73
13 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,15 3,05 2,95 2,89 2,84 2,78 2,74 2,66 2,60
14 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 3,05 2,95 2,84 2,79 2,73 2,67 2,64 2,55 2,49
15 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,96 2,86 2,76 2,70 2,64 2,59 2,55 2,46 2,40
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,89 2,79 2,68 2,63 2,57 2,51 2,47 2,38 2,32
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,82 2,72 2,62 2,56 2,50 2,44 2,41 2,32 2,25
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,77 2,67 2,56 2,50 2,44 2,38 2,35 2,26 2,19
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,72 2,62 2,51 2,45 2,39 2,33 2,30 2,20 2,13
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,68 2,57 2,46 2,41 2,35 2,29 2,25 2,16 2,09
21 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73 2,64 2,53 2,42 2,37 2,31 2,25 2,21 2,11 2,04
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,60 2,50 2,39 2,33 2,27 2,21 2,17 2,08 2,00
23 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67 2,57 2,47 2,36 2,30 2,24 2,18 2,14 2,04 1,97
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,54 2,44 2,33 2,27 2,21 2,15 2,11 2,01 1,94
25 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,51 2,41 2,30 2,24 2,18 2,12 2,08 1,98 1,91
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,49 2,39 2,28 2,22 2,16 2,09 2,05 1,95 1,88
27 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57 2,47 2,36 2,25 2,19 2,13 2,07 2,03 1,93 1,85
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,45 2,34 2,23 2,17 2,11 2,05 2,01 1,91 1,83
29 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53 2,43 2,32 2,21 2,15 2,09 2,03 1,99 1,89 1,81
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,41 2,31 2,20 2,14 2,07 2,01 1,97 1,87 1,79
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,29 2,18 2,07 2,01 1,94 1,88 1,83 1,72 1,64
50 5,34 3,97 3,39 3,05 2,83 2,67 2,55 2,46 2,38 2,32 2,22 2,11 1,99 1,93 1,87 1,80 1,75 1,64 1,55
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,17 2,06 1,94 1,88 1,82 1,74 1,70 1,58 1,48
120 5,15 3,80 3,23 2,89 2,67 2,52 2,39 2,30 2,22 2,16 2,05 1,94 1,82 1,76 1,69 1,61 1,56 1,43 1,31
Inf. 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,94 1,83 1,71 1,64 1,57 1,48 1,43 1,27 1,00
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 87
Tabela F
F(v1,v2;Alpha) Alpha= 0,01 (área à direita)
Numerador (v1)
Den (v2) 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 50 120 Inf.
1 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6106 6157 6209 6235 6261 6287 6303 6339 6366
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,42 99,43 99,45 99,46 99,47 99,47 99,48 99,49 99,50
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,05 26,87 26,69 26,60 26,50 26,41 26,35 26,22 26,13
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,37 14,20 14,02 13,93 13,84 13,75 13,69 13,56 13,46
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,89 9,72 9,55 9,47 9,38 9,29 9,24 9,11 9,02
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,72 7,56 7,40 7,31 7,23 7,14 7,09 6,97 6,88
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,47 6,31 6,16 6,07 5,99 5,91 5,86 5,74 5,65
