CQ

Controle da Qualidade

Probabilidades
 A ge n d a
Propriedades das
Distribuições de
1 Apresentação da Ementa 6 Probabilidades
Discretas

E s p e r a n ç a e Va r i â n c i a
2 Objetivos da Seção 7 d e u m a Va r i á v e l
Aleatória Discreta

Estudo de Caso:
3 Introdução à Probabilidade
8 Trabalhando com
Probabilidades numa
Rede de Ensino
Como as Principais Empresas
4 Mundiais de Tecnologia usam a 9 Distribuição Binomial
Probabilidade
Aproximação da
Distribuições de Probabilidade Distribuição Binomial
5 Discretas x Contínuas 10 para Distribuição
Normal
 A ge n d a
Distribuição de Probabilidades Distribuições de
11 16 Probabilidades Contínuas
de Poisson

Estudo de Caso: Calculando as

12 Probabilidades na Aviação Civil 17 Distribuição Normal ou Gaussiana

Pa r â m e t r o s d a
13 Variação dos Parâmetros da 18
D i s t r i bu i ç ã o N o r m a l
Distribuição de Poisson

Estudo de Caso: Estimando a

14 19 Propriedades da Curva Normal
Probabilidade de Lucros de um
Grupo Empresarial

20 Escala Z Padronizada
15 Independência de Eventos
 A ge n d a
Estudo de Caso: Escala Z
21 Padronizada na Logística

22 Distribuição de Probabilidade de t-student

23 Distribuição de Probabilidade F (Fisher-Snedecor)–

cartas de controle multivariadas
 Objetivos da Seção

Entender as Conhecer a
Entender o conceito de Conhecer as principais diferenças entre os dependência e
probabilidade aplicada a áreas que utilizam as modelos preditivos, independência de
estatística probabilidades classificatórios e eventos
explicativos

Conhecer as principais
Verificar a influência da Entender os conceitos
distribuições de Entender os
probabilidade nos testes iniciais sobre p valor
probabilidade conceitos de
estatísticos e as conclusões
sobre o acaso variáveis aleatórias
 Introdução à Probabilidade
Aplicação: o estudo das probabilidades é
a essência da estatística e o que a difere
da matemática. A base do conhecimento
de probabilidades vem se desenvolvendo
cada vez mais e é uma das áreas de
especialização (mestrado e doutorado).
Existem diversos modelos
Portanto, caso não esteja familiarizado
A probabilidade é uma das de probabilidade. O desafio
com o conteúdo, ao longo do tempo vai é identificar aquele que
formas de fazer previsões
aprendendo cada vez mais. (uma das áreas mais melhor se adeque ao
promissoras da atualidade) problema

Uma das ideias centrais é

Os eventos podem ser
passar a pensar em eventos
dependentes ou É a base para os testes
simultâneos (árvores de Possuem modelos
independentes estatísticos
probabilidades) discretos ou
contínuos
 Como as Principais Empresas Mundiais de Tecnologia usam a Probabilidade

Furacões nos EUA mostraram um Utiliza o sistema de

Sistemas de recomendação e
padrão de consumo de itens dados para vantagem
classificação tornaram-se ativos
como Pop-Tarts de morango e competitiva.
da Companhia.
cerveja.

A gigante americana criou bases (Spotify) Criou plataformas Expoente nos carros elétricos
digitais para incrementar o digitais que desenvolveu uma e também na incorporação
marketing digital. nova “economia” no de veículos autônomos.
mercado de músicas.
Sistema de perfilamento que Dominou os arranjos por Sistemas de descrição de
permite identificar os gostos dos similaridades para segmentação comportamentos para
clientes e criar recomendações. de clientes (técnicas de prever fraudes em cartões
agrupamentos). de crédito.

