Estatstica II

UNIVERSIDADE FEDERAL DO PAR

INSTITUTO DE CINCIAS SOCIAIS APLICADAS
FACULDADE DE ECONOMIA
Prof. Dr. Ricardo Bruno Nascimento dos Santos
VARIVEIS ALEATRIAS
CONTNUAS
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Definio: Uma funo X definida pelo espao amostral e
assumindo valores num intervalo de nmeros reais, dita uma
varivel aleatria contnua.
A principal caracterstica de uma v.a. contnua que, sendo
resultado de uma mensurao, o seu valor pode ser pensado como
pertencendo a um intervalo ao redor do valor efetivamente
observado (sempre nosso valor efetivamente observado ser a
mdia).
Podemos ento destacar as diferenas da v.a. discreta e contnua
como sendo:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Exemplos de v.a. contnuas:
- Tempo de resposta de um sistema computacional
- Tempo de vida de uma mquina
- Resistncia de um material
- Oscilao diria em um ndice na bolsa de valores
Alm destas podemos tambm destacar:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
De forma semelhante quela desenvolvida para variveis discretas,
precisamos estabelecer para as contnuas a atribuio de probabilidades s
suas diversas realizaes que, neste caso, podem assumir um nmero
infinito de valores diferentes. Abordamos esta questo atravs do prximo
exemplo.
Exemplo: Estudos anteriores revelam a existncia de um grande lenol
de gua no subsolo de uma grande regio. No entanto, sua profundidade
ainda no foi determinada, sabendo-se apenas que o lenol pode estar
situado em qualquer ponto, entre 20 e 100 metros.
Vamos supor que escolhemos, ao acaso, um ponto nessa regio e
dispomos de uma sonda que, ao fazer a perfurao, detecta com preciso
profundidade do reservatrio de gua. Denotamos por X a varivel
aleatria representando a profundidade.
Notemos que, apesar de X poder ser qualquer nmero entre 20 e 100
metros, o instrumento, com que trabalhamos, pode no ser to preciso
como gostaramos. Por exemplo, uma profundidade de 32,571 metros
poderia ser medida por 32,6 metros.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Vamos assumir que temos um instrumento ideal que no faz
aproximaes. Nessas condies, podemos supor a sonda acoplada a
um instrumento indicador da profundidade e um dispositivo que,
quando a sonda encontrar gua, provoque a imediata interrupo da
perfurao.
Uma vez no que temos informaes adicionais a respeito da
profundidade do lenol, razovel assumirmos que a sonda pode
parar em qualquer ponto entre 20 e 100 metros, sem que tenhamos
motivos para privilegiar essa ou aquela profundidade. Assim,
consideraremos todos os pontos como igualmente provveis. Se
utilizarmos a mesma idia de atribuir a cada possvel ponto uma
probabilidade, teremos uma dificuldade extra, pois eles pertencem a
um intervalo de [20; 100], em que existem infinitos nmeros reais.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Assim, se cada um deles tiver, individualmente, probabilidade
maior que 0, a soma das probabilidades ser igual a infinito e no 1,
como requer a definio da funo de probabilidades. Em geral, em
situaes como esta, no interessante considerar um nico valor
para a varivel aleatria, mas intervalos de valores na atribuio de
probabilidades. Neste caso, sabemos que o espao amostral
corresponde ao intervalo [20; 100] e as profundidades so
igualmente provveis.
Suponha por um momento, que dividimos o espao amostral em 8
intervalos de comprimento 10. Logo, razovel atribuir aos
intervalos a probabilidade 1/8, correspondendo relao entre o
comprimento de cada um deles e o comprimento do espao amostral.
Isto , 10 para 80 ou 1/8.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Assim, como dividimos em 8 faixas de igual comprimento e sem
interseco entre elas, teremos os intervalos [20; 30), [30; 40), ...,
[90; 100] todos com a mesma probabilidade de 1/8, pois todos tem o
mesmo tamanho.
Para construirmos um histograma, podemos supor que 1/8 a
frequncia relativa da ocorrncia de cada um dos intervalos. As
ordenadas do grfico so as densidades, calculadas de modo que a
rea de cada retngulo seja a frequncia relativa (probabilidade) do
intervalo.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Note que, dada as caractersticas do problema, a diviso em 8 intervalos
produziu o mesmo valor de densidade de 1/80 pra todos eles. Se dividirmos
o intervalo [20; 100] em 16 faixas iguais, utilizando o mesmo argumento
anterior, temos que os intervalos [20; 25), [25; 30), ..., [95; 100] tero todos
a mesma probabilidade 1/16. O histograma correspondente ser:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
O histograma mostra que apesar de termos diferentes intervalos, a
densidade permanece a mesma, igual a 1/80.
Podemos continuar esse procedimento aumentando cada vez mais a
quantidade de faixas, com a consequente diminuio de suas amplitudes de
tal forma que, em uma situao terica com infinitos intervalos, temos o
seguinte histograma:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Estamos agora em condies de caracterizar, completamente a
atribuio de probabilidade para o caso contnuo. Ela ser definida
pela rea abaixo de uma funo positiva, denominada de funo de
densidade de probabilidade (fdp). Observe que a densidade em si no
uma probabilidade, mas uma funo matemtica que nos auxilia na
atribuio de probabilidades. Assim, para a varivel aleatria
contnua X representando a profundidade do lenol de gua, a fdp f
dada por:

> <

=
. 100 20 0
; 100 20 80 / 1
) (
x ou x para
x para
x f
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.1 - Introduo
Tendo em vista que, nesse exemplo a funo de densidade
bastante simples, a probabilidade de que a profundidade do lenol
esteja em um dado intervalo pode ser calculada com o uso de rea de
figuras planas. Assim, para obter a probabilidade de uma
profundidade entre 25 e 29, calculamos a rea do retngulo:
e, portanto, P(25 X < 29) =
80
4
80
1
4
80
1
) 25 29 ( = =
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.2 A funo de densidade probabilidade (fdp)
Dizemos que f(x) uma funo contnua de probabilidade ou
funo de densidade de probabilidade para uma varivel aleatria
contnua X, se satisfaz duas condies:
i) 0, para todo ,
ii) Area definida por f(x) igual a 1.
Com auxlio do clculo diferencial e integral, podemos
caracterizar a condio ii) atravs de
Da mesma forma, para calcular probabilidades, temos que para
, , a integral indica a rea sob f(x) definida
pelo intervalo [a; b].

= . 1 ) ( dx x f

=
b
a
dx x f b X a P ; ) ( ) (
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.2 A funo de densidade probabilidade (fdp)
Note que, pela forma como a atribumos as probabilidades no
caso contnuo, teremos rea zero sob qualquer valor individual, isto
, P(X = k) = 0 para qualquer k. Portanto, em se tratando de variveis
aleatrias contnuas, a probabilidade de ocorrncia de um valor
isolado sempre zero e, consequentemente, as probabilidades
calculadas sobre os intervalos [a; b], [a; b), (a; b] e (a; b) so as
mesmas, para qualquer valor de a e b.
Exemplo: Num teste intelectual com alunos de um colgio Y, o
tempo para realizao de uma bateria de questes de raciocnio
lgico medido e anotado para ser comparado com um modelo
terico. Este teste utilizado para identificar o desenvolvimento da
capacidade de raciocnio lgico e auxiliar a aplicao de medidas
corretivas. O modelo terico considera T, tempo de teste em minutos,
como uma varivel aleatria contnua com funo de densidade de
probabilidade dada por:
O grfico da fdp apresentado a seguir (construiremos ele no
software R). Deve ser notado que, pela definio de f(x), ela se
anula para t < 8 ou t >15.
Vamos verificar agora se a funo f(t) satisfaz a definio de
densidade. Para calcular P(9 < T 12), vamos obter a rea sob f(t)
no intervalo (9; 12]:

<
<
=
contrrio caso
t se
t se t
t f
0
15 10
20
3
; 10 8 ) 4 (
40
1
) (
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.2 A funo de densidade probabilidade (fdp)
Assim P(9< T 12) = 7/16 valor esse obtido pela soma do
trapzio definido no intervalo (9, 10) com o retngulo determinado
pelo intervalo [10,12] (veja a figura).
6 8 10 12 14 16 18
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
t
f
(
t
)

I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.2 A funo de densidade probabilidade (fdp)
Atravs do uso de integral, essa mesma probabilidade seria
calculada da seguinte forma:
12 10 12
9 9 10
10
12
2
10 12
9 10
10
9
(9 12) ( ) ( ) ( )
1 3 1 3
( 4) 4
40 20 40 2 20
11 6 7
0, 4375
80 20 16
P T f t dt f t dt f t dt
t
t dt dt t t
< = = + =
| |
| |
+ = + =
| |
\
\
+ = =


I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.2 A funo de densidade probabilidade (fdp)
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.3 Valor Mdio de uma Varivel Aleatria
Contnua
O valor esperado ou mdia da varivel aleatria contnua X, com
fdp dada por , dada pela expresso:
J a sua varincia dada por:
Como no caso discreto, a varincia a medida de disperso mais
utilizada na prtica. Aqui podemos, tambm, utilizar a expresso
alternativa