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,67 5,52 5,36 5,28 5,20 5,12 5,07 4,95 4,86
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,11 4,96 4,81 4,73 4,65 4,57 4,52 4,40 4,31
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,71 4,56 4,41 4,33 4,25 4,17 4,12 4,00 3,91
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,40 4,25 4,10 4,02 3,94 3,86 3,81 3,69 3,60
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,16 4,01 3,86 3,78 3,70 3,62 3,57 3,45 3,36
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 3,96 3,82 3,66 3,59 3,51 3,43 3,38 3,25 3,17
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,80 3,66 3,51 3,43 3,35 3,27 3,22 3,09 3,00
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,67 3,52 3,37 3,29 3,21 3,13 3,08 2,96 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,55 3,41 3,26 3,18 3,10 3,02 2,97 2,84 2,75
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,46 3,31 3,16 3,08 3,00 2,92 2,87 2,75 2,65
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,37 3,23 3,08 3,00 2,92 2,84 2,78 2,66 2,57
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,30 3,15 3,00 2,92 2,84 2,76 2,71 2,58 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,23 3,09 2,94 2,86 2,78 2,69 2,64 2,52 2,42
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,17 3,03 2,88 2,80 2,72 2,64 2,58 2,46 2,36
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,12 2,98 2,83 2,75 2,67 2,58 2,53 2,40 2,31
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,07 2,93 2,78 2,70 2,62 2,54 2,48 2,35 2,26
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,03 2,89 2,74 2,66 2,58 2,49 2,44 2,31 2,21
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 2,99 2,85 2,70 2,62 2,54 2,45 2,40 2,27 2,17
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 2,96 2,81 2,66 2,58 2,50 2,42 2,36 2,23 2,13
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,93 2,78 2,63 2,55 2,47 2,38 2,33 2,20 2,10
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,90 2,75 2,60 2,52 2,44 2,35 2,30 2,17 2,06
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,87 2,73 2,57 2,49 2,41 2,33 2,27 2,14 2,03
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,84 2,70 2,55 2,47 2,39 2,30 2,25 2,11 2,01
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,66 2,52 2,37 2,29 2,20 2,11 2,06 1,92 1,80
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70 2,56 2,42 2,27 2,18 2,10 2,01 1,95 1,80 1,68
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,50 2,35 2,20 2,12 2,03 1,94 1,88 1,73 1,60
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,34 2,19 2,03 1,95 1,86 1,76 1,70 1,53 1,38
Inf. 6,64 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,18 2,04 1,88 1,79 1,70 1,59 1,52 1,32 1,00
Probabilidade & Estatística – Prof. Hélio Radke Bittencourt Pág. 88
Tabela F
F(v1,v2;Alpha) Alpha= 0,005 (área à direita)
Numerador (v1)
Den (v2) 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 50 120 Inf.
1 16211 19999 21615 22500 23056 23437 23715 23925 24091 24224 24426 24630 24836 24940 25044 25148 25211 25359 25464
2 198,50 199,00 199,17 199,25 199,30 199,33 199,36 199,37 199,39 199,40 199,42 199,43 199,45 199,46 199,47 199,47 199,48 199,49 199,50
3 55,55 49,80 47,47 46,19 45,39 44,84 44,43 44,13 43,88 43,69 43,39 43,08 42,78 42,62 42,47 42,31 42,21 41,99 41,83
