UNIVERSIDADE FEDERAL DE SANTA MARIA

CENTRO DE CINCIAS RURAIS

DEPARTAMENTO DE FITOTECNIA

INTRODUO

EXPERIMENTAO

Prof. Tit. Dr. Lindolfo Storck

Prof. Adj. Dr. Sidinei Jos Lopes
Prof. Adj. Dr. Alessandro DalCol Lcio

Santa Maria, fevereiro de 2004

UNIVERSIDADE FEDERAL DE SANTA MARIA

CENTRO DE CINCIAS RURAIS

Autores:
Prof. Tit. Dr. Lindolfo Storck
Prof. Adj. Dr. Sidinei Jos Lopes
Prof. Adj. Dr. Alessandro DalCol Lcio

S884i Storck, Lindolfo

Introduo Experimentao / Lindolfo Storck,
Sidinei Jos Lopes, Alessandro DalCol Lcio.
Santa Maria: UFSM, CCR, Departamento de
Fitotecnia, 2004.
54p. : il., tabs. Ed. Revista e ampliada
1. Experimentao agrcola. 2. Pesquisa agrcola. 3. Estatstica agrcola.
4. Agronomia. 5. Estatstica experimental
I Lopes, Sidinei Jos. II. Lcio, Alessandro DalCol
III. Ttulo
CDU: 631/635:519.22/.25
Ficha catalogrfica elaborada por
Luiz Marchiotti Fernandes - CRB-10/1160
Biblioteca Setorial do Centro de Cincias Rurais - UFSM

DEPARTAMENTO DE FITOTECNIA
CENTRO DE CINCIAS RURAIS
UNIVERSIDADE FEDERAL DE SANTA MARIA
97105-900 Santa Maria, RS
Fone: (055)2208179 / Fax 2208899
Email: storck@ccr.ufsm.br

APRESENTAO

Este caderno didtico foi elaborado com o intuito de reavivar os conceitos, propriedades e aplicaes de varivel aleatria, principais distribuies de
varivel aleatria discreta e contnua, com destaque para a distribuio normal e
suas transformaes.
O contedo deste, vem a contribuir no entendimento da teoria da estimao e testes de hiptese dos principais delineamentos experimentais, visando
sempre a parte aplicada, com exerccios a serem realizados conjuntamente, dando condies para o bom desenvolvimento posterior, da disciplina de Experimentao.
Para a leitura deste caderno didtico necessrio conhecimentos elementares de Estatstica, clculo diferencial e integral.
Assim, este texto direcionado aos alunos da graduao e psgraduao e aos professores, dispostos a adquirir conhecimento bsico em estatstica, com fins de aprimoramento em experimentao.

OS AUTORES

SUMRIO

INTRODUO EXPERIMENTAO

Pgina

1 VARIVEL ALEATRIA

2 MEDIDAS DE POSIO

10

3 MEDIDAS DE DISPERSO

12

4 MOMENTOS e exerccios

14

EXERCCIOS

14

5 PRINCIPAIS DISTRIBUIES DE VARIVEIS ALEATRIAS

DISCRETAS

18

5.1- Distribuio Uniforme

18

5.2- Distribuio Bernoulli

18

5.3- Distribuio Binomial

18

5.4- Distribuio Multinomial

20

5.5- Distribuio Binomial Negativa

21

5.6- Distribuio de Poisson

21

5.7- Distribuio Geomtrica (Pascal)

22

5.8- Distribuio Hipergeomtrica

22

6 PRINCIPAIS DISTRIBUIES DE VARIVEIS ALEATRIAS

CONTNUAS

23

6.1- Distribuio Uniforme ou Retangular

23

6.2- Distribuio Exponencial

23

6.3- Distribuio Gama

24

6.4- Distribuio Beta

24

6.5- Distribuio normal e suas transformaes

25

EXERCCIOS

39

7 - BIBLIOGRAFIA

42

8 ANEXOS

43-49

INTRODUO EXPERIMENTAO
1 - VARIVEL ALEATRIA
Sejam E um experimento e S o espao associado ao experimento (S o conjunto de todos os resultados possveis). Uma funo X, que associe a cada elemento s S um nmero
real X(s) denominado de varivel aleatria.
Exemplo: Colocar duas sementes de Araucria no solo de um vaso, sendo a probabilidade de que uma semente germina igual a 50%. Seja X o nmero de sementes germinadas. O
conjunto de resultados possveis S= { (0;0); (0;1); (1;0); (1;1) }, onde 0 = no germinado e 1 =
germinado. Sendo a probabilidade de germinao igual a 0,5, temos:
X
0
1
2

S = Eventos possveis
(0;0)
(0;1) e (1;0)
(1;1)

X(s) = Probabilidade
1/4
2/4
1/4

Denomina-se de varivel aleatria discreta se S for finito ou infinito numervel, e varivel

aleatrio contnua se S for um intervalo de valores ou coleo de intervalos.
- Funo de probabilidades
Sendo X uma varivel aleatria discreta, a probabilidade de que X assuma um particular
valor x, a funo de probabilidade de X que se representa por P(X=x), ou resumidamente
P(x). A funo P(X=x) determina a distribuio de probabilidade da varivel aleatria que pode
ser apresentada de forma grfica, tabela ou frmula.
Exemplo: E = colocar duas sementes num vaso;
X = nmero de sementes germinadas por vaso
- Tabela:

- Grfico:

X
P(X=x)

0
1/4

1
2/4

2
1/4

1 x
C ,
4 2

- Frmula: P(x) =

para x=0, 1, 2.

- Funo repartio (Freqncia relativa acumulada)

Funo repartio da varivel aleatria discreta X, no ponto x, a probabilidade de que X
assuma um valor menor ou igual a x, isto : F(x) = P(X x)
Propriedades da funo repartio:
1. F( x) =

P( x )

xi x

2. F(- )=0
3. F(+ )=1
4. P(a<Xb) = F(b) - F(a)
5. P(aXb) = F(b) - F(a) + P(X=a)
6. P(a<X<b) = F(b) - F(a) - P(X=b)
7. F(x) contnua direita
8. F(x) descontnua esquerda, nos pontos em que a probabilidade no nula
9. A funo no decrescente, F(b) F(a), para b>a
Exemplo: Admita que a varivel aleatria X tome os valores 0, 1, 2, 3 com as probabilidades
1/6, 2/6, 2/6, 1/6, respectivamente. Ento:
F(x) = 0

se x < 0

F(x) =1/6 se 0 x < 1

F(x) = 3/6 se 1 x < 2

ou

F(x) = 5/6 se 2 x < 3

F(x) = 1

se x 3

P(x)

F(x)

1/6

1/6

2/6

3/6

2/6

5/6

1/6

Exerccio 1. Uma varivel aleatria discreta tem a distribuio de probabilidade dada por:
P(x) = K/x para x=1, 3, 5, 7. Calcular: K; P(X=5); F(3); P(X<4); P(X<5); P(1X<5); P(X77).
a) O valor de K

K K K K
+ + + =1
1
3 5 7

1 1 1 1
176
K( + + + ) = K(
) =1
1 3 5 7
105

P(x) = 105 / 176x

b) P(X=5) = 105 / 176*5 = 21/176
c) F(3) = P(X3) = P(X=1)+P(X=3) =

105
105
35
+
=
176 * 1 176 * 3 44

d) P(X<4) = P(X=1) + P(X=3) = 35/44

e) P(X<5) = P(X=1) + P(X=3) = 35/44
f) P(1X<5) = P(X=1) + P(X=3) = 35/44
g) P(X77) = P(X7) = 1

K=105/176

Exerccio 2. No lanamento simultneo de dois dados, considere as seguintes variveis aleatrias: X = nmero de pontos obtidos no primeiro dado; Y = nmero de pontos obtidos no segundo dado.
a) Construir a distribuio de probabilidade e funo repartio atravs de tabelas e grficos
para as variveis: W=X-Y e Z = XY;
b) Calcular as probabilidades: P(-3<W3); P(0W4,5); P(Z5,5); P(Z=3); P(W-8);
P(20Z35); P(3,5<Z<34).
Soluo:
Tabela auxiliar Distribuio de probabilidades das variveis X;Y, W e Z
x
y
w
z
P(x;y) = P(w) = P(z)
1
1
0
1
1/36
1
2
-1
2
1/36
1
3
-2
3
1/36
1
4
-3
4
1/36
1
5
-4
5
1/36
1
6
-5
6
1/36
2
1
1
2
1/36
2
2
0
4
1/36
2
3
-1
6
1/36
2
4
-2
8
1/36
2
5
-3
10
1/36
2
6
-4
12
1/36
3
1
2
3
1/36
3
2
1
6
1/36
3
3
0
9
1/36
3
4
-1
12
1/36
3
5
-2
15
1/36
3
6
-3
18
1/36
4
1
3
4
1/36
4
2
2
8
1/36
4
3
1
12
1/36
4
4
0
16
1/36
4
5
-1
20
1/36
4
6
-2
24
1/36
5
1
4
5
1/36
5
2
3
10
1/36
5
3
2
15
1/36
5
4
1
20
1/36
5
5
0
25
1/36
5
6
-1
30
1/36
6
1
5
6
1/36
6
2
4
12
1/36
6
3
3
18
1/36
6
4
2
24
1/36
6
5
1
30
1/36
6
6
0
36
1/36

Tabelas: Distribuio de probabilidades P(.) e Funo Repartio F(.) das variveis W =X-Y e
Z=X*Y.
w
-5
-4
-3
-2
-1
0
1
2
3
4
5
Soma

P(w)
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
1

F(w)
1/36
3/36
6/36
10/36
15/36
21/36
26/36
30/36
33/36
35/36
1
---

z
1
2
3
4
5
6
8
9
10
12
15
16
18
20
24
25
30
36
Soma

F(z)
1/36
3/36
5/36
8/36
10/36
14/36
16/36
17/36
19/36
23/36
25/36
26/36
28/36
30/36
32/36
33/36
35/36
1
---

9/50

9/10

4/25

4/5

7/50

7/10

3/25

3/5

1/10

F(w)

P(w)

P(z)
1/36
2/36
2/36
3/36
2/36
4/36
2/36
1/36
2/36
4/36
2/36
1/36
2/36
2/36
2/36
1/36
2/36
1/36
1

2/25

1/2
2/5

3/50

3/10

1/25

1/5

1/50

1/10
0

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
w

-5 -4 -3 -2 -1

Figura 1. Distribuio de probabilidades P(w) e Funo Repartio F(w) da varivel W=X-Y

apresentado como figura

5/36
1/9
1/12
P(z)

1/18
1/36
0
1

10

12

15

16

18

20

24

25

30

36

Figura 2. Distribuio de probabilidades P(z) da varivel Z=X*Y apresentado como figura

1
9/10
4/5
7/10
3/5
F(z) 1/2

2/5
3/10
1/5
1/10
0

10 12 15 16 18 20 24 25 30 36
z

Figura 3. Funo Repartio F(z) da varivel Z=X*Y apresentado como figura

Clculo das probabilidades:
P(-3<W3) = (1/36)*(4+5+6+5+4+3) = 27/36 =
P(0W4,5) = (1/36)*(6+5+4+3+2) = 20/36 = 5/9
P(Z5,5) = P(Z<5) = 10/36 = 5/18
P(Z=3) = 2/36 = 1/18
P(W-8) = P(W<-5) = 0
P(20Z35) = (1/36)*(2+2+1+2) = 7/36
P(3,5<Z<34) = P(4Z30) = 30/36 = 5/6

- Funo densidade de probabilidade ( fdp )

Seja X uma varivel aleatria contnua, ento o contradomnio um conjunto de nmeros, um intervalo de valores (Ex.: 0x6) ou uma coleo de intervalos. A funo densidade de
probabilidade f(x) uma funo que satisfaz as seguintes condies:
a) f(x) 0 para todo o x pertencente aos nmeros reais ( x Rx)
b)

Rx

f ( x)dx = 1

c) P(a<X<b) =

f ( x )dx ,

para a<b em Rx

Consideraes importantes:
1. A probabilidade de qualquer valor especificado de X, por exemplo, x0, tem P(X=x0) = 0,
pois P(X=x0) =

Xo

Xo

f ( x )dx = 0 . Assim, as probabilidades a seguir so todas iguais,

se X for varivel aleatria contnua: P(aXb) = P(aX<b) = P(a<Xb) = P(a<X<b).