, com

sendo calculada como:

= = . ) ( ) ( dx x xf X E

= . ) ( ) (
2 2
dx x f x

= . ) ( ) (
2 2
dx x f x X E
O desvio padro a raiz quadrada da varincia e, como j
mencionado anteriormente, tem a mesma unidade de medida da
varivel original, o que facilita a interpretao dos seus valores.
Vamos a um exemplo:
Investidores estudaram uma certa carteira de aes e
estabeleceram um modelo terico para a varivel R, rendimento das
aes (em mil R$). Suponha que R uma varivel aleatria contnua
com a seguinte funo de densidade:
Vamos aplicar no Software R
1
1 , 0 20
( ) 40 10
0,
r
se r
f r
caso contrrio

| |
+

|
=
\

I.2 VARIVEIS ALEATRIAS CONTNUAS

I.2.3 Valor Mdio de uma Varivel Aleatria
Contnua
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.3 Medidas de Posio para Variveis Aleatrias Contnuas
Vamos determinar a mdia e a varincia de R. Temos,
Para varincia, calculamos primeiro E(R
2
):
Assim:
Portanto o desvio padro ser:
Qual seria a probabilidade de conseguirem um rendimento entre 8
e 10 mil? Vamos fazer no R
20 20
3 2
20
0
0 0
1 1 1 20 35
1 5 $ .
40 10 400 3 40 2 3 3
r r r
r dr R mil
| | | |
| |
= + = + = + =
| | |
\
\ \

20 20
4 3
20
2 2
0
0 0
1 1 1 200 500
( ) 1 100 $ .
40 10 400 4 40 3 3 3
r r r
E R r dc R mil
| | | |
| |
= + = + = + =
| | |
\
\ \

2
2 2 2 2
500 35 275
( ) $30, 56 mil
3 3 9
E R R
| |
= = = =
|
\
30, 56 $5, 53 mil
R
R = =
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
A distribuio normal uma das mais essenciais e importantes
distribuies da estatstica, conhecida tambm como Distribuio de Gauss
ou Gaussiana. Foi primeiramente introduzida pelo matemtico Abraham de
Moivre.
Alm de descrever uma srie de fenmenos fsicos e financeiros,
possui grande uso na estatstica inferencial. inteiramente descrita por
seus parmetros de mdia e desvio padro, ou seja, conhecendo-se estes
consegue-se determinar qualquer probabilidade em uma distribuio
Normal.
Um interessante uso da Distribuio Normal que ela serve de
aproximao para o clculo de outras distribuies quando o nmero de
observaes fica grande. Essa importante propriedade provm do Teorema
do Limite Central que diz que "toda soma de variveis aleatrias
independentes de mdia finita e varincia limitada aproximadamente
Normal, desde que o nmero de termos da soma seja suficientemente
grande" (Ou seja, que a amostra seja maior que 30 observaes).
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Diz-se que X tem Distribuio Normal com mdia e varincia

2
se sua funo de densidade de probabilidade (fdp) :
E(X) =
Var(X) =
2
Pode-se ainda verificar que os parmetros e
2
representam,
respectivamente, a mdia e a varincia da distribuio. A
demonstrao requer algumas manipulaes de integral. O que no
vai ser demonstrado aqui. Assim quando indicarmos que X ~ N (;

2
), segue imediatamente que E(X) = e Var(X) =
2
.
=

x e x f
x
i X
L
2
2
2
) (
2
1
) (

I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Graficamente a curva normal comporta-se da seguinte maneira:
30000 40000 50000 60000 70000 80000 90000
0
e
+
0
0
1
e
-
0
5
2
e
-
0
5
3
e
-
0
5
4
e
-
0
5
Distribuio Nomal(60.000,8.300)
x
f
(
x
)
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Algumas propriedades da densidade da Normal podem ser,
facilmente, observadas de seu grfico:
f
X
(x
i
) simtrica em relao ;
f
X
(x
i
) 0 quando x ;
o valor mximo de f
X
(x
i
) se d para x = e e so
pontos de inflexo de f(xi)
Quando temos 0 e

1, temos uma distribuio padro

ou reduzida, ou brevemente N(0,1). Para essa a funo de densidade
reduz-se a
2
2
1
( ) ( )
2
z
z i
f z z e x