4 31,33 26,28 24,26 23,15 22,46 21,97 21,62 21,35 21,14 20,97 20,70 20,44 20,17 20,03 19,89 19,75 19,67 19,47 19,32
5 22,78 18,31 16,53 15,56 14,94 14,51 14,20 13,96 13,77 13,62 13,38 13,15 12,90 12,78 12,66 12,53 12,45 12,27 12,14
6 18,63 14,54 12,92 12,03 11,46 11,07 10,79 10,57 10,39 10,25 10,03 9,81 9,59 9,47 9,36 9,24 9,17 9,00 8,88
7 16,24 12,40 10,88 10,05 9,52 9,16 8,89 8,68 8,51 8,38 8,18 7,97 7,75 7,64 7,53 7,42 7,35 7,19 7,08
8 14,69 11,04 9,60 8,81 8,30 7,95 7,69 7,50 7,34 7,21 7,01 6,81 6,61 6,50 6,40 6,29 6,22 6,06 5,95
9 13,61 10,11 8,72 7,96 7,47 7,13 6,88 6,69 6,54 6,42 6,23 6,03 5,83 5,73 5,62 5,52 5,45 5,30 5,19
10 12,83 9,43 8,08 7,34 6,87 6,54 6,30 6,12 5,97 5,85 5,66 5,47 5,27 5,17 5,07 4,97 4,90 4,75 4,64
11 12,23 8,91 7,60 6,88 6,42 6,10 5,86 5,68 5,54 5,42 5,24 5,05 4,86 4,76 4,65 4,55 4,49 4,34 4,23
12 11,75 8,51 7,23 6,52 6,07 5,76 5,52 5,35 5,20 5,09 4,91 4,72 4,53 4,43 4,33 4,23 4,17 4,01 3,90
13 11,37 8,19 6,93 6,23 5,79 5,48 5,25 5,08 4,94 4,82 4,64 4,46 4,27 4,17 4,07 3,97 3,91 3,76 3,65
14 11,06 7,92 6,68 6,00 5,56 5,26 5,03 4,86 4,72 4,60 4,43 4,25 4,06 3,96 3,86 3,76 3,70 3,55 3,44
15 10,80 7,70 6,48 5,80 5,37 5,07 4,85 4,67 4,54 4,42 4,25 4,07 3,88 3,79 3,69 3,58 3,52 3,37 3,26
16 10,58 7,51 6,30 5,64 5,21 4,91 4,69 4,52 4,38 4,27 4,10 3,92 3,73 3,64 3,54 3,44 3,37 3,22 3,11
17 10,38 7,35 6,16 5,50 5,07 4,78 4,56 4,39 4,25 4,14 3,97 3,79 3,61 3,51 3,41 3,31 3,25 3,10 2,98
18 10,22 7,21 6,03 5,37 4,96 4,66 4,44 4,28 4,14 4,03 3,86 3,68 3,50 3,40 3,30 3,20 3,14 2,99 2,87
19 10,07 7,09 5,92 5,27 4,85 4,56 4,34 4,18 4,04 3,93 3,76 3,59 3,40 3,31 3,21 3,11 3,04 2,89 2,78
20 9,94 6,99 5,82 5,17 4,76 4,47 4,26 4,09 3,96 3,85 3,68 3,50 3,32 3,22 3,12 3,02 2,96 2,81 2,69
21 9,83 6,89 5,73 5,09 4,68 4,39 4,18 4,01 3,88 3,77 3,60 3,43 3,24 3,15 3,05 2,95 2,88 2,73 2,61
22 9,73 6,81 5,65 5,02 4,61 4,32 4,11 3,94 3,81 3,70 3,54 3,36 3,18 3,08 2,98 2,88 2,82 2,66 2,55
23 9,63 6,73 5,58 4,95 4,54 4,26 4,05 3,88 3,75 3,64 3,47 3,30 3,12 3,02 2,92 2,82 2,76 2,60 2,48
24 9,55 6,66 5,52 4,89 4,49 4,20 3,99 3,83 3,69 3,59 3,42 3,25 3,06 2,97 2,87 2,77 2,70 2,55 2,43
25 9,48 6,60 5,46 4,84 4,43 4,15 3,94 3,78 3,64 3,54 3,37 3,20 3,01 2,92 2,82 2,72 2,65 2,50 2,38
26 9,41 6,54 5,41 4,79 4,38 4,10 3,89 3,73 3,60 3,49 3,33 3,15 2,97 2,87 2,77 2,67 2,61 2,45 2,33
27 9,34 6,49 5,36 4,74 4,34 4,06 3,85 3,69 3,56 3,45 3,28 3,11 2,93 2,83 2,73 2,63 2,57 2,41 2,29
28 9,28 6,44 5,32 4,70 4,30 4,02 3,81 3,65 3,52 3,41 3,25 3,07 2,89 2,79 2,69 2,59 2,53 2,37 2,25
29 9,23 6,40 5,28 4,66 4,26 3,98 3,77 3,61 3,48 3,38 3,21 3,04 2,86 2,76 2,66 2,56 2,49 2,33 2,21
30 9,18 6,35 5,24 4,62 4,23 3,95 3,74 3,58 3,45 3,34 3,18 3,01 2,82 2,73 2,63 2,52 2,46 2,30 2,18
40 8,83 6,07 4,98 4,37 3,99 3,71 3,51 3,35 3,22 3,12 2,95 2,78 2,60 2,50 2,40 2,30 2,23 2,06 1,93
50 8,63 5,90 4,83 4,23 3,85 3,58 3,38 3,22 3,09 2,99 2,82 2,65 2,47 2,37 2,27 2,16 2,10 1,93 1,79
60 8,49 5,79 4,73 4,14 3,76 3,49 3,29 3,13 3,01 2,90 2,74 2,57 2,39 2,29 2,19 2,08 2,01 1,83 1,69
120 8,18 5,54 4,50 3,92 3,55 3,28 3,09 2,93 2,81 2,71 2,54 2,37 2,19 2,09 1,98 1,87 1,80 1,61 1,43
Inf. 7,88 5,30 4,28 3,72 3,35 3,09 2,90 2,74 2,62 2,52 2,36 2,19 2,00 1,90 1,79 1,67 1,59 1,36 1,00