2. Note que f(x), densidade de probabilidade, no probabilidade. Somente quando a
funo integrada entre dois limites diferentes, ela produzir uma probabilidade, que
ser a rea sob a curva da funo entre x=a e x=b; a<b.
- Funo repartio - Quando X uma varivel aleatria contnua, a funo repartio (funo de distribuio) definida como F(x) =

Xo

f ( x) d x

Exerccio 3. Seja X uma varivel aleatria contnua com a seguinte fdp: f(x) = 2x para 0<x<1.
Pede-se: mostrar que f(x) uma fdp; grfico de f(x) e F(x); P(1/4< X <3/4); F(mediana); obter
x tal que P(X<x)=0,33; P(X>0,9)
a) f(x) uma fdp porque f(x) 0 para qualquer x no intervalo entre 0 e 1 e porque
1

x2
2 xdx = 2
2

1
0

=1

b) grfico de f(x) e F(x)

x

F(x) =

2 xdx
0

=x 2

x
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1

f(x)
0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2

F(x)
0
0,01
0,04
0,09
0,16
0,25
0,36
0,49
0,64
0,81
1
1,00

2,00

0,80
F(x)

f(x)

1,50
1,00

0,60
0,40
0,20

0,50

0,00
0,00

0,00

0,20

0,40

0,60

0,80

0,00 0,20 0,40 0,60 0,80 1,00

x

1,00

Figura 4. Grfico da funo densidade de probabilidade e da funo repartio (direita)

2

c) P(1/4 < X < 3/4) = F(3/4) F(1/4) = (3/4) (1/4) = 1/2 = 0,5
2

d) F(Md) = Md = 0,5

e) P(X<x) = 0,33
f)

Md = (0,5)

F(x) = x = 0,33

1/2

= 0,707 ou seja F(0,707) = P(X<0,707)= 0,5

x = (0,33)

1/2

= 0,574

P(X>0,9) = 1- P(X<0,9) = 1-F(0,9) = 1-(0,9) = 0,19

2

Exerccio 4. Seja f(x) = 3(1-x )/2, para 0<x<1. Ache a Funo Repartio e esboce o respectivo grfico.
Soluo: F(x) =
Figura

3(1 x ) / 2.dx = (3 / 2)( x x

0

/ 3) = (3x-x3)/2

Exerccio 5. A funo densidade de probabilidade de uma varivel aleatria contnua X 6x(1x) para 0<x<1. Pede-se para calcular a funo repartio; e, calcular P(X<1/2).
Soluo:
x

6 2
x
2

(6 x 6 x ).dx =

F(x) =

x
0

6 3
x
3

x
0

= 3x 2x

P(X<1/2) = F(1/2) = 3*(1/2) 2(1/2) =

Exerccio 6. Seja f(x) = k + x/6 para 0x3. Pede-se: encontrar k e P(1X2)
Soluo:
k


x
1
(k + ).dx = k x
0
6

P(1X2) =

x2
+
12

3
0

= 3k + 3/4 = 1


k = 1/12

0
2

1
3 1
1 x
x
x2
+
=
=
+
( + )dx =
12 12 3
12 6
12 1 12 1

Exerccio 7. Dada a funo de distribuio F(x) = (x+1)/2 para -1x1, calcule

a) P(-1/2 X 1/2);

b) P(X = 0);

c) P(2 < X 3)

Soluo:
P(-1/2 X 1/2) = F(1/2) F(-1/2) =

1/ 2 + 1 1/ 2 + 1

= 1/ 2
2
2

P(X = 0) = F(0) F(0) = 0

P(2 < X 3) = F(3) F(2) = 1 1 = 0

- Distribuio conjunta de duas variveis aleatrias

Existem casos em que h interesse por dois resultados simultneos. Por exemplo, altura
e dimetro de plantas. Assim, sejam: E um experimento aleatrio e S o espao amostral associado a E. Sendo X = X(s) e Y = Y(s) duas funes, cada uma associando um nmero real a
cada resultado sS, denomina-se (X,Y) como sendo uma varivel aleatria bidimensional que
poder ser discreta, contnua ou uma discreta e outra contnua.
Seja (X,Y) uma varivel aleatria bidimensional discreta, ento a funo de probabilidade
conjunta, que poder ser representada por tabela, grfico ou frmula, satisfaz as seguintes
condies: P(xi,yj) 0 e.

j =1

i =1

P( xi , y j ) = 1

Exemplo. E = jogar dois dados; (X,Y) = pontos dos respectivos dados.

Tabela dos valores e probabilidades da varivel (X;Y):
x
1
2
3
4
5
6

1
1/36
1/36
1/36
1/36
1/36
1/36

2
1/36
1/36
1/36
1/36
1/36
1/36

3
1/36
1/36
1/36
1/36
1/36
1/36

4
1/36
1/36
1/36
1/36
1/36
1/36

5
1/36
1/36
1/36
1/36
1/36
1/36

6
1/36
1/36
1/36
1/36
1/36
1/36

Frmula: P(xi,yj) = 1/36, para i = 1, 2, ..., 6 e j = 1, 2, ..., 6

Seja (X,Y) uma varivel aleatria bidimensional contnua, ento a funo densidade de
probabilidade

conjunta,

f(x,y)

satisfaz

as

seguintes

condies:

f(x,y)0

f ( x, y )dxdy = 1 . A funo repartio conjunta F(x,y) = P(Xx, Yy).

- Distribuio de probabilidade marginal

Dada uma varivel aleatria bidimensional e sua distribuio conjunta, pode-se determinar a distribuio de X sem considerar Y, ou vice-versa. So as chamadas distribuies marginais.
Seja (X,Y) varivel aleatria bidimensional discreta, ento a:
distribuio marginal de X P(X=xi) = P(X=xi, -<y<+) = j P(xi,yj);
distribuio marginal de Y P(Y=yj) = P(-<x<+, Y=yj) = i P(xi,yj).
Se a distribuio de (X,Y) dada por uma tabela, as probabilidades marginais sero dadas pela soma das linhas ou colunas.
Seja (X,Y) varivel aleatria bidimensional contnua, ento temos:
g(x) =

f ( x, y)dy como sendo a funo densidade marginal de X.

h(y) =

f ( x, y)dx como sendo a funo densidade marginal de Y.

- Variveis aleatrias independentes

Seja (X,Y) uma varivel aleatria discreta bidimensional. Diz-se que X e Y so independentes se, e somente se, P(xi,yj) = P(xi). P(yj) para quaisquer i e j ou simplesmente F(x,y) =
F(x). F(y).

10

Exemplo: Dada a distribuio de probabilidade conjunta de (X,Y) na tabela abaixo. Verificar se

X e Y so independentes.
y
0
1
2
P(xi)

x
1
0,20
0,08
0,12
0,40

0
0,10
0,04
0,06
0,20

2
0,20
0,08
0,12
0,40

P(yj)
0,50
0,20
0,30
1

Seja (X,Y) uma varivel aleatria contnua bidimensional. Diz-se que X e Y so independentes se, e somente se, f(xi,yj) = g(xi). h(yj) para todo (x,y) ou simplesmente F(x,y) = F(x). F(y).
Exerccio 8. Verifique se X independente de Y, dada a funo de densidade de probabilidade
conjunta igual a f(x,y) = xy/96, x(0;4) e y(1;5)
A soluo verficar se F(x;y) = F(x)*F(y)

f ( x) =

2 5
xy
x
y
. .dy = *
= x/8
96
96 2 1

F ( x) =


4
2
xy
f ( y ) = . .dx = y * x = y/12
0 96
96 2 0

F ( x; y ) =

xy
.dy.dx =
96

F ( y) =


x y2
.
.dx =
96 2 1

1 x2
x
.dx = *
8 2
8

= x2 / 16
0
y

1 y2
y
*
= (y2-1)/24
.dy =
12 2 1
12

y2 1
y 2 x2
x.dx =
*
192 2
192

= x2(y2-1)/384
0

Como F(x)*F(y) = { x /16} * {(y -1)/24} = F(x;y), as variveis X e Y so independentes.

- Distribuio condicional
A distribuio condicional de x dado y f(x/y) = f(x;y) / f(y) e F(x/y) =

f ( x / y)dx

A distribuio condicional de y dado x f(y/x) = f(x;y) / f(x) e F(y/x) =

f ( y / x)dy

2 - MEDIDAS DE POSIO
- Mdia ou esperana matemtica
A esperana matemtica ou mdia de uma varivel aleatria discreta X obtida por E[X]
= X = = i xi P(xi)

11

Exerccio 1. Seja X uma varivel que representa o nmero de sementes germinadas por cova e
cujas probabilidades so dadas na tabela abaixo. Calcular a esperana matemtica de X, ou seja, do nmero de sementes germinadas.
xi
0
1
2
3

P(X=xi) = P(xi)
0,064
0,288
0,432
0,216

xi P(xi)
0
0,288
0,864
0,648
= 1,800

A esperana matemtica ou mdia de uma varivel aleatria contnua X obtida por

E[X] = X = =

x. f ( x)dx

Exerccio 9. Seja X uma varivel aleatria contnua com a seguinte fdp: f(x)
= 2x para 0<x<1. Pede-se para obter a esperana matemtica de X, isto E[X].
1

x3
Soluo: E[ X ] = x.2 x.dx = 2 x .dx = 2 *
0
0
3

=
0

2 3
(1 03 ) = 2/3
3

Propriedades da Mdia:
1. A mdia de uma constante a prpria constante: E[K] = K
2. Multiplicando uma varivel aleatria X por uma constante, sua mdia fica multiplicada pela
constante: E[KX] = K E[X]
3. A mdia da soma ou da diferena de duas variveis aleatrias a soma ou diferena das
mdias: E[XY] = E[X] E[Y]
4. Somando ou subtraindo uma constante a uma varivel aleatria, sua mdia fica somada ou
subtrada da mesma constante: E[X K] = E[X] K
5. A mdia de uma varivel aleatria centrada na mdia zero:
E[X-X] =E[X] - E[X] =X - X =0
6. A mdia do produto de duas variveis aleatrias independentes o produto das mdias:
E[XY] = E[X].E[Y]
- Mediana de uma varivel aleatria (Md)
o valor que divide a distribuio em duas partes iguais, ou seja, F(Md) = 0,5.

Exerccio 10. Seja X uma varivel aleatria contnua com a seguinte fdp:
f(x) = 2x para 0<x<1. Pede-se para obter a mediana de X.

12

Soluo: Mediana de X igual a x se P(X<x) = 0,5 =

2 x.dx = x 2


0,5

x=

- Moda de uma varivel aleatria

o valor da varivel com a maior probabilidade, se X for discreta, ou a maior densidade,
se X for contnua.

3 - MEDIDAS DE DISPERSO
- Varincia
Define-se varincia de uma varivel aleatria X como sendo:
2

Var[X] = (2X ) = E [ (X - x ) ]
2

Para X discreta: (2X ) = i (Xi - x) P(xi)

Para X contnua: (2X ) =
2

( X i ( X ) )2 f ( x)dx

Obs. E[(X - x) ] = E{X + x - 2Xx } = E[X ] + x - 2E[X] x = E[X ] + x - 2x = E[X ] - x

- Propriedades da varincia
1. A varincia de uma constante zero: (2K ) = 0

2. Multiplicando uma varivel aleatria por uma constante, sua varincia fica multiplicada pelo
2

quadrado da constante: (2KX ) = K 2(2X ) ou Var(KX) = K Var(X)

3. Somando-se ou subtraindo-se uma constante uma varivel aleatria, sua varincia no se
altera: Var(X K) = Var(X)
4. A varincia da soma ou diferena de duas variveis aleatrias independentes a soma das
respectivas varincias: Var(X Y) = Var(X) + Var(Y)

- Desvio padro - a raiz quadrada da varincia:

( X ) = (2X )
2

Exerccio 11. Seja X uma varivel aleatria com a seguinte fdp: f(x) = 3x , x(0;1). Calcular:
E[X]; Var[X]; e, desvio padro.
Soluo:
x4
E[X] = x * 3 * x dx = 3 *
0
4
1

3
=
=
4

x5
e E[X ] = x * 3 * x dx = 3 *
0
5
2

x2 = Var ( x ) = E ( X 2 ) x2 = 3/5 (3/4)2 = 3/80

(varincia de X)

=
0

3
5

13

x = x2 = 3 / 80 = 0,1936

(desvio padro de X)

Coeficiente de variao (CV) - igual ao desvio padro expresso em percentagem da mdia:

CV =

100. ( X )

. Esta estatstica til para comparar a variabilidade de populaes com uni-

dades de medidas diferentes.

- Propriedades do coeficiente de variao
1. Somando ou subtraindo uma constante a uma varivel aleatria, seu coeficiente de variao
fica, respectivamente, reduzido ou aumentado;
2. Multiplicando ou dividindo uma varivel aleatria X por uma constante, seu coeficiente de
variao no altera.
- Covarincia e coeficiente de correlao
O grau de disperso conjunta e de associao linear entre duas variveis aleatrias podem ser avaliados pela covarincia e coeficiente de correlao.
Define-se a covarincia entre X e Y como sendo COVXY = E[(Xi - X)(Yj - Y)] ou simplesmente COVXY = E[XY] - X Y
Define-se o coeficiente de correlao entre X e Y como XY =
E[XY] =

E[XY] =

E[ XY ] X Y
, onde -1 xy1 e
( X ) . ( Y )

xi . y j .P ( xi , y j ) para (X,Y) discreta e

xy. f ( x, y)dxdy para (X,Y) contnua.

Exerccio 12. Seja f(x,y) = (1/48)(8-x-y), x(0;2). y(0;6). Calcular a correlao entre X e Y.
Soluo:
E[XY] =

6 xy (8

x y)
.dy.dx =
48

1
y2
(8 x
0 48
2

1
=
(144 x 18 x 2 72 x)dx =
0 48

f ( x) =

6 (8

y2
x
2

y3
).dx =
x
3 0

1
1
x2
(72 x 18 x 2 )dx =
(72 *
0 48
48
2

x y)
1
y2
6
6
30 6 x
.dy =
(8 * y 0 x * y 0
)=
48
2 0
48
48

(30 6 x)
1
x2
(30 *
E[ X ] = x
dx =
0
48
48
2
2

x3
)=
6*
3 0

11
= x
12

x3
18 *
)=2
3 0

14
2

E[ X ] =

f ( y) =

x3
(30 6 x)
1
x
dx =
(30 *
48
48
3
2

XY =

108
= y
48

y3
y4
(14 2 y )
1
E[Y ] = y
dy =
2*
(14 *
)=
0
48
3 0
4 0
48
2

7 11
47
= =
6 12
144
2
x

(8 x y )
x2
1
14 2 y
2
2
.dx =
y * x 0) =
(8 * x 0
48
2 0
48
48

y2
y3
(14 2 y )
1
2*
E[Y ] = y
dy =
(14 *
)=
0
48
2 0
3 0
48

56 7
=
48 6

x4
6*
)=
4 0

11 108
*
12 48 = -0,07007
47
39
*
144
16

15
2

15 108
39
=
=
2 48
16
2
y

a correlao entre X e Y negativa e pequena.

