Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Conceitos básicos: Variável Aleatória Variável aleatória (v.a.)Æ valor numérico que é resultado de uma experiência aleatória. Podemos ter variáveis aleatórias contínuas ou discretas. Exemplo 1: Suponha que lança duas moedas e regista a face voltada para cima. Esta experiência aleatória tem 4 resultados possíveis: Cara-Cara; Cara-Coroa; Coroa-Cara e Coroa-Coroa. Seja X a variável aleatória que representa o número de caras obtidas. Esta variável pode tomar os valores 0, 1, ou 2; é uma variável aleatória discreta. 1 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Exemplo 2: O Departamento de Recursos Humanos de uma determinada empresa está a fazer um estudo no qual interessa analisar o rendimento mensal per capita do agregado familiar dos seus empregados. O rendimento mensal per capita do agregado familiar de um empregado escolhido ao acaso, X, é uma v.a. contínua. Outros exemplos: ¾ peso de um indivíduo, em kg Æ v.a. contínua. ¾ nº de vezes que um indivíduo vai ao cinema mensalmente Æ v.a. discreta 2 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição de Frequências vs. Distribuição de Probabilidades Distribuição de Frequências No contexto do Exemplo 1, suponha que se lançaram 100 vezes as duas moedas, tendo-se obtido os seguintes resultados: Frequência relativa Freq. relativa acumulada 26 0.26 0.26 1 50 0.50 0.76 2 24 0.24 1 Número de caras Frequência absoluta 0 A tabela anterior descreve a distribuição de frequências do nº de caras obtidas por cada lançamento de duas moedas, em 100 lançamentos. 3 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Podemos calcular a média, x , e a variância, s2, do nº de caras obtidas por lançamento: x = 0.26 × 0 + 0.5 × 1 + 0.24 × 2 = 0.98 ( ) 1 1 ⎛n 2 2⎞ n x n x = 26 × 0 2 + 50 × 12 + 24 × 2 2 − 100 × 0.98 2 = 0.505 − s = ⎜∑ i i ⎟ n − 1 ⎝ i =1 ⎠ 99 2 Considere-se agora o Exemplo 2 e suponhamos que foram seleccionados ao acaso 100 empregados que constituem a amostra em estudo. Os dados recolhidos relativamente ao rendimento mensal per capita do agregado familiar desses 100 empregados estão sumariados na tabela seguinte. 4 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Frequência relativa Freq. relativa acumulada 15 0.15 0.15 [300, 600[ 40 0.4 0.55 [600, 900[ 32 0.32 0.87 [900, 2000[ 13 0.13 1 Rendimento (em Euros) Frequência absoluta [100, 300[ A tabela anterior descreve a distribuição de frequências do rendimento mensal per capita do agregado familiar dos 100 empregados. Calcule-se a média e o desvio padrão desta amostra: x= 200 × 15 + 450 × 40 + 750 × 32 + 1450 × 13 = 638.5 100 1 1 ⎛n 2 2⎞ ( s= 200 2 × 15 + L + 1450 2 × 13 − 100 × 638.5 2 ) = 366.04 ⎜ ∑ ni x i − nx ⎟ = ⎠ n − 1 ⎝ i =1 99 5 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição de Probabilidades Nos exemplos anteriores, foram registadas as frequências observadas num estudo onde a v.a. em causa é observada um nº finito, n, de vezes (no caso n=100). A distribuição de probabilidades da v.a. X descreve o que se esperaria encontrar se fosse possível observar a v.a. um nº infinito de vezes. 6 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição de probabilidades discreta Relacionando cada valor da variável aleatória discreta X com a probabilidade de ocorrência desse valor, estamos a descrever a distribuição de probabilidades da v.a. discreta X. Exemplo 1: Distribuição de probabilidades da v.a. nº de caras obtidas no lançamento de duas moedas Número de caras xi Probabilidade P(X=xi) 0 0.25 1 0.50 2 0.25 7 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Neste caso, a média e a variância são usualmente representados por µ e σ2 e são calculados usando as probabilidades, da seguinte maneira: µ = 0.25 × 0 + 0.5 × 1 + 0.25 × 2 = 1 σ 2 = 0.25 × 0 2 + 0.50 × 12 + 0.25 × 2 2 − 12 = 0.5 A distribuição de probabilidades pode ainda ser descrita através da chamada função de distribuição cumulativa F(x), que, para cada x, nos dá a probabilidade da v.a. assumir um valor inferior ou igual a x: F(x)=P(X≤x) Æ probabilidade acumulada até x 8 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Para a v.a. do Exemplo 1, podemos completar a tabela introduzindo os valores das probabilidades acumuladas até 0, 1 e 2, isto é, apresentando os valores de F(x1), F(x2) e F(x3). Número de caras xi Probabilidade P(X=xi) F(xi) 0 0.25 0.25 1 0.50 0.75 2 0.25 1 9 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição de probabilidades contínua A probabilidade de uma variável aleatória continua tomar um valor particular é zero (recorde que teoricamente uma v.a. contínua pode tomar um nº infinito de valores num intervalo de nº reais, logo, é evidente que a probabilidade de ela assumir um valor particular entre um nº infinito será zero). Consequentemente, uma variável aleatória contínua não pode ser expressa na forma tabular; usa-se então uma função para a exprimir. Uma função muito usada para descrever a distribuição de probabilidades é a função densidade de probabilidade, abreviadamente fdp. Também podemos descrever a distribuição de probabilidades através da função de distribuição cumulativa F(x)=P(X≤x). 10 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Vamos recorrer ao Exemplo 2 para ilustrar a utilidade destas funções. Exemplo 2: Suponhamos que a função densidade de probabilidade da v.a. X - rendimento mensal per capita do agregado familiar de um empregado escolhido ao acaso – é representada graficamente da seguinte maneira: 11 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu ¾ DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos A probabilidade do rendimento familiar per capita de um empregado (escolhido ao acaso) ser inferior ou igual a a corresponde à área limitada (superiormente) pela função densidade, (inferiormente) pelo eixo das abcissas e por a (à direita) [área sombreada]. [área sombreada]=P(X≤a)=F(a) 12 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu ¾ DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos A probabilidade do rendimento familiar per capita de um empregado (escolhido ao acaso) estar compreendido entre dois valores, a e b, corresponde à área limitada (superiormente) pela função densidade, (inferiormente) pelo eixo das abcissas, (à esquerda) por a e (à direita) por b [área sombreada]. [área sombreada]=P(a<X<b)=F(b)-F(a) 13 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Obviamente, a área limitada superiormente pela função densidade e inferiormente pelo eixo das abcissas é igual a 1, pois corresponde à probabilidade de se observar qualquer valor para o rendimento familiar per capita de um empregado (escolhido ao acaso). 14 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Em estudos de inferência estatística, em geral, estuda-se uma característica numa dada população, que é representada por uma v.a., digamos X. Contudo, é através de uma amostra que esta característica é estudada (recorde o Exemplo 2). A distribuição de probabilidades de X é usualmente designada por distribuição populacional. A média e variância desta variável aleatória, µ e σ2, dizem-se parâmetros populacionais, pois são os valores que se encontrariam se fosse possível observar todos os elementos da população. Ao observar uma amostra, temos acesso apenas a uma distribuição de frequências, e à média e variância amostrais, que nos dão uma ideia, respectivamente, da distribuição populacional e da média e variância populacional. 15 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição Binomial A distribuição binomial é a distribuição discreta mais usada na inferência estatística. Prova de Bernoulli Uma experiência aleatória que tem apenas dois resultados possíveis: S≡Sucesso e F≡Fracasso é dita uma Prova de Bernoulli. Notação: p=P(S) e q=P(F)=1-p . 16 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Considere-se agora a seguinte experiência aleatória: • Realizam-se n provas de Bernoulli em idênticas condições; • As provas são independentes, isto é, o resultado de uma prova não tem qualquer efeito no resultado de uma outra; • A probabilidade de sucesso, p, mantém-se inalterada de prova para prova. Seja X o número de sucessos obtidos em n provas de Bernoulli. A variável aleatória X tem distribuição binomial de parâmetros n e p: X~B(n,p). 17 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos A distribuição binomial tem as seguintes propriedades: • tem valor médio µX = n * p • tem variância σ2X = n * p * q P(X=x) = nCx px qn-x, se x= 0, 1, …, n n! é o nº de maneiras diferentes de obter x sucessos em n x!