= = L
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Assim, o grfico da normal padro pode ser representado por:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Vamos partir de um exemplo prtico:
Vamos trabalhar com uma srie dos fundos de investimentos da
Petrobrs gerenciado pelo Bando do Brasil. Observou-se que o
comportamento dos fundos entre 02/01/2012 a 13/03/2012 tiveram
um comportamento muito aproximado a uma curva normal como
pode ser observado no grfico abaixo:
A mdia ficou em torno de R$ 7,27
a cota do fundo e o desvio padro
foi de R$ 0,295.
Vamos construir a fdp desta
varivel aleatria no software R.
Os limites de intervalo sero R$ 6 e
R$ 8,25
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
No clculo de probabilidades para variveis contnuas, devemos
resolver a integral da fdp no intervalo de interesse, isto ,
P(a X b) =
Entretanto, a integral acima s pode ser resolvida de modo
aproximado e por mtodos numricos. Por essa razo, as
probabilidades para o modelo Normal so calculadas com auxlio de
software estatsticos ou por tabelas.
A partir do exemplo anterior, vamos visualizar algumas
possibilidades e informaes probabilsticas que podem ser tiradas a
partir da curva da normal criada para o fundo de aes da Petrobrs.
2
2
( )
2
1
2
x
b
a
e

I.2 VARIVEIS ALEATRIAS CONTNUAS

I.2.4 O modelo de distribuio Normal
Clculo da probabilidade de um modelo Normal usando o R
Levando em considerao as informaes do exemplo anterior,
pergunta-se:
a) Qual a probabilidade de obtermos lucro se na poca do resgaste o
valor da ao for de R$ 7,18.
Para realizar tal tarefa vamos usar o comando pnormal que faz o
clculo da probabilidade. Alm disso, vamos fazer tambm a
representao grfica na curva da normal.
b) Qual deveria ser o preo mximo (em R$) para que o investidor
tenha uma probabilidade de lucro pequena, de cerca de 10%?
Vamos verificar essa possibilidade com o auxlio do R.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Aplicaes da v.a. reduzida.
A transformao da normal para a sua correspondente reduzida
z~N(0,1). Para determinar a probabilidade de X [a,b], procedemos
com o seguinte clculo:
P(a X b) = P(a - X - b - ) =
e, portanto, quaisquer que sejam os valores de e , utilizamos a
Normal Padro para obter probabilidades com a distribuio Normal.
|

\
|

=
|

\
|

b
Z
a
P
b X a
P
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Os valores para P(0 Z z), z>0 so apresentados na seguinte
tabela.
Com a simetria da densidade Normal podemos calcular valores de
probabilidades em outros intervalos. Note que a simetria tambm
implica que a probabilidade de estar acima (ou abaixo) de zero 0,5.
Como probabilidade sempre um nmero entre 0 e 1, a tabela
contm apenas a parte decimal.
Por exemplo, para X~N(2,9), teremos:
Agora como foi localizado o valor 0,3413 na tabela normal?
3413 , 0 ) 1 0 (
9
2 5
9
2
9
2 2
) 5 2 ( = < < =
|
|

\
|
<

<

= < < Z P
X
P X P
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Para obter P(0 X 2), usamos a assimetria da Normal:
Podemos ainda calcular as probabilidades de intervalos com
extremos negativos, utilizando os correspondentes intervalos na parte
positiva. Um outro recurso importante no uso da tabela a utilizao
do complementar. Por exemplo,
0 2 2 2
2 2
(0 2) ( 0) (0 )
3 3
9 9
(0 0, 6666) 0, 2486
P X P Z P Z P Z
P Z
| |
< < = < < = < < = < <
|
\
< < =
( ) ( ) 3707 , 0 1293 , 0 5 , 0
3
1
0 5 , 0
3
1
3
2 3
) 3 ( = = < = > =
|