4 - MOMENTOS
- Momento em relao a origem
Seja X uma varivel aleatria, o rsimo momento de X, denotado por r definido por
r

r = E[X ]. Assim, 1 = E[X ] = X = ;

2 =E[X ];

2x = 2 - (1)2

-Momento central
Seja X uma varivel aleatria, o rsimo momento de X centrado em K denotado por r
r
= E[ (X - K) ]. Quando K = X = E[X] ento: 1 = 0; 2 = x ; se 3 = 0, a distribuio simtrica,

se 3 > 0 a distribuio assimtrica direita, se 3 < 0 a distribuio assimtrica esquer3

da; 3 / x = coeficiente de assimetria; 4 / x -3 = curtose.
4

- Funo geradora de momentos (fgm)

Seja X uma varivel aleatria com funo densidade de probabilidade f(x). A esperana
tx

de e definida como sendo a fgm de X. Se existir a esperana para todo o valor de t, a fgm
tx

denotada por mx(t) = m(t) = E[e ] =

e tx f ( x)dx

Se diferenciarmos m(t) em r vezes com relao a t e fazendo t=0 encontramos

r
m(0) = E[ X r ] = r.
t r
Exerccio 13. Considere a seguinte distribuio conjunta de X e Y:
y

15

x
-2
-1
3
5
3
0,1
0,2
0
0,3
6
0,2
0,1
0,1
0
2
2
a) achar as distribuies marginais de X e Y; b) calcular E[X], E[Y], E[XY], E[X ], E[Y ]; c) calcular a covarincia de X e Y; d) calcular x e y; e) calcular xy; f) Calcular o coeficiente de
variao de Y; g) as variveis so independentes? porque?
Soluo:
a) Seja P(x) e P(y) na tabela, as funes marginais de X e Y
y
x
-2
-1
3
3
0,1
0,2
0
6
0,2
0,1
0,1
P(y)
0,3
0,3
0,1

5
0,3
0
0,3

P(x)
0,6
0,4
1

b) E[X] = 3*0,6 + 6*0,4 = 4,2

E[Y] = -2*0,3 1*0,3 + 3*0,1 + 5*0,3 = 0,9
E[XY] = -2*3*0,1 2*6*0,2 1*3*0,2 1*6*0,1 +3*3*0 +3*6*0,1 +5*3*0,3 +5*6*0 = 2,1
2

E[X ] = 3 *0,6 + 6 *0,4 = 19,8

2

E[Y ] = (-2) *0,3 +(1) *0,3 + 3 *0,1 + 5 *0,3 = 9,9

c) Cov(X;Y) = 2,1 (4,2)*(0,9) = -1,68
2
2
d) x = 19,8 ( 4,2) = 2,16

y2 = 9,9 (0,9) 2 = 9,09

e) XY =

2,1 (4,2) * (0,9)

f) CV(Y ) =

2,16 * 9,09

x = 2,16 = 1,47


= 0,379

y = 9,09 = 3,01

X e Y no so independentes porque XY > 0

100 * 9,09
= 334,9%
0,9

Exerccio 14. Dada a seguinte funo densidade conjunta de

(X,Y) f(x,y) = x+y para 0<x<1 e 0<y<1: a) determinar as funes densidade marginais de X e Y; b) calcular E[X], E[Y],
E[XY], E[X2] e E[Y2]; c) calcular

(2x )

(2y) ;

d) calcular o coefi-

ciente de variao de X; e) calcular P(0,5<X<0,75); f) calcular

o coeficiente de correlao entre X e Y.
Soluo:

16

y2
a) f ( x ) = ( x + y )dy = x * y 0 +
0
2
1

f ( y ) = ( x + y )dx =
0

x
2

1
2

= x+
0

1
+y
2

+ y*x0 =
0

1
1
3
2
1
1
x
x
x( x + )dx =
+ *
0
2
3 0 2 2 0

b) E[X] =

1 1
7
+ =
3 4 12

1
1
2
3
1
1
y
y
y ( + y )dy = *
+
0
2 2 0 3 0
2

E[Y] =

E[XY] =

x3
x2
2
+
(
*
)dy =
y
y
+
(
)
.
xy x y dx dy =
0
0
3 0
2 0
1

1 y2
= *
3 2

1 y3
+ *
2 3
0

=
0

E[X ] =

1
1
3
4
1
1
y
y
y ( + y )dy = *
+
0
2 3 0 4 0
2

E[Y ] =

c)

X2 =

1 1 5
+ =
4 6 12
1 1 5
+ =
6 4 12
2

5 7
11
=
12 12
144

Y2 =

100 * 11 / 144
= 47,38
7 / 12
2
0 , 75
1
( x + ) dx = x
e) P(0,5<X<0,75) =
0 , 50
2
2
d)

y y2
( + )dy =
0 3
2
1

1 1 1
+ =
6 6 3

4 1
3 1
1
1
x
x
x ( x + )dx =
+ *
0
4 0 2 3 0
2

1 1 7
+ =
4 3 12

5 7
11
=
12 12
144

CV( X ) =

0 , 75

f) XY =

(1 / 3) (7 / 12) * (7 / 12)
11 / 144 * 11 / 144

0 ,50

0 , 75

x
= 0,28125
+
2 0,50

1
11
2

Exerccio 15. X uma varivel aleatria contnua, tal que f(x) = 12(x -x ) para 0<x<1 e f(x)=0
para outros valores: a) calcule a esperana de X; b) determine a varincia de X.
Soluo:
a) E[X] =
2

b) E[X ] =

x * 12( x 2 x 3 )dx = 12 * ( x
1

x5

) = 3/5
5 0

x 2 *12( x 2 x 3 )dx = 12 * ( x

x6

) = 2/5
6 0

= (2 / 5) (3 / 5) = 1/25
2
x

Exerccio 16. Uma varivel aleatria X, tem uma densidade de probabilidade dada por: f(x) =
K/x para 1<x<2: a) determine o valor de K; b) determine o valor da mdia, mediana e
varincia de X; c) calcule o coeficiente de variao.
Soluo:

17

a)

k
2
dx = k * ln( x) 1 = k { ln(2) ln(1) } = k *ln(2) = 1
x

b) Mdia

E[X]=


Mediana

Md

x
dx =
ln(2) * x

1
dx
ln( 2).x

k = 1 / ln(2)


1
dx = 1 * x 2 = 1/ ln(2)
1
ln( 2)
ln(2)

1
Md
* ln( x) 1 = ln(Md ) = 0,50
ln(2)
ln(2)


Md = exp(0,5*ln(2) = 1,4142 e P(X<1,4142) = 0,50

Varincia

E[X ]=

x2
dx =
ln(2) * x

x2 = 2,1664 (
c) Coeficiente de variao


2
2
x
dx = 1 * x = 2,164
ln(2)
ln(2) 2 1

1 2
) = 0,0826
ln(2)

CV% =

100 * 0,0826
= 19,9
1 / ln( 2)

Exerccio 17. Determinar a mdia e o desvio-padro do peso lquido de um produto, sabendose que a mdia do peso bruto 900 g, com desvio padro de 30 g e o peso da embalagem
tem peso mdio de 100 g, com desvio padro de 20 g.
Soluo:

Estatstica

Lquido

Embalagem

Bruto

x = Mdia

800

100

900

500

400

900

22,36

20,00

30,00

x2

= Varincia

x = Desvio padro

Exerccio 18. Um jogo consiste em se atirar um dado; se der faces dois ou cinco a pessoa
ganha R$ 60,00 por ponto obtido; se der faces um ou seis a pessoa ganha R$
110,00 por ponto obtido; se der faces trs ou quatro a pessoa paga R$ 180,00
por ponto obtido. O jogo honesto? Justifique.
Soluo: Calcular a esperana matemtica do jogo
Dado (x)
P(x)
Pontos
J = Jogo = x*pontos
J*P(x)
1
1/6
110
1*110 = 110
110/6
2
1/6
60
2*60 = 120
120/6
3
1/6
-180
3*(-180) = -540
-540/6
4
1/6
-180
4*(-180) = -720
-720/6
5
1/6
60
5*60 = 300
300/6
6
1/6
110
6*110 = 660
660/6
Soma
1
E[Jogo] = -70/6 = -11,67
Como E[jogo} = -70/6 = -11,67 um valor negativo, em mdia o jogador vai perder e, por isto, o jogo
no honesto. Seria honesto se E[jogo] = 0.
Exerccio 19. Sejam M e N duas variveis aleatrias com as seguintes distribuies:

18

P(M)

0,6

0,4

10

12

P(N)

0,3

0,5

0,2

Calcular: E(M); E(N); desvio padro de N; e, varincia de M

Resultados: E(M)=1,8; E(N)=8,9; desvio padro de N = 2,66; varincia de M = 0,96

5 - PRINCIPAIS DISTRIBUIES DE VARIVEIS ALEATRIAS DISCRETAS

5.1- Distribuio Uniforme
Uma varivel aleatria X tem distribuio uniforme discreta se a sua funo de probabilidade dada por: f(x) = f(x;N) = 1/N
=0

para x = 1, 2, ..., N;
caso contrrio

onde o parmetro N qualquer nmero inteiro. As caractersticas de X so:

1 N(N + 1)
1 1 N
Mdia = E[X]= i = i =
=(N+1)/2; Varincia = V[X] =
N
2
i=1 N N i=1
N

tx

radora de momentos = mx(t) =E[e ] =

e
i=1

tx

N2 1
X = 12 ; funo ge2

1
N

5.2- Distribuio Bernoulli

Supomos que na realizao de um experimento E, o resultado pode ser um sucesso (se
acontecer o evento que nos interessa) ou um fracasso (se no acontecer o evento que nos
interessa). Seja X a varivel aleatria: sucesso ou fracasso. Isto , para X sendo x1 = 1 (sucesx

so) ou x2 = 0 (fracasso). Ento P(X= x1=1) = p e P(X=x2=0) = 1 - p = q. P(x) = f(x;p) = p (1-p)

x

1-

para x= 0 ou 1. As caractersticas de X so: mdia = E[X] = p; varincia =V[X] = pq.

5.3- Distribuio Binomial

Uma varivel aleatria X tem distribuio binomial se a sua funo densidade discreta
x

n x

dada por f(x;n,p) = Cnp q

= 0
Obs. Cnx =

, x = 0, 1, 2, ..., n;
caso contrrio

n!
x !(n x)!

Esta distribuio possui as seguintes hipteses como fundamentao:

H1: n observaes independentes e do mesmo tipo so utilizadas;
H2: cada observao(amostra) admite dois resultados, sucesso ou fracasso;
H3: a probabilidade de sucesso em cada amostra p e a de fracasso q.

19

Os parmetros da distribuio so n e p e, sendo q = 1 - p, onde n = nmero de observaes; x = nmero de sucessos na amostra de n observaes; p pertence ao intervalo entre 0 e
1. O experimento binomial deve se feito com reposio. Quando n=1 a distribuio chamada
de distribuio de Bernoulli.
Quando X tem distribuio binomial ento a mdia E[X] = np; varincia V[X] =

2
X

t n

npq e a funo geradora de momentos mx(t) = (q+pe ) .

Aplicao: Em um lote de sementes de Araucria foi constatado, por anlise de laboratrio,
que o poder germinativo era de 60%, isto p = 0,6 = proporo de sementes viveis. Logo,

- p = q = 0,4. Para produzir mudas de Araucria foram colocadas 4 sementes em cada embalagem (n=4). Qual a probabilidade de ter pelo menos uma planta em cada embalagem? X =
nmero de plantas/embalagem. Temos
f(x); 4, 0,6) = Cx4 (0,6)x (0,4)4 x para x = 0, 1, 2, 3, 4. Queremos P[X1] = 1-P[X<1] =
1-P[X=0] = P[X=1] + P[X=2] + P[X=3] + P[X=4]. Ento P[X1] = 1- C04 (0,6)0 (0,4)4 0 =
=1-

4!
(0,6)0 (0,4)4 = 0,9744.
4 !0!

Exerccio 20 - Calcular p para n=3 e P[X1]=0,90

Soluo: P[X1] = 1 - P[X=0] = 1 0,10 = (1-p)

3


C30 p 0 (1 p)3

= 11*1*(1-p) = 0,9


p = 0,5358

Exerccio 21. Calcular n, sendo p=0,60 e P[X=0]=0,0256

Soluo: P[X=0]=0,0256 =

Cn0 (0,6) 0 (0,4) n

= (0,4)

n


n = ln(0,0256)/ ln(0,4) = 4

Exerccio 22. Uma varivel aleatria Y com distribuio binomial tem a funo repartio dada
por: F(0) = 1/243; F(1) = 11/243; F(2) = 51/243; F(3) = 131/243; F(4) = 211/243; F(5)
= 1. Determinar: a) funo de probabilidade P(Y=y); b) obter n, p e q; mdia de Y;
varincia de Y; P(Y>1); P(2Y4).
Soluo: Seja a tabela de P(y) e F(y)

n = 5;

y
0
1
2
3
4
5

P(Y=0) =

P(Y=y) = P(y)
1/243
10/243
40/243
80/243
80/243
32/243

F(y)
1/243
11/243
51/243
131/243
211/243
1

C50 p 0 (1 p )5 = (1-p)5 = 1/243



E[Y] = np = 5*0,6666 = 3,3333 = mdia de Y;

p = 0,6666; q=1-p = 0,3333

20

Var(Y) = npq = 5*0,6666*0,3333 = 1,1111 = varincia de Y;

P(Y>1) = 0,95;
P(2Y4) = 0,823
Exerccio 23. A probabilidade de uma semente germinar de p=0,88. Calcule a probabilidade
de uma embalagem com 4 sementes germinar mais de 3 plantas.
4

Soluo: P(X>3) = P(X=4) = C4 (0,88) (0,12) = 0,5997

5.4- Distribuio Multinomial
A generalizao da distribuio binomial resulta a distribuio multinomial. Assim, considere a possibilidade de K alternativas, isto , repartirmos o Espao Amostral em K eventos A1,
A2, ..., AK mutuamente exclusivos com probabilidades p1, p2, ..., pK, tais que p1 + p2 +...+ pK=1.
Ento, para n provas, a probabilidade de que A1 ocorra X1 vezes, A2 ocorra X2 vezes, ... e AK
ocorra XK vezes igual a:
P[X1, X2, ..., XK] =

n!
pX1. pX2 ... pKXk
X1 ! X 2 !... XK ! 1 2

Aplicao: Um dado lanado 10 vezes. Qual a probabilidade de terem aparecido duas

vezes o nmero 2, duas vezes o nmero 5, trs vezes o nmero 1 e uma vez os demais resultados? Ento: n=10 e p1=p2=p3=p4=p5=p6 = 1/6 e
P[X1=3; X2=2; X3=1; X4=1; X5=2; X6=1] =
3

= {(10!)/(3!2!1!1!2!1!)}.(1/6) (1/6) (1/6) (1/6) (1/6) (1/6) = 0,0025.

Exerccio 24. O sangue humano foi classificado em quatro tipos: A, O, B e AB. Numa certa
populao, as probabilidades destes tipos so respectivamente: 0,40; 0,45; 0,10 e
0,05. Qual a probabilidade de que em cinco indivduos escolhidos ao acaso haja:
a) dois do tipo A e um de cada um dos outros? b) trs do tipo A e dois do tipo O.