(n − x )! provas de Bernoulli. onde nCx = 18 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Exemplo 1: A experiência aleatória que consiste no lançamento de uma moeda é uma prova de Bernoulli. Lançando duas moedas estamos a realizar duas provas de Bernoulli. Considerando que os dois lançamentos são independentes e que as duas moedas são idênticas e honestas, a v.a. considerada neste exemplo X≡nº de caras obtidas no lançamento de duas moedas tem distribuição Binomial de parâmetros n=2 e p=0.5 X ~ B(2, 0.5). x 0 1 2 P (X=x) 0.25 0.5 0.25 19 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Exemplo 3: Suponhamos que se lança um dado 5 vezes. Qual é a probabilidade de obter 2 quatros? E qual a probabilidade de obter no máximo 2 quatros? Resolução: Seja X a v.a. que representa o número de quatros obtidos em 5 lançamentos de um dado. X ~ B(5, 1/6). As probabilidades pedidas são as seguintes, P(X = 2) = 5C2 (1/6)2 (1-1/6)5-2 =0,1607 F(2)=P(X≤2) = P(X=0) + P (X=1) + P (X= 2) = 0,9645 20 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > Binomdist() Syntax: BINOMDIST(number_s,trials,probability_s,cumulative) Number_s representa o número de sucessos. Trials representa o número de provas. Probability_s representa a probabilidade de Sucesso em cada prova Cumulative toma o valor lógico FALSE (0) ou TRUE (1), consoante a função de que se trata a função de probabilidade [P(X=x)] ou função cumulativa [P(X≤x)] P(X=2) =BINOMDIST(2;5;1/6;0) = 0,1607 F(2)=P(X≤2) = P(X=0) + P (X=1) + P (X= 2) = BINOMDIST(2;5;1/6;1) = 0,9645 21 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição Normal A distribuição normal é uma das mais utilizadas dada a sua importância na modelação de fenómenos. Esta distribuição de probabilidade pertence à classe das distribuições contínuas. A sua função densidade de probabilidade (fdp) é dada por: onde µ é o valor médio e σ > 0 é o desvio-padrão da distribuição. 22 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos O gráfico da fdp normal é a popular curva em forma de sino, conhecida por Curva de Gauss ou Curva Normal. Esta curva depende dos dois parâmetros µ e σ. 23 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Características da Curva de Gauss: ¾ a curva é simétrica relativamente à recta vertical x = µ; ¾ a curva prolonga-se de -∞ a +∞ e nunca toca no eixo das abcissas (este eixo é uma assimptota horizontal) ¾ Aos intervalos (µ-σ,µ+σ), (µ-2σ,µ+2σ) e (µ-3σ,µ+3σ) correspondem , respectivamente, 68.3%, 95.5% e 99.7% da área total sob a curva. 24 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos 25 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Exemplo: Assuma que a corrente eléctrica medida num fio de cobre tem distribuição normal de valor médio 10 Amp e variância 4 Amp2. (a) Calcule a probabilidade da corrente eléctrica medida exceder os 13 Amp. (b) Qual é a probabilidade de a corrente eléctrica medida estar entre os 9 e os 13 Amp? (c) Determine o valor para o qual a probabilidade de a corrente estar abaixo desse valor é de 0,98. Resolução: Seja X a v.a. que representa a corrente eléctrica medida num fio de cobre, em Amp. X~ N (10, 22) 26 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > NORMDIST Syntax: NORMDIST(x,mean,standard_dev,cumulative) x valor de x para o qual pretendemos calcular a probabilidade P(X≤x) Mean valor médio da distribuição Standard_dev Desvio-padrão da distribuição Cumulative Colocar 1 (TRUE) e obtém-se P(X≤x). 27 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu (a) DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos P(X > 13) = = 1 - P(X ≤ 13) = = 1- 0,9332 = = 0,0668 (b) P( 9 ≤ X≤ 13) = = P(X ≤ 13) – P(X < 9) = = P(X ≤ 13) – P(X ≤ 9) = = 0,9332 – 0,3085 = = 0,6247 28 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu (c) DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Pretende-se determinar x tal que P(X ≤ x) = 0,98 No Excel: Insert > Function > NORMINVDIST Syntax: NORMINV(probability,mean,standard_dev) probability P(X ≤ x) Mean valor médio da distribuição Standard_dev Desvio-padrão da distribuição Donde, x =NORMINV(0,98;10;2) = = 14,108 Logo, P(X ≤ 14,108) = 0,98 29 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição Normal Padrão A distribuição normal padrão é um caso particular da distribuição normal em que o valor médio, µ, é igual a 0 e o desvio-padrão, σ, é igual a 1. Uma v.a. X ~ N(µ, σ2) facilmente se transforma numa variável aleatória com distribuição normal padrão. A transformação é a seguinte: Z= X−µ ~ N(0,1) σ A tabela da distribuição normal padrão dá-nos a P(Z ≤ z) (ver tabela). Querendo determinar P(X≤x), basta consultar P(Z ≤ z) com z = (x – µ) / σ. 30 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > NORMSDIST Syntax: NORMSDIST(z) z z é o