A criação da Deep Learning Modelos de regressão são aplicados Sistemas de classificação

ajudam a identificar doenças a em bancos para medir risco de ajudam a sugerir vendas
partir do diagnóstico de liberação de crédito a partir de de livros a partir das
imagens. variáveis preditoras dos clientes. preferências de compra.
 Distribuições de Probabilidade
Discretas x Contínuas
Escolher um modelo de distribuição de probabilidade
Números (apenas números) Exemplo

Conceitos importantes: Discreta Variável aleatória: número de caminhões

(números de contagem)
0,1,2,3,4, ... , 52
Variável aleatória
(resultado de um
Variável aleatória: valor do óleo diesel
experimento) Contínua
R$ 4 R$ 4,21 R$ 3,9
(qualquer valor num
intervalo) R$ 4,1 R$ 4,138 R$ 3,89
Métrica de um processo

▪ Exemplos de variáveis aleatórias contínuas:

Experimento Variável aleatória (x) variável aleatória

Produção de ouro Peso 154 kg, 122 kg, 189 kg

Balanço de massa Rendimento 0,39%, 0,45%, 0,52%

▪ Exemplos de variáveis aleatórias discretas:
Valores possíveis para a

Experimento Variável aleatória (x) variável aleatória

Contar cinco clientes Número de clientes 0, 1, 2, 3, 4, 5

Inspecionar 10 motores
Número de motores 0, 1, 2, 3, ... , 10
voltando da revisão

Contar o número de
retrabalhos nos 117
Número de retrabalho 0, 1, 2, 3, ... , 117
reparos que teve na
oficina no mês

0 se for masculino
Contratar um novo Gênero do funcionário
funcionário 1 se for feminino
 Comentários: Propriedades das Distribuições de
Principais
Probabilidades Discretas distribuições
▪ É um modelo discretas:
matemático que
𝑝(𝑥2) ▪ Binomial
relaciona o valor

f(x)
𝑝(𝑥3) ▪ Poisson
da variável com a 𝑝(𝑥4)
probabilidade de 𝑝(𝑥1 )
ocorrência daquele
valor na 𝑥1 𝑥2 𝑥3 𝑥4 X - (unidade de medida)
população.
𝑃{𝑥 = 𝑥 𝑖 } = 𝑝(𝑥𝑖)
▪ Em algumas Exemplos: aprovado/reprovado; faixa etária; escolaridade; sim/não;
situações é doente/não doente etc.
conveniente
aproximar a Função Densidade
f(x) Probabilidade
distribuição discreta
por uma contínua. ▪ Condições necessárias:
 Comentários: Esperança e Variância de uma Variável Aleatória
Gráfico de Distribuição
Binomial; n=12; p=0,156
Discreta
0,30 0,7150

0,25

0,20

▪ Esperança ou Valor Esperado:

Probabilidad

0,15

0,10
e

0,05

0,00

𝐸 𝑥 = 𝜇 = ∑𝑥𝑓 𝑥
2 6
X

▪ O entendimento da esperança
ou do valor esperado é similar ao
conceito de média. onde 𝑥 são os valores possíveis e 𝑓 𝑥 o valor da função (probabilidade)

▪ É uma boa prática sempre se ter

▪ Exemplo prático (frota de
uma medida de centro
(esperança) e uma medida de
caminhões fora de estrada):
dispersão (variância) tanto para
variáveis aleatórias discretas
quanto para contínuas.

▪ Sempre deve-se se olhar para as

probabilidades dos extremos
(risco).
 Comentários: ▪ Variância:
Gráfico de Distribuição
Binomial; n=12; p=0,156
0,30 0,7150

0,25

0,20
Probabilidad

0,15

0,10
e

0,05

0,00

2 6
X

▪ O entendimento da esperança
ou do valor esperado é similar
ao conceito de média.

▪ É uma boa prática sempre se ter

uma medida de centro
(esperança) e uma medida de
dispersão (variância) tanto para
variáveis aleatórias discretas
quanto para contínuas.