5!
* 0,4 2 * 0,451 * 0,101 * 0,051 = 0,0216
2!*1!*1!*1!
5!
* 0,43 * 0,452 * 0,100 * 0,050 = 0,1296
b) P(A=3; O=2; B=0; AB=0) =
3!*2!*0!*0!
a) P(A=2; O=1; B=1; AB=1) =

21

5.5- Distribuio Binomial Negativa

Uma varivel aleatria discreta X tem distribuio binomial negativa se a funo de probabilidade f(x; r,p) =

Crx+x1pr qx , para x = 0,1,2,... e parmetros r e p; r=1,2,3,... e

0<p1,

sendo q = 1 - p. No caso de r=1 a distribuio geomtrica. Os parmetros da distribuio

2

so mdia E[X]= rq/p; a varincia V[X]= rq/p ; e a funo geradora de momentos mx(t) =
.r

p
1
.
q. e t
Aplicao especial em contagem de populaes (de insetos, acidentes, comunicaes...).
Exemplo: Considere uma seqncia de repetidos e independentes experimentos de Bernoulli
com probabilidade de sucesso igual a p para um experimento individual. Seja X a varivel aleatria que representa o nmero de falhas antes do rsimo sucesso. Ento
X tem uma distribuio binomial negativa.
5.6- Distribuio de Poisson
Existem casos em que se conhece o nmero de situaes favorveis (sucesso), porm
torna-se difcil e algumas vezes sem sentido, determinar o nmero de situaes desfavorveis
(fracasso) ou o nmero total de observaes. Assim, uma varivel aleatria discreta X tem dis-

tribuio de Poisson se a sua funo de probabilidade for dada por f(x;) = e . /x! para
x=0,1,2,... eventos favorveis e >0. O parmetro da distribuio e a mdia E[X]=; a
varincia V[X] = .
Esta uma distribuio que se ajusta , na maioria dos casos, para os dados de contagem com pequenas freqncias de ocorrncia - tipo de evento raros. Exemplos: nmero de
acontecimentos por unidade de tempo ou de espao; nmero de insetos por unidade de rea;
nmero de doentes A por quarteiro de uma cidade; nmero de chamadas telefnicas por
hora em uma firma; nmero de defeitos em peas ou aparelhos; nmero de objetos estranhos
em sacos de leite tipo C; nmero de colnias de bactrias por placa; nmero de chuvas (maiores de 50mm) por ms; etc.
Obs. A distribuio binomial com n grande e P tendendo a zero se aproxima da distribuio de Poisson.
Aplicao: Foi divulgado por um determinado frigorfico, que o nmero mdio de bovinos
descartados pelo servio de inspeo sanitria igual a 2 por dia. Logo, =2. Qual a probabilidade do evento A = { um dia com menos de 3 bovinos descartados}? Seja X = nmero de animais descartados por dia.
Ento P[A] = P[X<3] =P[X=0]+P[X=1]+P[X=2] =

e 2 20 e 2 21 e 2 22
= 0,677
+
+
0!
1!
2!

22

Exerccio 25. Um posto do IBAMA recebe em mdia 3 denncias por dia. Calcular a probalidade de: a) receber 4 denncias num dia; b) receber mais de trs denncias num dia.

e 3 * 34
a) P(X=4) =
= 0,168
4!
b) P(X>3) = 1 P(X=0) P(X=1) P(X=2) P(X=3) =
= 1

e 3 * 30 e 3 * 31 e 3 * 32 e 3 * 33

= 0,3527
0!
1!
2!
3!

Exerccio 26. Suponha 400 insetos de frutos distribudos aleatoriamente numa caixa de 500
frutos. Encontre a probabilidade de que um dado fruto contenha: a) nenhum inseto; b)
exatamente dois insetos
Soluo: = 400/500 = 4/5 = 0,8

a) P(X=0) =

e 0 ,8 * 0,80
0!

= 0,449

b) P(X=2) =

e 0 ,8 * 0,8 2
2!

= 0,1438

5.7- Distribuio Geomtrica (Pascal)

Uma varivel aleatria discreta X tem distribuio geomtrica se a sua funo de probax

bilidade for dada por f(x;p) = p(1 - p) para x = 0,1,2,... e o parmetro p satisfaz 0<p1 e

q=

1 - p. Os parmetros da distribuio so mdia E[X]=p/q; a varincia V[X]= q/p ; e mx(t) = p/(1t

qe ). Uma varivel aleatria que tem distribuio geomtrica conhecida como sendo uma
varivel discreta de tempo de espera . Exemplo: tempo (dias, horas, meses...) de durao de
uma lmpada; tempo de vida de uma planta, animal ou objeto.
Considere uma seqncia de experimentos de Bernoulli, independentes, com p = probabilidade de sucesso de um experimento individual. Seja X a varivel aleatria que representa o
nmero de experimentos necessrios para o primeiro sucesso.
5.8- Distribuio Hipergeomtrica
Uma varivel aleatria discreta X tem distribuio hipergeomtrica se a sua funo de
x

n x

probabilidade dada por: f(x; M,K,n) = CK . CMK / CM .I[0,1,...,n](x), onde M um nmero inteiro
positivo; K um nmero no negativo e KM; n um nmero inteiro positivo e nM. A mdia
E[X] =

{nK (M - K) (M - n)}
n.K
; a varincia V[X] =
{MM (M - 1)}
M

Aplicao: Seja X o nmero de mudas defeituosas em uma amostra de tamanho n=20,

tomada sem reposio de um viveiro contendo M=100 mudas das quais K=30 so defeituosas.
Qual a probabilidade do evento A = { menos de duas mudas defeituosas}? Ento, P[A] =

23

P[X=0] + P[X=1] =

0
20 0
C30
. C100
30
20
C100

201
C130 . C100
30
20
C100

= ? esta aplicao importante para esta-

belecer o preo do produto ou calcular a qualidade do reflorestamento.

6 - PRINCIPAIS DISTRIBUIES DE VARIVEIS ALEATRIAS CONTNUAS

6.1- Distribuio Uniforme ou Retangular

Uma varivel aleatria X tem distribuio uniforme no intervalo entre a e b - XU[a,b] se a sua funo densidade de probabilidade (fdp) f(x; a,b) =

1
I (x), onde os parmeb a [ a,b]

tros a e b satisfazem -<a<b<. Temos as caractersticas: mdia E[X] = (a+b)/2; varincia

2

bt

at

V[X] = (b-a) /12; e a funo geradora de momentos mx(t) = (e -e )/(b-a)

A funo repartio F(x) =

( x a)
I (x) + I[ b, ] (x). Esta funo importante para uso
(b a) [ a,b]

em estatstica terica.
Aplicao: Na sua calculadora cientfica a tecla RAN fornece um nmero aleatrio com
distribuio uniforme no intervalo [a;b] = [0,1] - XU[0,1]. Nos computadores PCs, a funo
random, X = random tem distribuio U[0;1]. Ex. X = random(50) tem distribuio U[1,50], etc.
No entanto esta varivel pode ser usada para obter, indiretamente, variveis com outras distribuies, dado que F(x) tem distribuio U[0,1]. Assim, a transformao de Box & Muller (1958)
- ver item distribuio normal - importante para gerar variveis de distribuio normal.
6.2- Distribuio Exponencial
Uma varivel aleatria X tem distribuio exponencial de parmetro , isto , XE(), se
a sua fdp for dada por f(x;) = e xI[ 0, ] (x), >0, onde a mdia E[X] = 1/; a varincia V[X]
2

= 1/ e a funo geradora de momentos mx(t) = /(-t) para t<.

Esta distribuio tem sido usada para modelos de tempo de vida. Assim, por exemplo, a
quantidade de tempo entre a ocorrncia de dois sucessos tem XE(), desde que o nmero
de ocorrncias, num intervalo fixo de tempo, tenha distribuio de Poisson.
Teorema: Se XE() ento P[x>a+b|X>a] = P[X>b], a>0 e b>0.
- x

P[Xx] = F(x) = 1-e , x0, e portanto P[X>x] = e

- x

24

Exerccio 27: Um bico injetor tem a durao (horas) de funcionamento de acordo com a densidade de probabilidade a seguir: f(t) = (1/1000)*exp(-t/1000) se t0 e f(t) = 0 se t<0.
Determinar: a) a probabilidade de que um bico injetor qualquer estrague antes de 900
horas; b) a probabilidade de que um bico injetor qualquer estrague depois de sua durao mdia; c) qual o desvio padro da distribuio.
a) P(T<900) = F(900) =
c) Desvio padro =

1 e

900
1000

= 0,5934 ;

b) P(T>1000) =

1000
1000

= 0,3678;

1
1
= 1/1000 = 0,001
=
2

10002

6.3- Distribuio Gama

Uma varivel aleatria X tem distribuio gama com parmetros r e - XG(r;) - se a
sua fdp for f(x; r,) = f(x) =

.(x) r 1.e x .I[0, ] ( x) , r>0 e >0.

(r )

Obs. (r) uma funo gama, ou seja (r) =

x r 1e x .dx , r>0. (r+1) = r.(r) e (r+1)=r!

Tambm, Se r=1 ento XE[]

Se X1, X2, ..., Xn so variveis aleatrias independentes e Xi E[], i ento
Y=X1+X2+...+Xn G(n;). Isto , a distribuio de gama uma soma de distribuies exponenciais independentes.
2

Caractersticas: Se XG(r;) ento a mdia E[X] = r/; a varincia V[X] = r/ ; e a

r

funo geradora de momentos mx(t) = { /(-t)} , t<.

F(x) = 1

e x (x) j
j!
j =0

r 1

6.4- Distribuio Beta

Uma varivel aleatria X tem distribuio beta com parmetros a e b, a>0 e b>0 XB(a;b) - se a sua fdp for f(x; a,b) = f(x) =
1

A funo beta B(a,b) =

a 1

1
.x a 1.(1 x)b 1.I[ 0,1] ( x) .
B (a, b)

(1 x) b 1 .dx se relaciona com a funo gama da seguinte

forma: B(a,b) =

( a).(b)
.
( a + b)

Se XB(1;1) ento XU(0;1).

25

Se XB(a;b) ento a mdia E[X] =

a
ab
e a varincia V[X] =
(a + b)
{(a + b + 1)(a + b) 2 }

Para cada alterao nos parmetros a e b da distribuio de beta altera-se a forma da

curva de densidade. Assim, uma das formas deve ser apropriada aos dados experimentais.
Temos uma famlia de distribuio beta. Para a=b a distribuio simtrica.

6.5- Distribuio normal e suas transformaes

Das inmeras distribuies de probabilidades conhecidas de variveis aleatrias, discretas ou contnuas, a distribuio normal de probabilidades a mais importante sob o ponto de
vista agronmico. Um grande nmero de fenmenos podem ser estudados atravs desta distribuio. Alm disso, mdias de variveis aleatrias que seguem outras distribuies (discretas ou contnuas) tendem para a distribuio normal medida que o nmero de observaes
aumenta.
Seja X uma varivel aleatria continua. Esta varivel tem distribuio normal de probabilidades
2

se:

f X ( x; , 2 ) =

, x , em que os parmetros e 2 so, rese

1

pectivamente a Mdia e a Varincia.

Se a funo fX(x; ,), ou simplesmente f(x), satisfaz as condies:
a) f(x) 0, para todo x pertencente aos nmeros reais;

b)

f ( x)dx = 1 , isto , a rea sob a curva igual a um;

c) P(a X b) =

f ( x)dx

a probabilidade de X estar entre os valores de a e b, en-

to, a funo f(x) uma funo densidade de probabilidades (fdp).

Da teoria estatstica, sabe-se que o valor mdio esperado (esperana matemtica de X,
cujo smbolo E(X) ) de uma varivel aleatria contnua, com fdp igual a f(x), obtida por:
E(X) = x =

x. f ( x)dx no caso, E(X)= x. f ( x)dx = . Alm disso, a varincia da varivel X

2

(cuja representao 2x ) obtida por 2x = E{X - E(X)} =E(X ) - [E(X)] = E(X ) - que, no

26
2
caso, x =

2
2
2
x f ( x)dx = .

Assim, "X N(; )" lido: "X tem Distribuio Normal de

Mdia e Varincia ".

Principais clculos de probabilidades:
x2

a) a probabilidade de X estar entre os limites X1 e X2 igual a P(X1XX2)=

f ( x)dx ;

x1
x1

f ( x)dx ;

b) a probabilidade de X ser menor do que X1 igual a P(XX1)=

c) a probabilidade de X ser maior do que X1 e igual a P(XX1)=

f ( x)dx .

x1

Estas integrais (a, b e c) so de difcil soluo, pois exigem a decomposio em sries e

2

a construo de tabelas, pois f(x) depende de e de , tornando-se invivel. Por isto, usada
a varivel padronizada ou reduzida

Z=

X
. As caractersticas numricas da varivel

reduzida so obtidas a seguir: E(Z) = z =

E{

X
1
1
1
} = ( X ) = {( X ) } = { } = 0;

= ( Z 2 ) 2Z = {

2
Z

X 2
1
1
} = 2 ( X ) 2 = 2 ( X 2 + 2 2X )

1
1 2
1
2
2
2
2
{ } = 1.
2 { ( X ) } =
2 { ( X ) + 2( X )} =

Logo, Z N(0,1) que se l: "Z tem Distribuio Normal de Mdia zero e Varincia um" ou, simplesmente, Z tem distribuio normal padro.
A fdp da varivel Z reduzida seguinte expresso f z ( z ) =

1
2

1
z2
2

, z f

Como a distribuio de Z no depende de e ( sempre zero e igual a unidade), pode-se construir tabelas para diferentes limites de Z ou reas (probabilidades) sob a curva, com ampla aplicao nos clculos de probabilidades de variveis com distribuio normal,
bastando fazer a transformao em Z. Ver a Tabela da Distribuio Normal Padro (Tabela Z),
nos anexos.
A probabilidade P(X1XX2) equivalente a P(Z1ZZ2), onde Z1 =

Z2 =

X1
e

X2
.