valor para o qual pretendemos calcular P(Z ≤ z) Utilizando o exemplo anterior, na alínea (a) pretendia-se determinar P(X > 13) com X~N(10, 22): P(X > 13)= P(Z > z) com z = (13 – 10)/2 = 1,5. Donde, P(Z > 1,5)= = 1 - P(Z ≤ 1,5) = = 1 – 0,9332 = 0,0668 31 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Na alínea (c) pretendia-se determinar x tal que P(X ≤ x) = 0,98. Também se pode utilizar a distribuição normal padrão para determinar o valor de x. Determinemos z tal que P(Z≤ z) = 0,98 No Excel: Insert > Function > NORMSINV Syntax: NORMSINV(probability) probability é a P(Z ≤ z) Donde, z = 2,054 e temos que z = (x – µ) / σ. Logo, 2,054 = (x – 10) / 2 ⇔ x = 14,108 32 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição t-student Algumas características da distribuição t-student com n graus de liberdade, (abreviadamente tn): - o gráfico da função densidade de probabilidade da t-student é simétrico em relação ao eixo dos yy (recta x=0); - à medida que n aumenta, n→+∝, a curva da tn aproxima-se da curva normal padrão N(0,1). 33 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos A distribuição tn está tabelada (consulte as probabilidades P(X≤x) com X ∼tn na tabela). No Excel: Insert > Function > TDIST Syntax: TDIST(x,degrees_freedom,tails) x valor para o qual pretendemos calcular a probabilidade Degrees_freedom nº inteiro que indica o nº de graus de liberdade tails Se tails=1 a função dá o valor da probabilidade considerando a área associada apenas a uma cauda [TDIST = P(X>x )= P(X<-x)]. Se tails=2 a função dá o valor da probabilidade da distribuição considerando a área associada às duas caudas [TDIST = P(|X|>x)= P(X<-x ou X>x)]. 34 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Exemplo: Sendo X ~ t25, determine a probabilidade de P(X>2,06). P(X< -2,06) = P(X>2,06) = TDIST(2,06; 25; 1) = 0,025 P(|X|>2,06) = P(X<-2.06) + P(X>2,06) = TDIST(2,06; 25; 2) = 0,05 35 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > TINV Syntax: TINV(probability,degrees_freedom) P(|X| > t) x P(|X| > t) = P(X < -t ou X > t) Degrees_freedom nº inteiro que indica o nº de graus de liberdade = P(X<-t ou X>t) = TINV(0,05; 25) ⇒ t = 2,06 36 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição Qui-quadrado A distribuição Qui-quadrado com k graus de liberdade (abreviadamente χ k2 ) não é simétrica. A distribuição χ k2 está tabelada (consulte as 2 probabilidades P(X≤x) com X ∼ χ k na tabela); 37 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > CHIDIST Syntax: CHIDIST(x,degrees_freedom) x Valor de x (com x>0) para o qual pretendemos calcular a probabilidade P(X > x) Degrees_freedom nº inteiro que indica o nº de graus de liberdade Exemplo: Consideremos que X~ χ220. Determine a probabilidade de P(X>31,41)? P(X>31,41) =CHIDIST(31,41; 20) = = 0,05 38 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > CHIINV Syntax: CHIINV(probability,degrees_freedom) probability P(X > x) Degrees_freedom nº inteiro que indica o nº de graus de liberdade Consideremos que X~ χ215, determine x tal que P(X>x)=0,05? P(X>x)=0,05 ⇒ x =CHIINV(0,05, 15)= = 24,996 39 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos Distribuição F-Snedcor Seja X uma v.a. que tem distribuição F de Snedcor com k1 e k2 graus de liberdade, abreviadamente X∼ Fkk21 ou X∼Fk1, k2. Esta distribuição não é simétrica. Estão disponíveis várias tabelas para esta distribuição (ver, por exemplo, tabela). 40 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > FDIST Syntax: FDIST(x,degrees_freedom1, degrees_freedom2) x Valor de x (com x > 0) para o qual se pretende calcular P(X > x) Degrees_freedom1 nº inteiro que indica o nº de graus de liberdade do numerador Degrees_freedom2 nº inteiro que indica o nº de graus de liberdade do denominador Exemplo: Consideremos que X~ F32. P(X > 1) = = FDIST(1;3;2) = = 0,5352 41 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados Dep. Matemática Escola Superior de Tecnologia de Viseu DISTRIBUIÇÕES DE PROBABILIDADE Conceitos básicos No Excel: Insert > Function > FINV Syntax: FINV(probability,degrees_freedom1,degrees_freedom2) Probability P(X > x) Degrees_freedom1 nº inteiro que indica o nº de graus de liberdade do numerador Degrees_freedom2 nº inteiro que indica o nº de graus de liberdade do denominador Suponhamos que se pretende calcular x tal que P(X>x)=0,95, com X~ F43. Logo x = FINV(0,95; 4; 3) = = 0,1517 42 Carla Henriques e Manuel Reis Tratamento Estatístico de Dados