\
|

> = > Z P Z P Z P X P
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
A tabela tambm pode ser utilizada no sentido inverso, isto ,
dado uma certa probabilidade, desejamos obter o valor que a
originou. Por exemplo, quanto vale c tal que P(0 Z c) = 0,4?
Procurando no corpo da tabela, a probabilidade que mais se
aproxima de 0,4 0,3997; correspondendo a 1,28 que ser o valor de
c.
Suponha, agora, que queremos encontrar d tal que P(Z > d) = 0,8.
Observamos que d precisa ser negativo, pois a probabilidade
desejada maior que , que o valor de P(Z > 0). Assim, o
intervalo (0; d) precisa ter probabilidade 0,3. Pela simetria da
Normal, o intervalo (-d, 0) tambm tem probabilidade 0,3. Da tabela,
segue que d = 0,84 e portanto d = -0,84.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.4 O modelo de distribuio Normal
Vamos finalizar essa seo utilizando o exemplo anterior para o
fundo de aes da Petrobrs/BB.
a) Qual a probabilidade de obtermos lucro se na poca do resgaste o
valor da ao for de R$ 7,18?
b) Qual deveria ser o preo mximo (em R$) para que o investidor
tenha uma probabilidade de lucro pequena, de cerca de 10%?
Assim, precisamos obter um valor em R$ tal que: P(X < R$) = 0,1.
Ento,
7, 27 7,18 7, 27
( 7,18) ( 0, 31) 0, 5 0,1179 0, 3821
0, 295 0, 295
X
P X P P Z
| |
< = < = < = =
|
\
7, 27 $ 7, 27 $ 7, 27
( ) 0,1
0, 295 0, 295 0, 295
X R R
P P Z
| |
< = < =
|
\
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.5 A distribuio t de student
A distribuio t de Student importante no que se refere a
inferncias sobre mdias populacionais.
Diz-se que uma varivel aleatria contnua T tem distribuio t de
Student se sua funo de densidade dada por:
;

1
2

2

1

,
Essa expresso, certamente, assustadora! Mas eis uma boa
notcia: no precisaremos dela para calcular probabilidades! No
entanto, interessante notar duas caractersticas bsicas dessa
expresso: o argumento t da funo aparece elevado ao quadrado e fT
depende apenas do nmero de graus de liberdade da qui-quadrado e,
portanto, o parmetro desta distribuio , tambm, o nmero de
graus de liberdade.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.5 A distribuio t de student
Em termos de mdia e varincia a distribuio t de Student, (com
v graus de liberdade) que ser indicada por t(v), ser:
0

2
Quanto maior o valor de v mais t aproxima-se de uma normal
N~(0,1), isso pode ser verificado no grfico abaixo:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.5 A distribuio t de student
Assim como no caso da normal, seria necessria uma tabela para
cada valor de v. Os programas computacionais de estatstica
calculam probabilidades associadas a qualquer distribuio t. Mas
nos livros didticos comum apresentar uma tabela da distribuio t
que envolve os valores crticos, ou seja, valores que deixam
determinada probabilidade acima deles. Mais precisamente, o valor
crtico da t(v) associado probabilidade o valor tv; tal que

;

Para encontrar o valor tabelado basta pegarmos o grau de
liberdade v e compararmos com a nossa probabilidade de cometer o
erro tipo I (isso ser visto mais adiante).
Suponha que tenhamos v=6 e queiramos um erro de 5% para uma
distribuio uni caudal, ento teramos:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.6 A distribuio Qui-Quadrado
A distribuio qui-quadrado um caso especfico da distribuio
Gama.
Como definio temos:
Uma varivel aleatria contnua Y tem distribuio qui-quadrado
com v graus de liberdade (denotada por

) se sua funo
densidade for dada por:

, 0
; 0, 0
Amdia e varincia para a qui-quadrado so:
E(Y)=v Var(Y)=2v
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.6 A distribuio Qui-Quadrado
Graficamente a distribuio qui-quadrado se comporta da seguinte
forma:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.6 A distribuio Qui-Quadrado
Usando a tabela qui-quadrado para v=10, observe que
P(Y>2,558)=0,99; ao passo que P(Y>18,307)=0,05.
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.6 A distribuio F de Snedecor
Sejam U e V duas v.a. independentes, cada uma com distribuio
qui-quadrado, com v1 e v2 graus de liberdade, respectivamente.
Ento, a v.a.
Tem densidade dada por:
,

/2

/2

/
1

/
,
0
Diremos que W tem distribuio F de Snedecor, com

graus de liberdade, e usaremos a notao W~F(

. Podemos
mostrar que:
1
2
U v
W
V v
=
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.6 A distribuio F de Snedecor

O grfico tpico de uma distribuio F varia conforme seu grau de

liberdade como pode ser verificado abaixo:
I.2 VARIVEIS ALEATRIAS CONTNUAS
I.2.6 A distribuio F de Snedecor
Vamos considerar que nossa distribuio F tenha comportamento
de mdia e varincia com a seguinte caracterstica W~F(5,7).
Consultando a Tabela F teremos: P(F > 3,97) = 0,05, ou P (F 3,97)
= 0,95.
Agora se quisermos encontrar:
0,05 = P{F(5,7) < f0}=P{1/F(7,5) < f0}=P{F(7,5) > 1/ f0},
Procurando na Tabela F, para F(7,5), obtemos 1/ f0=4,88 e,
portanto, f0=0,205.