Propriedades da Distribuio Normal

1 - a fdp f(x) simtrica em relao a mdia X= e f(z) simtrica em relao a mdia Z=0;
2 - f(x) tem ponto de mximo para X= e f(z) para Z=0;

27

3 - f(x) tende para zero se x tende para e f(z) tende para zero se z tende para ;
4 - f(x) tem dois pontos de inflexo cujas abcissas valem - e + , sendo que para f(z) as
abcissas valem -1 e 1, respectivamente.
Veja, nos grficos a equivalncia de reas.
P(X1 < X < X2) = 1-

P(Z1 < Z < Z2) = 1-

N(10;4)

N(0;1)
1-

/2
X1

/2
X2

/2
X

Z1

/2
Z2

Observaes:
1. No grfico da funo densidade de uma varivel normal, fixando a mdia, o achatamento da
curva estar diretamente ligado ao valor de . Assim, quanto menor a varincia, mais caractersticas leptocrticas(pontiaguda) a curva ir possuir;
2. a combinao linear de variveis com distribuies normais independentes, tambm varivel com distribuio normal, ou seja, a soma ou diferena de duas ou mais variveis aleatrias normais, tambm uma varivel aleatria normal.
Exemplo: Seja X uma varivel de distribuio normal de uma populao com mdia =10 e
varincia =4.
a) Calcular a probabilidade P(8X14), ou seja, de um valor da populao estar entre
X1=8 e X2=14. A soluo obter Z1 =

14 10
8 10
= 1 e Z2 =
= 2 e, pela simetria e equiva2
2

lncia de reas, obter da tabela Z: P(8X14) = P(Z1ZZ2) =

P(-1 Z 2) = P(0Z1) + P(0Z2) = 0,3413 + 0,4772 = 0,8185 ou 81,85%;
b) Calcular a probabilidade P(X14) de um valor da populao ser maior do que X1=14.
A soluo calcular Z1 = 14 10 = 2 e, pela equivalncia de reas, obter da tabela Z a pro2
babilidade P(X14) = P(Z2) = P(Z0) - P(0Z2) = 0,5 - 0,4772 = 0,0228 ou 2,28% . Se o tamanho da populao fosse N=10.000, ento seria possvel estimar que, nesta populao, existem NP(X14) = (10.000)(0,0228) = 228 elementos teriam X maior do que 14.
Exerccio 28 Seja XN(32;49). Calcular:
a) Probabilidade de um valor X ser menor do que 27;
b) Probabilidade de um valor X ser maior do que 34,5;
c) Probabilidade de um valor X estar entre 29 e 36;

28

d) Quais os valores de X (X1 e X2) tal que P(X1XX2)=0,92;

e) Probabilidade de um valor X ser maior do que 18,4;
f) Qual o valor de X1 tal que P(XX1) = 0,88;
g) Para N=2000 observaes, quais so os valores de X que delimitam a populao em 400
observaes na classe baixa (Classe 1); 1300 na classe mdia (Classe 2) e 300 na classe
alta (Classe 3).
Soluo:
a) P(X<27) = P(Z<-0,714) = 0,2389
b) P(X>34,5) = P(Z>0,357) = 0,3594
c) P(29<X<36) = P(-0,43<Z<0,57) = 1-0,3636-0,2843 = 0,3821
d) P(19,75<X<44,25) = 0,92
e) P(X>18,4) = P(Z>-1,94) = 0,9738
f) P(X>23,81) = P(Z>-1,17) = 0,88
g) Classe 1 para valores menores que 26,12; classe 2 para valores entre 26,12 e 39,28; classe 3 para valores maiores que 39,28; tal que P(26,12<X<39,28) = P(-0,84<Z<1,04) = 0,65 =
1300/2000.
- Transformao de Box & Muller 1
Seja X1 uma varivel aleatria com distribuio uniforme no intervalo 0 e 1, e X2 uma
varivel aleatria com distribuio uniforme no intervalo 0 e 1, independentes. Ento:
Z1 =

2 * ln( X 1 ).cos(2 * * X 2 ) com distribuio N(0;1)

Z2 =

2 * ln( X 1 ).sen(2 * * X 2 ) com distribuio N(0;1),

com Z1 independente de Z2. As funes seno e coseno devem ser em unidades de radianos.
2

Sendo que Y = Z. tem distribuio N(0; ) e Y = + Z. tem distribuio N(; ), cujo

resultado pode ser utilizado para simulao de experimentos.
Aplicao: Gerar 20 observaes com distribuio normal de mdia igual a 30 e varincia igual
a 36

Yi = 30 + 6*Zi

- Estimao por ponto

2

Os parmetros e so caractersticas da populao e, portanto, desconhecidos. Pode-se, no entanto, obter estimadores para estes parmetros atravs de processos denominados de estimao. Existem vrios mtodos de estimao: mtodo da mxima verossimilhana,
mtodo dos mnimos quadrados, mtodo dos momentos, entre outros. Estes processos so
conhecidos por estimao por ponto, porque se obtm um valor nico que representa o parmetro.
1

Box & Muller A note on the generation of randon normal deviates. The Annals of Mathematical Statistics, 29:610611, 1958

29

Sejam (X1, X2, X3, ..., Xn) variveis aleatrias idnticas e independentemente distribudas
iid

(iid) normalmente de mdia e varincia , isto , X i

 N (; ),
2

pode-se, ento, obter esti-

madores para e por qualquer um dos mtodos. Com base nos estimadores e, com a posse dos valores observados (x1, x2, ..., xn) de uma amostra aleatria, obtm as estimativas para
e .
a) Mtodo da Mxima Verossimilhana (MMV)
Este mtodo requer o conhecimento da fdp da varivel considerada. Sejam (X1, X2, X3, ..., Xn)
iid

variveis aleatrias

X i  N (; 2 ) . A distribuio conjunta de (X1, X2, ..., Xn), dado X igual a

valores x fixos, o produtrio de f(xi), para i = 1, 2, ..., n, sendo denominada de funo de ven

1
rossimilhana (v), caracterizada por v = f ( x i ) =
{22 } n / 2
i =1

1 x i 2
exp 2 . Obtendoi =1

se o logaritmo neperiano da funo v e igualando as derivadas parciais em relao a e a

zero,

obtm

as

estimativas

de

mxima

verossimilhana

ln( v) = ( n / 2) ln(2) ( n / 2) ln(2 ) (1 / 2) i(

para

ou

seja

xi 2
)

ln(v )
= 0 (1 / 2~ 2 ).2 i ( xi ~ )1 (1) = 0

ln( v)
= 0 (n / 2~
2 ) + (1 / 2~
4 ) i( xi ~
) 2 = 0
2
cuja soluo resulta em: ~
= i X i / n = estimativa de mxima verossimilhana para e
~
2 =

( x ~)
i

/ n = estimativa de mxima verossimilhana para 2 e, assim, tm-se, res

pectivamente, os estimadores X =

X
i

__

/ n e V 2 = i ( X i X ) 2 / n

A esperana matemtica do estimador

( X ) = (

X
i

/ n) = (1 / n)i ( X i )

= (1 / n)n = . Logo, X um estimador no tendencioso ou no viesado para .

(X

2
No entanto, (V ) = {

__

__

X ) 2 / n} = (1 / n ) i {( X i X ) 2 } =

n 1 2

prova que V um estimador tendencioso ou viciado de . Mas, conhecido o vis

um

outro

estimador

tal

que

se

obter

E(S )=

S2 =

__
__
n
n
V2 =
{ i( X i X ) 2 / n} = { i( X i X ) 2 / (n 1)}.
n1
n1

Este

n1
, poden

estimador

30

Com base numa amostra aleatria (x1, x2, ..., xn), as estimativas no tendenciosas de e
__

so, ento, obtidas por x =

__

i xi / n e s2 = i( xi x )2 / (n 1) .

b) Mtodo dos Mnimos Quadrados (MMQ)

Neste, no necessrio o conhecimento da distribuio de probabilidades da varivel.
Deve-se, no entanto, definir um modelo do tipo Xi = + ei , isto , o valor de uma varivel aleatria Xi igual a soma de uma constante, mdia , e uma parte aleatria denominada desvio
ou erro. Pode-se obter um estimador de tal que a soma dos quadrados do erro seja mnima.
Assim, escrevendo a igualdade ei = Xi - e elevando ao quadrado ambos os termos e aplican2

do o somatrio obtm o valor v = iei = i(Xi -) . Igualando a zero a derivada de v em relao a obtm-se o estimador de . Assim,

v
= 0 2 i ( X i  )1(1) = 0 e

__

 = X = i X i / n

Agora pode-se escrever: X i =  + e i

ou

__

e i = X i X tal que i i = 0 e ii 2 = SQ
2

(Soma de Quadrado) mnimo. O estimador no tendencioso da varincia de X S = SQ/(n-1),

2

pois E(S ) = E{SQ/(n-1)} = , se e somente se, atender as pressuposies:

2

E(ei )=0 e E(ei ) = , para todo i. Dado o modelo Xi =+ei pode-se calcular a esperana matemtica de X: E(Xi) =E( +ei ) = E() +E(ei ) = E(ei) =0.
A varincia de X ( constante e no tem varincia) 2X = (2+ ei ) = 2ei

(ei2 ) {(ei )} 2 = 2 + 0 2 (ei2 ) = 2 e, com isto, pode-se afirmar que, se XN(,2) ento
2

ei N(0, ). Dado os valores de uma amostra, as estimativas para a mdia e a varincia so

obtidas, respectivamente, por x = i xi / n

s2 = { i ( xi x)2 / (n 1)} .

Exerccio 29: Dado os valores x1=11; x2=9; x3=16; x4=14; x5=10; x6=18. a) obter uma estimativa para a mdia ( x ) e para a varincia ( s 2 ); b) relacionar os erros e i (desvios) e verificar se

e
i

=0 e

se

e
i

2
i

/ (n 1) = s2;

c) Calcular os valores de v

= i(x i k) / (n 1) para k = 8; 9; 10; 11; 12; 13; 14; 15; e 16 - construa um grfico
para v (na vertical) e k e observe que o valor de v mnimo para k = ...? que corresponde
a estatstica . . . . ?
Soluo:
2

a) Mdia = 13,0
b) Desvios = -2, -4, 3, 1, -3, 5

soma = zero e s = 12,8

c) O valor de v mnimo para k = mdia.

- Estimao de por intervalo com varincia conhecida

31

Para saber a distribuio de  = X , basta calcular a mdia e a varincia de  . A mdia

( ) = ( i Xi / n) = (1 / n)i( Xi ) = (1 / n)n = . A varincia de  igual a Var(  )=

2
2
2
2
2
Var ( iX i / n ) = (1 / n 2 ) i Var ( X i ) = (1 / n ) i = (1 / n ) n = / n .

Sabe-se que toda a combinao linear de varivel de distribuio normal tambm tem

 N( , 2 / n) ento a varivel padrodistribuio normal. Com isto, pode-se afirmar que se

__

nizada Z =

2 /n

N (0,1) tem distribuio normal com mdia zero e varincia um.

Uma aplicao deste resultado a possibilidade de determinao de intervalos de confiana

2

para a mdia , com nvel 1- de probabilidade, a partir do conhecimento da varincia e da

__

mdia amostral ( x = i x i / n) , usando a tabela Z da distribuio normal padro. A probabilidade terica P(Z1 Z Z2) =1-, tal que, P(Z Z1)= /2 e P(Z Z2) =/2 ou, por simetria, -Z1 =
Z2

Z/2

pode

ser

escrita,

para

__

P( Z / 2

X
2 / n

Z / 2 ) = 1 ; P( Z / 2

uma

amostra,

como

sendo

um

estimador

2 _ _
2
X Z /2
) = 1 ;
n
n

(somando X em cada desigualdade e posteriormente multiplicando por -1) temos

__

__

__

P( X Z /2 2 / n X X X + Z /2 2 / n ) = 1
P( X Z / 2 2 / n X + Z / 2 2 / n ) = 1

P( X Z / 2 2 / n X + Z / 2 2 / n ) = 1 o estimador por intervalo, sendo a estima2

2
tiva por intervalo para P( x Z / 2 / n x + Z / 2 / n ) = 1

O leitor pode observar que ao aumentar o nvel de confiana, isto , usar um menor,
ento a amplitude entre os limites inferior e superior do intervalo de confiana aumenta. Em
geral estas estimativas por intervalo so obtidas para entre um e dez porcento.
Exemplo: Seja uma amostra de n=16 cuja estimativa da mdia x =10. Sabendo-se que =3,
obter a estimativa por intervalo para a mdia com 95% de confiana.
Soluo: para 1- =0,95 temos /2=0,025 e para P(Z -Z/2)=0,025, da tabela Z, tem-se Z/2
=Z0,025 =1,96 que substitudo na expresso de probabilidade

P(10 3(1,96) / 16 10 + 3(1,96) / 16 ) = 0,95 ; P(8,53 11,47) = 0,95

isto , a probabilidade da mdia estar entre os limites inferior (8,53) e superior (11,47) de
95%. Isto significa que em cada 100 estimativas por intervalo, construdos a partir de uma amostra de n=16 observaes desta populao, espera-se que 95 destes contenham nos seus
limites o parmetro .