▪ Sempre deve-se se olhar para

𝜎(𝑥) 1,24 CV (coeficiente de variação)
as probabilidades dos extremos 𝐶𝑉 = = × 100 = 68% Variação muito alta. Isto faz com que
(risco). 𝐸 𝑥 1,8 muitas vezes os modelos sejam
0% < CV ≤ 10% = baixíssima variabilidade
10% < CV ≤ 20% = baixa variabilidade
20% < CV ≤ 30% = alta variabilidade
aproximados por uma distribuição
CV > 30% = altíssima variabilidade
normal.
 Estudo de Caso: Trabalhando com Probabilidades
numa Rede de Ensino
Uma rede educacional que atua no ensino superior, possui um estudo de probabilidade
da frequência de matrículas numa determinada região. Os dados estão listados na Tabela
1. Calcular as probabilidades de matrículas em 3 situações em função do número de
alunos.
Tabela 1: fdp de matrículas de alunos
a) 1200 alunos.
x f(x)
b) 1200 alunos ou menos.

1000 0,15
c) Acima de1200.

1100 0,20

1200 0,30

1300 0,25

1400 0,10
 ▪ Resolução: a) 1200 alunos.

0,30 P(X=1200)=0,30
x f(x)
0,25
0,20
1000 0,15
0,15

1100 0,20 0,10

1200 0,30 1000 1100 1200 1300 1400

1300 0,25

1400 0,10 b) 1200 alunos ou menos.

6000 1,00 P(X ≤ 1200) = P(X = 1000) + P(X = 1100) + P(X = 1200)

P(X ≤ 1200) = 0,15 + 0,20 + 0,30 = 0,65

c) Acima de1200.

P(X > 1200) = P(X = 1300) + P(X = 1400) = 0,25 + 0,10 = 0,35
 Comentários: Distribuição de Probabilidades Binomial
Gráfico de Distribuição

▪ Propriedades:
Binomial; n=12; p=0,156
0,30 0,7150

0,25

0,20

1)Os eventos são independentes e podem ser

Probabilidad

0,15

0,10

chamado de ensaios – n.
e

0,05

0,00

2 6
X

▪ Uma das distribuições discretas

2) A probabilidade de sucesso é chamada de p e
mais importantes. a falha q. logo 1-p=q (complemento)
▪ É a base conceitual para 3)É necessário escolher o evento de interesse e
modelos probabilísticos
conhecer sua proporção histórica.
utilizados em predição como
logístico. ▪ Esperança ou Valor Esperado:
▪ Largamente utilizada em ▪ Densidade de Probabilidade:
fenômenos envolvendo
populações. 𝑛 𝑥 𝑛−𝑥
𝑓(𝑥) = 𝑝 𝑞 ▪ Variância:
▪ Tem apenas dois resultados 𝑥
possíveis: sim/não; passa/não
passa; aprovado/reprovado. 𝑥 = 1,2,3, … , 𝑛
 Comentários:
▪ Exemplo:
Gráfico de Distribuição
Binomial; n=12; p=0,156
0,30 0,7150

0,25 Qual a probabilidade de se ter dois meninos, entre 5

0,20
crianças, se a probabilidade de um menino é 0,51 em
Probabilidad

cada nascimento e os sexos das crianças sucessivas

0,15

0,10
e

0,05
são considerados eventos independentes.
0,00

2 6
X

▪ Uma das distribuições discretas Gráfico de Distribuição

mais importantes. Binomial; n=5; p=0,51
0,35
▪ É a base conceitual para
modelos probabilísticos 0,30

utilizados em predição como 0,25

logístico.
Probabilidad
0,20

▪ Largamente utilizada em 0,15

fenômenos envolvendo
e

populações. 0,10

0,05
▪ Tem apenas dois resultados
possíveis: sim/não; passa/não 0,00
0 1 2 3 4 5 6

passa; aprovado/reprovado. X
 Aproximação da Distribuição
Comentários: Binomial para Distribuição Normal
Gráfico de Distribuição
Binomial; n=12; p=0,156
0,30 0,7150
Gráfico de Distribuição
Binomial; n=5; p=0,05
0,25
0,8