32

Uma representao grfica desta interpretao dada a seguir. Observa-se que as amplitudes dos intervalos so iguais (porque a varincia conhecida a mesma para todas as estimativas) e que o intervalo nmero 9 no contm .
Limite superior

....
1

=
98

99

100

Limite inferior

Estimativa do tamanho da amostra com varincia conhecida

Seja

N ( , 2 / n) cuja estimativa por intervalo em nvel 1- de confiana

P( x Z / 2 2 / n x + Z / 2 2 / n ) = 1 . Denominamos d = Z / 2 2 / n como sendo a

semi-amplitude do intervalo de confiana (IC), conhecido. Podemos isolar o valor de n, ou seja,
n = Z 2 / 22 / d2 . Quando o tamanho da amostra calculado for superior a 10% da populao amostrada conveniente calcular o tamanho da amostra ajustado (na) para populao finita
pela seguinte relao: na = n / (1 + n/N), onde N o nmero de itens na populao.
Exerccio 30. Calcular o tamanho da amostra para um IC de 90% em uma populao de varincia igual a 36 para uma semi-amplitude (d) igual a 2,4 cm.
2

Soluo: n = (1,64) * 36 / (2,4) = 16,8 = 17

Exerccio 31. Seja N ( ,

400
) . a) Obter estimativas por intervalo a 99% e 95% de confin

ana para a mdia , dado x =48 para n=16 observaes. Comparar os intervalos de 99
e 95%; b) Calcular n (tamanho da amostra) para uma diferena igual a 16% da mdia em
nvel de 5% de erro.
Soluo: a)

IC[ ]0,95 : P ( 48 1,96 * 25 48 + 1,96 * 25 ) = P (38,2 57,8) = 0,95

IC[ ]0,95 : P ( 48 2,58 * 25 48 + 2,58 * 25 ) = P (35,1 60,9) = 0,99

Aumentando o nvel de erro reduz a amplitude do intervalo de confiana.
100 * 400
b) = 400 e CV =
= 41,7
48
2

n=

(1,96) 2 * (41,7) 2
= 26
(16) 2

33

- Distribuio qui-quadrado
Sabe-se, da teoria estatstica, que se Z N(0,1) ento a transformao X =

tem

i =1

distribuio "qui-quadrado", isto , X . A transformao

X = Z + Z +...+ Z , com Z
n

independentes, tem distribuio qui-quadrado com n graus de liberdade, isto Xn n . A fdp

desta distribuio f(x,n) onde n o parmetro da distribuio, no caso, n igual ao nmero
de graus de liberdade da estatstica. A fdp de Xn

f ( x, n) =

1
x ( n / 2 ) 1e x / 2 , para todo x > 0 onde, (n/2) a funo gama com parme( n / 2 ) 2 n / 2

tro n/2.
Esta varivel (Xn ) tem as seguintes caractersticas numricas: E(Xn) =x=n e 2x =2n.
assimtrica para n no muito grande. Para cada n temos uma fdp diferente e, por isto os valores de X, para diferentes nveis de probabilidade , podem ser tabelados (ver Tabela , em

anexo) tal que P ( X X n ) = =

f ( x, n)dx

Xn

Demonstra-se que, se Z = ( X i ) / .


N (0,1) ento, X p =

/ =

2
i i

( X
i

2
2
i ) / =

(n 1)S2 / 2 p2 onde p = n-1. Desta forma {(n 1) S / } ( n 1) , o que nos d a dis2

2 2 4
2
2 2
,
.

S
{
/(
n
1
)}

tribuio da estatstica S como sendo:

( n 1)

n 1

Estimao de por intervalo

Aplicao:

Sejam os limites X1 e X2 tal que: P(X1XpX2) =1-, tal que P(XX1) =/2 e P(XX2) =/2,
2

sendo X p , ento

P ( X1

( n 1)S2
X2 ) = 1 e
2

( n 1)S2
( n 1)S2
2
P(
) = 1

X2
X1
2

o estimador por intervalo para e, uma estimativa obtida substituindo-se o estimador S

2

pela estimativa s , isto

P(

( n 1)s2
( n 1)s2
) = 1 l
2
X2
X1

logo, se estima que h uma probabilidade de 1- de que a verdadeira varincia da populao

2

( ) esteja entre os limites

( n 1)s 2
( n 1) s2
e
.
X1
X2

34
P(X1 < X < X2) = 1-

(10)

1-

/2

/2

X2

X1

Figura 1. Distribuio de qui-quadrado com 10 graus de liberdade

Exemplo: Considerando-se uma amostra de n=10 observaes, cuja estimativa da varincia
2

amostral foi de s =300, obter a estimativa por intervalo para a varincia com 1-=0,90
Soluo: Pela tabela (qui-quadrado), em anexo, para 10-1=9 graus de liberdade, determinase os valores X1 e X2 , isto :

P ( X X 1 ) = 1 P( X X 1 ) = 1 / 2 = 0,95 X 1 = 3,325
P ( X X 2 ) =.............................. / 2 = 0,05 X 2 = 16,919
A estimativa por intervalo definida a seguir

9 * 300
9 * 300
= 0,90 e
2
P
16,919
3,325

P(159,59 2 812,03) = 0,90

2

A varincia est entre os limites de 159,59 e 812,03 com uma confiana de 90%. Ao
estimar a varincia por intervalo, freqentemente se obtm um intervalo amplo, de pouca praticidade.

- Distribuio de t
2

Considerando Z N(0,1) e Xpp independentes, uma outra transformao muito importante T = Z /

Xp / p

denominada de distribuio de t com p graus de liberdade ou

seja, T tp. A fdp desta distribuio depende apenas do parmetro p e caracterizada por:

f ( t , p ) = ( p / 2;1 / 2 ) p

] (1 + t
1

/ p)

( p + 1) / 2

, t

onde (p/2;1/2) a funo beta com parmetros p/2 e 1/2. Esta distribuio, para p graus de
liberdade, simtrica com as seguintes caractersticas numricas: E(T)=T=0 e 2T =p/(p-2)
para p>2.
Assim, a distribuio t simtrica a sua mdia, e os valores de t para diferentes nveis de
probabilidades e graus de liberdade, encontram-se tabelados (Tabela t, em anexo).

35

P(X1 < t < X2) = 1-

t(10)

1-

/2

X1

/2

X2

Figura 2. Distribuio de t para p=10 graus de liberdade.

Aplicaes - A distribuio de t pode ser aplicada para testes de hipteses e/ou estimao por
intervalo. Estes procedimentos podem ser aplicados para um parmetro, para a diferena entre
dois parmetros ou para um contraste qualquer entre parmetros. Os parmetros podem ser
mdias, coeficientes de regresso, correlao, etc. Sejam os exemplos:

- Estimao por intervalo para a mdia com varincia estimada

Sejam

Z=

X
/n
2

 N(0,1)

X p = pS 2 / 2  2p ,

ento

T = Z / Xp / p

__
__

1
/
2
/ [(pS2 / 2 ) / p] = X  t . Nesta condio, pode-se estabelecer os limites t1
= 2
p
/n
S2 / n

e t2 tal que P ( t 1 T t 2 ) = 1 , onde P ( T t 1 ) = P ( T t 2 ) = / 2 , obtido da Tabela t

__

P( t 1

X
S2 / n

t2 ) = 1

Denominando-se t1= -t/2 e t2=t/2, pela simetria da distribuio de t, tem-se

__

__

P ( X t / 2 S 2 / n X+ t / 2 S 2 / n ) = 1
Substituindo-se os estimadores

e S pelas respectivas estimativas x e s com p = n-1

graus de liberdade obtm a estimativa por intervalo para a mdia a um nvel 1- de probabilidade, cujos limites inferior e superior so, respectivamente, x t / 2 s 2 / n e x + t / 2 s 2 / n .
Assim, as amplitudes destas estimativas, para amostras de mesmo tamanho, vo depender do nvel 1- de confiana e da estimativa da varincia.
Para estimar o tamanho da amostra para um nvel 1- de confiana pode-se supor

t / 2 s 2 / n = d = semi-amplitude do intervalo de confiana, ento

36
__

d
D
%
*
100
d
D
*
X
/ 100
=

=
_
_

t 2S2
X
n= 2
__
d
cv = S * 100 S = cv * X / 100
__

n=

==>>

t 2 cv2
D2

Quando o tamanho da amostra calculado for superior a 10% da populao amostrada

conveniente calcular o tamanho da amostra ajustado (na) para populao finita pela seguinte
relao: na = n / (1 + n/N), onde N o nmero de itens na populao
Exemplo:
__

Uma amostra de n=15 observaes resultou em X =10 e s =30. Pede-se para obter a estimativa por intervalo para a mdia da populao a um nvel de 1-=0,95 de confiana. Tmse p=n-1 =15-1 =14 graus de liberdade. Com isto, da Tabela de t obtm -t1 = t2 = t(0,025) =
2,145 (pois /2 =0,025) e P( t 1 t t 2 ) = P(10 2145
,
30 / 15 10 + 2145
,
30 / 15 ) =
=P( 6,97 13,03) = 0,95 . Assim, se estima que a mdia esteja no intervalo entre 6,97 e
13,03, com uma confiana de 95%. Uma representao grfica da interpretao das estimativas por intervalo dada a seguir. Observa-se que as amplitudes dos intervalos no so iguais
(porque a varincia estimada e, portanto, varia de amostra para amostra) e que o intervalo
nmero 9 no contm . Se espera que em cada 100 intervalos 100(1-) contenham .

.....
1

98

99

100

- Testes de hipteses
Seja a hiptese nula H0: =0 e as hipteses alternativas: a) H1: 0 (bilateral); b) H1:
<0 (unilateral esquerda); c) H1: >0 (unilateral direita). A estimativa da estatstica
__

t=

x 0
s2 n

, com p = n-1 graus de liberdade comparada com os valores da tabela de t em

nvel de erro. Se | t | > t/2 rejeita-se a hiptese H0 em favor da hiptese alternativa (a); Se t <
-t rejeita-se a hiptese H0 em favor da hiptese alternativa (b); Se t > t rejeita-se a hiptese
H0 em favor da hiptese alternativa (c); e, no rejeita-se H0 em casos contrrios. Na verdade,
somente uma das hiptese alternativas deve ser de interesse do pesquisador a qual, depende
do caso que est sendo analisado.

37
__

Exemplo: Seja uma amostra de n=15 observaes com estimativas da mdia X =23 e varincia
2

s =30. Testar a hiptese H0: =0, para 0=20, contra as hipteses alternativas: a) H1: 0; b)
H1: <0 ; c) H1: >0.
Soluo: A estimativa da estatstica t : t =

23 20
= 2,121. A deciso ser: a) Para a hipte30 / 15

se alternativa bilateral (a) no rejeitar H0 pois a estatstica |t|=2,121 menor do que o valor
tabelado t/2(p) =t0,025(14) =2,145. Logo, no difere significativamente de 0 e, a diferena
observada entre a mdia e 0 pode ser atribuda ao acaso ou a variaes amostrais; b) Para
a hiptese alternativa unilateral esquerda (b) no rejeitar H0 pois a estatstica t=2,121
maior do que o valor tabelado -t = -t0,05 = -1,761. Logo, no menor do que 0; c) Para a
hiptese alternativa unilateral direita (c) rejeitar H0, em favor de H1: >0, pois a estatstica
t=2,121 maior do que t =t0,05 =1,761. Logo, em nvel de 5% de erro na concluso, concluise que significativamente maior que 20.
- Estimao por intervalo para a diferena entre duas mdias com varincias estimadas
Desenvolvendo-se da forma vista anteriormente para uma mdia, obtm a estimativa por
intervalo em nvel 1- de confiana a seguir:

P{( x1 x2 ) t /2 sm2 1 2 ( x1 x2 ) + t /2 s m2 } = 1
2

onde: sm a estimativa da varincia da diferena entre as estimativas de duas mdias, isto ,

s 2m = [ ( p 1 s12 + p 2 s 22 ) / p][1 / n 1 + 1 / n 2 ] em que p1=n1-1; p2=n2-1 para p=p1+p2 graus de liberdade e a suposio de que as varincias das duas amostras sejam homogneas.
2

Nota: s1 = estimativa da varincia da populao 1 com n1 observaes e s2 = estimativa da

varincia da populao 2 com n2 observaes.
Exemplo: A populao de soja A, com uma amostra de 21 plantas, teve uma estimativa de mdia igual a 60cm de altura e varincia igual a 55 e, a populao B, com uma amostra de
26 plantas, teve uma estimativa da mdia igual a 77cm e varincia igual a 60. Obter a estimativa por intervalo a 95% para a diferena de altura das duas populaes.
- Teste de hiptese para a diferena entre duas mdias com varincias estimadas
Seja a hiptese nula H0:1 =2 ou 1-2 =0 e a hiptese alternativa H1: 12. A estimativa

__ _ _
=
t
(
X 1 X 2 ) / s2m , com p=p1+p2 graus de liberdade comparada com os valoda estatstica
res da Tabela de t em nvel de erro. Se |t| > t/2 rejeita-se a hiptese H0 em favor da hiptese
alternativa bilateral.
Antes de aplicar o teste de hiptese para comparao de duas mdias, deve-se testar a
2

hiptese H0:1 =2 de que as varincias das duas amostras na populao so iguais.

38

Exemplo: A populao de soja A, com uma amostra de 21 plantas, teve uma estimativa de mdia igual a 60cm de altura e varincia igual a 55 e, a populao B, com uma amostra de
26 plantas, teve uma estimativa da mdia igual a 77cm e varincia igual a 60. Verificar se
a populao B maior do que a populao A.

- Distribuio de F
Sendo Vp =
o F =

(n1 1)s12
(n2 1)s 22
2

 2q independentes, ento a transforma
=
Vq
e
p
2
2

Vp / p
F
isto , F tem distribuio de F com parmetros p e q graus de liberdade
Vq / q ( p ,q )

(p=n1-1 e q=n2-1), cuja funo densidade de probabilidades

f ( F; p, q ) = [( p / 2; q / 2)]1 ( p / q ) p / 2 F ( p / 2 ) 1 (1 + pF / q) ( p+ q )/ 2 , F>0
Nota: F(1,q) = tq2 e F(p,q) = F(q,p)-1
f
F(4;16)
Ho
H1

1-

Ft = F
(4;16)
Figura 3. Distribuio de F com 4 graus de liberdade do numerador e
16 graus de liberdade do denominador.
A fdp desta distribuio depende, ento, apenas dos parmetros p e q podendo ser tabelado com diferentes nveis de probabilidade. Ver Tabela F, =1% e =5%, em anexo. Seja p o
2

grau de liberdade da estimativa da varincia do numerador (Sp ) e q do denominador (Sq ),

2

ento a estatstica F calculada como sendo F = Sp /Sq . Na prtica, para facilitar a deciso do
teste de hiptese, costuma-se tomar a maior varincia como numerador. A deciso de rejeitar
H0 , ento, tomada se "F > F(p,q)" isto , se F calculado for maior que o F tabelado em nvel
de erro com p e q graus de liberdade. Neste caso, conclui-se que as varincias so heterocedsticas (heterogneas) e, ento, deve-se proceder uma modificao, na estimativa da estatstica t do teste para comparar duas mdias e no valor da tabela de t.
2

Existem ainda, inmeras outras aplicaes para as distribuies de Z, , t e F que o leitor poder encontrar em textos especficos citados na bibliografia recomendada. Destaca-se o
2

teste de Bartlett (Steel & Torrie, 1960) para testar a homogeneidade de duas ou mais vari2

ncias ou seja, testar a hiptese Ho:1 =2 =3 =4 ... Todas estas aplicaes dependem de
que X, a varivel observada, seja normalmente distribuda. Quando isto no ocorre os testes

39

no so exatos - so aproximados. Em geral, mdias provenientes de variveis de qualquer

distribuio (discreta ou contnua) tendem a distribuio normal quando o tamanho da amostra
for relativamente grande. Este tamanho, em geral, depende do tipo de distribuio da varivel
e da preciso dos dados.
Exerccio 32. Os resultados da altura (cm) de plantas em duas cultivares de sorgo foram os
seguintes:
Cultivar 1

114

108

104

116

117

127

106

122

112

118 130 105

Cultivar 2

88

76

87

89

106

85

65

120

70

98

92

a) Obter as estimativas por ponto para a mdia e varincia das cultivares 1 e 2;

b) Obter a estimativa por intervalo, a 95% de confiana, para a mdia da cultivar 1;
c) Obter a estimativa por intervalo, a 90% de confiana, para varincia da cultivar 2;
d) Testar a hiptese de que a mdia da cultivar 2 no menor do que 100 (teste unilateral
esquerda), erro de 1%;
e) Testar a hiptese de que a mdia da cultivar 1 no difere de 90 (teste bilateral), erro de 5%;
f) Testar a hiptese de que a mdia da cultivar 1 no difere da mdia da cultivar 2, erro de 5%;
g) Testar a hiptese de que a varincia da cultivar 1 no difere da varincia da cultivar 2, a 5%
de erro;
h) Calcular o nmero de observaes necessrias na cultivar 1, para que toda a diferena maior do que 4,0% seja significativo a 5% de erro num teste unilateral esquerda;
i) Calcular o nmero de observaes necessrias na cultivar 2, para que toda a diferena maior
do que 8,0% seja significativo a 1% de erro num teste bilateral;
j) Calcular o nmero de observaes necessrias em cada uma das duas cultivares (partes
iguais), em nvel de 5% de erro e para que toda a diferena entre as duas cultivares
maior do que 5,0% da mdia seja significativa.
Soluo:
a)

b)

Cultivar

Mdia

Varincia

114,92

72,08

88,73

246,62

IC[ 1 ]0,95 : P (114,92 2,201 72,08 / 12 ) = P(109,5 1 120,3) = 0,95

c) P (

10 * 246,62
10 * 246,62
) = P (134,7 22 625,94) = 0,90
22
18,307
3,940

d) H0: 2=100 H1: 2<100

= P(T< -2,764) = 0,01

valor de t tabelado em nvel de 1% de probabilidade de erro e 10

graus de liberdade igual a 2,764;

40

88,73 100

tc =

246,62 / 11

= 2,38 um valor maior que o valor tabelado e, por isto, no rejeitamos

a hiptese nula H0, isto , a mdia da cultivar 2 no menor do que 100.

e) H0: 1=90

H1: 1 90

= P(T> 2,201) = 0,025

valor de t tabelado em nvel de 5% de probabilidade de erro e 11



graus de liberdade igual a 2,201;

tc =

114,92 90
72,08 / 12

= 10,17 um valor maior que o valor tabelado e, por isto, rejeita-

mos a hiptese nula, isto , a mdia da cultivar 1 difere de 90 em nvel de 5% de

probabilidade de erro.
f) H0: 1=2

H1: 1 2

= P(T> 2,080) = 0,025



valor de t tabelado em nvel de 5% de probabilidade de erro e 21

graus de liberdade igual a 2,080;

sm2 =

11 * 72,08 + 10 * 246,62 1
1
+
12 11 = 27,04
11 + 10

tc =

114,92 88,73
= 5,036 um valor maior que o valor tabelado e, por isto, rejei27,04

tamos a hiptese nula, isto , a mdia da cultivar 1 difere da mdia da cultivar 2 em

nvel de 5% de probabilidade de erro.
g)

H 0 : 12 = 22

H 0 : 12 > 22

Ft = F5%(10;11) = 2,85

Fc = 246,62 / 72,08 = 3,42

Como o valor de F calculado maior do que o valor tabelado, conclumos

que as varincias das duas cultivares so heterogneas em nvel de 5% de probabilidade de erro.
h) D = 4%; CV =

Para n0 = 12

t = t5%(11) = 1,796


Para n1 = 11

100 * 72,08
= 7,38 ;
114,92

t = t5%(10) = 1,812

amostra n=11.

i) D = 8%; CV =

n1 =

100 * 246,62
= 17,69 ;
88,73

(1,796) 2 * (7,38) 2
= 10,9 11
( 4) 2

n2 =

(1,812) 2 * (7,38) 2
= 11,2 11 e o tamanho da
(4) 2

41

Para n0 = 11

t = t1%(10) = 3,169


Para n1 = 49

t = t1%(48) = 2,682


Para n2 = 35

t = t1%(34) = 2,728


Para n3 = 36


t = t1%(35) = 2,723

n1 =

(3,169) 2 * (17,69) 2
= 49
(8) 2

n2 =

(2,682) 2 * (17,6) 2
= 35
(8)2

n3 =

(2,728) 2 * (17,6) 2
= 36
(8) 2

n4 =

(2,723) 2 * (17,6) 2
= 36 e o tamanho da amostra
(8) 2

n=36

s2 =

j) D=5%;

CV =

11 * 72,08 + 10 * 246,62
x + x2 114,92 + 88,73
= 155,19 ; x = 1
=
= 101,82
11 + 10
2
2

100 * 155,19
= 12,2
101,82

Para n0 = 20, ou seja 10 para cada cultivar, temos GL=2(10-1)=18 e t5%(18)= 2,101
e
n1 =

2 * (2,101) 2 * (12,2) 2
= 52
(5) 2

Para n1 = 52, ou seja 26 para cada cultivar, temos GL=2(26-1)=50 e t5%(50)= 2,009
e
n2 =

2 * (2,009) 2 * (12,2) 2
= 48
(5) 2

Para n2 = 48, ou seja 24 para cada cultivar, temos GL=2(24-1)=46 e t5%(46)= 2,013
e
n3 =

2 * ( 2,013) 2 * (12,2) 2
= 48
(5) 2

cada cultivar.

o tamanho da amostra deve ser de 24 para

42

7 BIBLIOGRAFIA

FONSECA, J.S., MARTINS, G.A. Curso de estatstica. 5.ed., So Paulo: Editora Atlas, 1994,
317p.
MEYER, P.L. Probabilidade - Aplicao estatstica 2.ed., Rio de Janeiro: Livros Tcnicos e
Cientficos, 1983.
MOOD, A.M., GREYBILL, F.A., BOES, D.C. Introdution to the theory of statistics. 3.ed.,
New York: McGraw-Hill, 1974.
STEEL, R.G.D., TORRIE, J.H. Principles and procedures of statistics. Nova York: McGrawHill, 1960. 481p.

43

8 - ANEXOS

44
DERIVADAS
y = xm

y = m.xm-1 ;


y = a.xm

y=x

y = am.xm-1 ; y = c


U=f(x) e v=f(x) ento y = u+v

y = 1
y = 0

y= u+ v


y = u.v
y = u/v
y = um

y = (1/x).loga e


y = loge x
y = loga u

y = 1/x


y = (u/u).loga e


y = ax.ln(a)


y = au
y = ex

y= (v.u-u.v)/v2

y = u/ { n.(un-1)1/n }


y = loga x

y = ax

y = m.um-1.u


y = u1/n

y`=u.v + v.u


y = au.u.ln(a)


y= ex ; y = e-x


y = -e-x
Integrais

dx = x + c
xm dx = xm+1 / (m+1)
x-1 dx = ln x + c
ex dx = ex + c
ax dx = ax / ln(a) + c

45

Tabela Z - Contm as probabilidades P(Zz) da distribuio normal padro.

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

0,4960

0,4920

0,4880

0,4840

0,4801

0,4761

0,4721

0,4681

0,4641

0,1

0,4602

0,4562

0,4522

0,4483

0,4443

0,4404

0,4364

0,4325

0,4286

0,4247

0,2

0,4207

0,4168

0,4129

0,4090

0,4052

0,4013

0,3974

0,3936

0,3897

0,3859

0,3

0,3821

0,3783

0,3745

0,3707

0,3669

0,3632

0,3594

0,3557

0,3520

0,3483

0,4

0,3446

0,3409

0,3372

0,3336

0,3300

0,3264

0,3228

0,3192

0,3156

0,3121

0,5

0,3085

0,3050

0,3015

0,2981

0,2946

0,2912

0,2877

0,2843

0,2810

0,2776

0,6

0,2743

0,2709

0,2676

0,2643

0,2611

0,2578

0,2546

0,2514

0,2483

0,2451

0,7

0,2420

0,2389

0,2358

0,2327

0,2296

0,2266

0,2236

0,2206

0,2177

0,2148

0,8

0,2119

0,2090

0,2061

0,2033

0,2005

0,1977

0,1949

0,1922

0,1894

0,1867

0,9

0,1841

0,1814

0,1788

0,1762

0,1736

0,1711

0,1685

0,1660

0,1635

0,1611

1,0

0,1587

0,1562

0,1539

0,1515

0,1492

0,1469

0,1446

0,1423

0,1401

0,1379

1,1

0,1357

0,1335

0,1314

0,1292

0,1271

0,1251

0,1230

0,1210

0,1190

0,1170

1,2

0,1151

0,1131

0,1112

0,1093

0,1075

0,1056

0,1038

0,1020

0,1003

0,0985

1,3

0,0968

0,0951

0,0934

0,0918

0,0901

0,0885

0,0869

0,0853

0,0838

0,0823

1,4

0,0808

0,0793

0,0778

0,0764

0,0749

0,0735

0,0721

0,0708

0,0694

0,0681

1,5

0,0668

0,0655

0,0643

0,0630

0,0618

0,0606

0,0594

0,0582

0,0571

0,0559

1,6

0,0548

0,0537

0,0526

0,0516

0,0505

0,0495

0,0485

0,0475

0,0465

0,0455

1,7

0,0446

0,0436

0,0427

0,0418

0,0409

0,0401

0,0392

0,0384

0,0375

0,0367

1,8

0,0359

0,0351

0,0344

0,0336

0,0329

0,0322

0,0314

0,0307

0,0301

0,0294

1,9

0,0287

0,0281

0,0274

0,0268

0,0262

0,0256

0,0250

0,0244

0,0239

0,0233

2,0

0,0228

0,0222

0,0217

0,0212

0,0207

0,0202

0,0197

0,0192

0,0188

0,0183

2,1

0,0179

0,0174

0,0170

0,0166

0,0162

0,0158

0,0154

0,0150

0,0146

0,0143

2,2

0,0139

0,0136

0,0132

0,0129

0,0125

0,0122

0,0119

0,0116

0,0113

0,0110

2,3

0,0107

0,0104

0,0102

0,0099

0,0096

0,0094

0,0091

0,0089

0,0087

0,0084

2,4

0,0082

0,0080

0,0078

0,0075

0,0073

0,0071

0,0069

0,0068

0,0066

0,0064

2,5

0,0062

0,0060

0,0059

0,0057

0,0055

0,0054

0,0052

0,0051

0,0049

0,0048

2,6

0,0047

0,0045

0,0044

0,0043

0,0041

0,0040

0,0039

0,0038

0,0037

0,0036

2,7

0,0035

0,0034

0,0033

0,0032

0,0031

0,0030

0,0029

0,0028

0,0027

0,0026

2,8

0,0026

0,0025

0,0024

0,0023

0,0023

0,0022

0,0021

0,0021

0,0020

0,0019

2,9

0,0019

0,0018

0,0018

0,0017

0,0016

0,0016

0,0015

0,0015

0,0014

0,0014

3,0

0,0013

0,0013

0,0013

0,0012

0,0012

0,0011

0,0011

0,0011

0,0010

0,0010

Nota: Tabela extrada do Software SOC/Embrapa/Campinas, SP.

46

Tabela t - Contm os valores tericos da distribuio de t para GL graus de liberdade com os nveis
para testes uni e bilaterais.
bi
=1%
=2%
=2,5%
=5%
=10%
=20%
GL
uni
=0,5%
=1%
=1,25%
=2,5%
=5%
=10%
1
63,657
31,821
25,452
12,706
6,314
3,078
2
9,925
6,965
6,205
4,303
2,920
1,886
3
5,841
4,541
4,177
3,182
2,353
1,638
4
4,604
3,747
3,495
2,776
2,132
1,533
5
4,032
3,365
3,163
2,571
2,015
1,476
6
3,707
3,143
2,969
2,447
1,943
1,440
7
3,499
2,998
2,841
2,365
1,895
1,415
8
3,355
2,896
2,752
2,306
1,860
1,397
9
3,250
2,821
2,685
2,262
1,833
1,383
10
3,169
2,764
2,634
2,228
1,812
1,372
11
3,106
2,718
2,593
2,201
1,796
1,363
12
3,055
2,681
2,560
2,179
1,782
1,356
13
3,012
2,650
2,533
2,160
1,771
1,350
14
2,977
2,624
2,510
2,145
1,761
1,345
15
2,947
2,602
2,490
2,131
1,753
1,341
16
2,921
2,583
2,473
2,120
1,746
1,337
17
2,898
2,567
2,458
2,110
1,740
1,333
18
2,878
2,552
2,445
2,101
1,734
1,330
19
2,861
2,539
2,433
2,093
1,729
1,328
20
2,845
2,528
2,423
2,086
1,725
1,325
21
2,831
2,518
2,414
2,080
1,721
1,323
22
2,819
2,508
2,405
2,074
1,717
1,321
23
2,807
2,500
2,398
2,069
1,714
1,319
24
2,797
2,492
2,391
2,064
1,711
1,318
25
2,787
2,485
2,385
2,060
1,708
1,316
26
2,779
2,479
2,379
2,056
1,706
1,315
27
2,771
2,473
2,373
2,052
1,703
1,314
28
2,763
2,467
2,368
2,048
1,701
1,313
29
2,756
2,462
2,364
2,045
1,699
1,311
30
2,750
2,457
2,360
2,042
1,697
1,310
32
2,738
2,449
2,352
2,037
1,694
1,309
34
2,728
2,441
2,345
2,032
1,691
1,307
36
2,719
2,434
2,339
2,028
1,688
1,306
38
2,712
2,429
2,334
2,024
1,686
1,304
40
2,704
2,423
2,329
2,021
1,684
1,303
44
2,692
2,414
2,321
2,015
1,680
1,301
48
2,682
2,407
2,314
2,011
1,677
1,299
50
2,678
2,403
2,311
2,009
1,676
1,299
55
2,668
2,396
2,304
2,004
1,673
1,297
60
2,660
2,390
2,299
2,000
1,671
1,296
70
2,648
2,381
2,291
1,994
1,667
1,294
80
2,639
2,374
2,284
1,990
1,664
1,292
100
2,626
2,364
2,276
1,984
1,660
1,290
120
2,617
2,358
2,270
1,980
1,658
1,289
160
2,617
2,358
2,270
1,980
1,658
1,289
Nota: Tabela extrada do Software SOC/EMBRAPA/Campinas, SP.

47

Tabela - Contm os valores tericos () da distribuio 2 (qui-quadrado) para GL graus de liberdade,

com os nveis especificados.
P[X>]=
GL
0,990
0,975
0,950
0,900
0,100
0,050
0,025
0,01
1
0,000
0,001
0,004
0,016
2,706
3,841
5,024
6,635
2
0,020
0,050
0,100
0,200
4,605
5,991
7,378
9,210
3
0,112
0,207
0,328
0,584
6,251
7,815
9,348
11,345
4
0,283
0,447
0,711
1,064
7,779
9,488
11,143
13,277
5
0,512
0,831
1,145
1,610
9,236
11,070
12,833
15,086
6
0,872
1,237
1,635
2,204
10,645
12,592
14,449
16,812
7
1,239
1,690
2,167
2,833
12,017
14,067
16,013
18,475
8
1,646
2,180
2,733
3,490
13,362
15,507
17,535
20,090
9
2,088
2,700
3,325
4,168
14,684
16,919
19,023
21,666
10
2,558
3,247
3,940
4,865
15,987
18,307
20,483
23,209
11
3,053
3,816
4,575
5,578
17,275
19,675
21,920
24,725
12
3,571
4,404
5,226
6,304
18,549
21,026
23,337
26,217
13
4,107
5,009
5,892
7,042
19,812
22,362
24,736
27,688
14
4,660
5,629
6,571
7,790
21,064
23,685
26,119
29,141
15
5,229
6,262
7,261
8,547
22,307
24,996
27,488
30,578
16
5,812
6,908
7,962
9,312
23,542
26,296
28,845
32,000
17
6,408
7,564
8,672
10,085
24,769
27,587
30,191
33,409
18
7,015
8,231
9,390
10,865
25,989
28,869
31,526
34,805
19
7,633
8,907
10,117
11,651
27,204
30,144
32,852
36,191
20
8,260
9,591
10,851
12,443
28,412
31,410
34,170
37,566
21
8,897
10,283
11,591
13,240
29,615
32,671
35,479
38,932
22
9,542
10,982
12,338
14,041
30,813
33,924
36,781
40,289
23
10,196
11,689
13,091
14,848
32,007
35,172
38,076
41,638
24
10,856
12,401
13,848
15,659
33,196
36,415
39,364
42,980
25
11,524
13,120
14,611
16,473
34,382
37,652
40,646
44,314
26
12,198
13,844
15,379
17,292
35,563
38,885
41,923
45,642
27
12,879
14,573
16,151
18,114
36,741
40,113
43,195
46,963
28
13,565
15,308
16,928
18,939
37,916
41,337
44,461
48,278
29
14,256
16,047
17,708
19,768
39,087
42,557
45,722
49,588
30
14,953
16,791
18,493
20,599
40,256
43,773
46,979
50,892
32
16,362
18,291
20,072
22,271
42,585
46,194
49,480
53,486
34
17,789
19,806
21,664
23,952
44,903
48,602
51,966
56,061
36
19,233
21,336
23,269
25,643
47,212
50,998
54,437
58,619
38
20,691
22,878
24,884
27,343
49,513
53,384
56,896
61,162
40
22,164
24,433
26,509
29,051
51,805
55,758
59,342
63,691
44
25,148
27,575
29,787
32,487
56,369
60,481
64,201
68,710
47
27,416
29,956
32,268
35,081
59,774
64,001
67,821
72,443
50
29,707
32,357
34,764
37,689
63,167
67,505
71,420
76,154
55
33,570
36,398
38,958
42,060
68,796
73,311
77,380
82,292
60
37,485
40,482
43,188
46,459
74,397
79,082
83,298
88,379
70
45,442
48,758
51,739
55,329
85,527
90,531
95,023
100,42
80
53,540
57,153
60,391
64,278
96,578
101,88
106,63
112,33
90
61,754
65,647
69,126
73,291
107,56
113,14
118,14
124,12
100
70,065
74,222
77,929
82,358
118,50
124,34
129,56
135,81
120
86,923
91,573
95,705
100,62
140,23
146,57
152,21
158,95
140
104,03
109,14
113,66
119,03
161,83
168,61
174,65
186,39
160
121,35
126,87
131,76
137,55
183,31
190,52
196,91
204,53
Nota: Tabela extrada do Software SOC/EMBRAPA/Campinas, SP.

48

Tabela F - Contm os valores tericos (f) da distribuio de F(n;m) em que P(F>f) =5%, para n graus de
liberdade do numerador e m graus de liberdade do denominador.
n = graus de liberdade do numerador
m
1
2
3
4
5
6
7
8
9
10
1
161,4
199,5
215,7
224,6
230,2
234,0
236,8
238,9
240,5
241,9
2
18,51
19,00
19,16
19,25
19,30
19,33
19,35
19,37
19,38
19,40
3
10,13
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,81
8,79
4
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
6,00
5,96
5
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,77
4,74
6
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,10
4,06
7
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,68
3,64
8
5,32
4,46
4,07
3,84
3,69
3,58
3,50
3,44
3,39
3,35
9
5,12
4,26
3,86
3,63
3,48
3,37
3,29
3,23
3,18
3,14
10
4,96
4,10
3,71
3,48
3,33
3,22
3,14
3,07
3,02
2,98
11
4,84
3,98
3,59
3,36
3,20
3,09
3,01
2,95
2,90
2,85
12
4,75
3,89
3,49
3,26
3,11
3,00
2,91
2,85
2,80
2,75
13
4,67
3,81
3,41
3,18
3,03
2,92
2,83
2,77
2,71
2,67
14
4,60
3,74
3,34
3,11
2,96
2,85
2,76
2,70
2,65
2,60
15
4,54
3,68
3,29
3,06
2,90
2,79
2,71
2,64
2,59
2,54
16
4,49
3,63
3,24
3,01
2,85
2,74
2,66
2,59
2,54
2,49
17
4,45
3,59
3,20
2,96
2,81
2,70
2,61
2,55
2,49
2,45
18
4,41
3,55
3,16
2,93
2,77
2,66
2,58
2,51
2,46
2,41
19
4,38
3,52
3,13
2,90
2,74
2,63
2,54
2,48
2,42
2,38
20
4,35
3,49
3,10
2,87
2,71
2,60
2,51
2,45
2,39
2,35
21
4,32
3,47
3,07
2,84
2,68
2,57
2,49
2,42
2,37
2,32
22
4,30
3,44
3,05
2,82
2,66
2,55
2,46
2,40
2,34
2,30
23
4,28
3,42
3,03
2,80
2,64
2,53
2,44
2,37
2,32
2,27
24
4,26
3,40
3,01
2,78
2,62
2,51
2,42
2,36
2,30
2,25
25
4,24
3,39
2,99
2,76
2,60
2,49
2,40
2,34
2,28
2,24
26
4,23
3,37
2,98
2,74
2,59
2,47
2,39
2,32
2,27
2,22
27
4,21
3,35
2,96
2,73
2,57
2,46
2,37
2,31
2,25
2,20
28
4,20
3,34
2,95
2,71
2,56
2,45
2,36
2,29
2,24
2,19
29
4,18
3,33
2,93
2,70
2,55
2,43
2,35
2,28
2,22
2,18
30
4,17
3,32
2,92
2,69
2,53
2,42
2,33
2,27
2,21
2,16
32
4,15
3,29
2,90
2,67
2,51
2,40
2,31
2,24
2,19
2,14
34
4,13
3,28
2,88
2,65
2,49
2,38
2,29
2,23
2,17
2,12
38
4,10
3,24
2,85
2,62
2,46
2,35
2,26
2,19
2,14
2,09
40
4,08
3,23
2,84
2,61
2,45
2,34
2,25
2,18
2,12
2,08
44
4,06
3,21
2,82
2,58
2,43
2,31
2,23
2,16
2,10
2,05
50
4,03
3,18
2,79
2,56
2,40
2,29
2,20
2,13
2,07
2,03
60
4,00
3,15
2,76
2,53
2,37
2,25
2,17
2,10
2,04
1,99
70
3,98
3,13
2,74
2,50
2,35
2,23
2,14
2,07
2,02
1,97
80
3,96
3,11
2,72
2,49
2,33
2,21
2,13
2,06
2,00
1,95
90
3,95
3,10
2,71
2,47
2,32
2,20
2,11
2,04
1,99
1,94
100
3,94
3,09
2,70
2,46
2,31
2,19
2,10
2,03
1,97
1,93
110
3,93
3,08
2,69
2,45
2,30
2,18
2,09
2,02
1,97
1,92
120
3,92
3,07
2,68
2,45
2,29
2,18
2,09
2,02
1,96
1,91
continua . . .

49

Tabela F - Contm os valores tericos (f) da distribuio de F(n;m) em que P(F>f) =5%, para n graus de
liberdade do numerador e m graus de liberdade do denominador.
. . . continuao
n = graus de liberdade do numerador
m
11
12
13
14
15
17
20
26
40
60
1
243,0
243,9
244,7
245,4
245,9
246,9
248,0
249,4
251,1
252,2
2
19,40
19,41
19,42
19,42
19,43
19,44
19,45
19,46
19,47
19,48
3
8,76
8,74
8,73
8,71
8,70
8,68
8,66
8,63
8,59
8,57
4
5,94
5,91
5,89
5,87
5,86
5,83
5,80
5,76
5,72
5,69
5
4,70
4,68
4,66
4,64
4,62
4,59
4,56
4,52
4,46
4,43
6
4,03
4,00
3,98
3,96
3,94
3,91
3,87
3,83
3,77
3,74
7
3,60
3,57
3,55
3,53
3,51
3,48
3,44
3,40
3,34
3,30
8
3,31
3,28
3,26
3,24
3,22
3,19
3,15
3,10
3,04
3,01
9
3,10
3,07
3,05
3,03
3,01
2,97
2,94
2,89
2,83
2,79
10
2,94
2,91
2,89
2,86
2,85
2,81
2,77
2,72
2,66
2,62
11
2,82
2,79
2,76
2,74
2,72
2,69
2,65
2,59
2,53
2,49
12
2,72
2,69
2,66
2,64
2,62
2,58
2,54
2,49
2,43
2,38
13
2,63
2,60
2,58
2,55
2,53
2,50
2,46
2,41
2,34
2,30
14
2,57
2,53
2,51
2,48
2,46
2,43
2,39
2,33
2,27
2,22
15
2,51
2,48
2,45
2,42
2,40
2,37
2,33
2,27
2,20
2,16
16
2,46
2,42
2,40
2,37
2,35
2,32
2,28
2,22
2,15
2,11
17
2,41
2,38
2,35
2,33
2,31
2,27
2,23
2,17
2,10
2,06
18
2,37
2,34
2,31
2,29
2,27
2,23
2,19
2,13
2,06
2,02
19
2,34
2,31
2,28
2,26
2,23
2,20
2,16
2,10
2,03
1,98
20
2,31
2,28
2,25
2,22
2,20
2,17
2,12
2,07
1,99
1,95
21
2,28
2,25
2,22
2,20
2,18
2,14
2,10
2,04
1,96
1,92
22
2,26
2,23
2,20
2,17
2,15
2,11
2,07
2,01
1,94
1,89
23
2,24
2,20
2,18
2,15
2,13
2,09
2,05
1,99
1,91
1,86
24
2,22
2,18
2,15
2,13
2,11
2,07
2,03
1,97
1,89
1,84
25
2,20
2,16
2,14
2,11
2,09
2,05
2,01
1,95
1,87
1,82
26
2,18
2,15
2,12
2,09
2,07
2,03
1,99
1,93
1,85
1,80
27
2,17
2,13
2,10
2,08
2,06
2,02
1,97
1,91
1,84
1,79
28
2,15
2,12
2,09
2,06
2,04
2,00
1,96
1,90
1,82
1,77
29
2,14
2,10
2,08
2,05
2,03
1,99
1,94
1,88
1,81
1,75
30
2,13
2,09
2,06
2,04
2,01
1,98
1,93
1,87
1,79
1,74
32
2,10
2,07
2,04
2,01
1,99
1,95
1,91
1,85
1,77
1,71
34
2,08
2,05
2,02
1,99
1,97
1,93
1,89
1,82
1,75
1,69
38
2,05
2,02
1,99
1,96
1,94
1,90
1,85
1,79
1,71
1,65
40
2,04
2,00
1,97
1,95
1,92
1,89
1,84
1,77
1,69
1,64
44
2,01
1,98
1,95
1,92
1,90
1,86
1,81
1,75
1,67
1,61
50
1,99
1,95
1,92
1,89
1,87
1,83
1,78
1,72
1,63
1,58
60
1,95
1,92
1,89
1,86
1,84
1,80
1,75
1,68
1,59
1,53
70
1,93
1,89
1,86
1,84
1,81
1,77
1,72
1,65
1,57
1,50
80
1,91
1,88
1,84
1,82
1,79
1,75
1,70
1,63
1,54
1,48
90
1,90
1,86
1,83
1,80
1,78
1,74
1,69
1,62
1,53
1,46
100
1,89
1,85
1,82
1,79
1,77
1,73
1,68
1,61
1,52
1,45
110
1,88
1,84
1,81
1,78
1,76
1,72
1,67
1,60
1,50
1,44
120
1,87
1,83
1,80
1,78
1,75
1,71
1,66
1,59
1,50
1,43
Nota: Tabela extrada do Software SOC/EMBRAPA/Campinas, SP.