0,20
0,7
Probabilidad

0,15
0,6
0,10
e

0,5

Probabilidad
0,05
0,4
0,00
0,3
2 6

e
X
0,2

▪ Uma das distribuições discretas 0,1

0,0

mais importantes. -0,5 0,0 0,5 1,0 1,5 2,0 2,5

X

▪ É a base conceitual para

modelos probabilísticos Gráfico de Distribuição
Binomial; n=50; p=0,05
Gráfico de Distribuição
Binomial; n=100; p=0,05

utilizados em predição como 0,25

0,20

logístico. 0,20 0,15

▪ Largamente utilizada em
Probabilidade

Probabilidad
0,15
0,10

fenômenos envolvendo 0,10

e
populações. 0,05 0,05

0,00

▪ Tem apenas dois resultados 0 2 4 6 8

0,00
0 2 4 6 8 10 12 14

X X
possíveis: sim/não; passa/não
passa; aprovado/reprovado. Na medida em que o número de eventos
cresce, a distribuição tende a uma Normal.
Distribuição de Probabilidades de Poisson
Exemplo prático: chegada de veículos num pedágio
Ritmos (min) x Frequências

Ritmos
Frequência Frequência 0,3
absoluta relativa

0 9 0,150 0,25
1 17 0,283

Frequência relativa
2 17 0,283 0,2
3 9 0,150
0,15
4 4 0,660
5 1 0,017 0,1
6 1 0,017
7 1 0,017 0,05
8 1 0,017
9 0 0 0
10 0 0 0 1 2 3 4 5 6 7 8 9 10
Ritmo
 Comentários:
Ritmos x Frequências de Poisson
▪ O processo de chegada,
Frequência Frequência Distribuição de
normalmente envolve Ritmos
absoluta relativa Poisson (λ=2)
sempre uma taxa no tempo.
0 9 0,150 0,135
▪ Os modelos de Poisson
tem sidos largamente 1 17 0,283 0,271
utilizados para simular 2 17 0,283 0,271
processos de chegadas.
3 9 0,150 0,180
▪ Deve-se buscar uma
unidade que seja mais 4 4 0,660 0,090
prática (clientes/horas;
5 1 0,017 0,036
clientes/minutos).
6 1 0,017 0,012
▪ Sempre haverá um erro 7 1 0,017 0,003
estatístico ao se optar por 8 1 0,001
0,017
uma ou outra distribuição
9 0 0 0
estatística.
10 0 0 0
60 veículos
 Comentários:
Gráfico de Distribuição
Poisson; Média=1
▪ Propriedades:
0.4

0.3
▪ Probabilidade pontual:
Probabilidade

0.2

0.1

0.0
0 1 2 3 4 5 6

▪ Densidade de Probabilidade:
▪ Tem muitas aplicações
envolvendo eventos raros
como catástrofes das natureza
ou falhas com consequências
gravíssimas. ▪ Esperança ou Valor Esperado:
▪ Pode ser utilizada como
regressão não linear (GLM –
Modelos Lineares
Generalizados) tendo grande ▪ Variância:
aplicação marketing digital e
processos produtivos.
Estudo de Caso: Encontrando as Probabilidades a
partir de Tabelas
Observação: assumir a Distribuição de Poisson para modelar o sistema.

Em um determinado país, a taxa média de acidentes aeronáuticos por ano é de 15

acidentes. Calcule as seguintes probabilidades:

a) Número médio de acidentes por mês;

b) A probabilidade de não haver nenhum acidente durante um mês;

c) A probabilidade de ocorrer exatamente um acidente por mês;

d) A probabilidade de ocorrer mais de um acidente no mês.

a) Número médio de acidentes por mês. b) A probabilidade de não haver
nenhum acidente durante um mês.

c) A probabilidade de ocorrer d) A probabilidade de ocorrer

exatamente um acidente por mês. mais de um acidente no mês.
 Variação dos Parâmetros da Distribuição de Poisson
Gráfico de Distribuição Gráfico de Distribuição Gráfico de Distribuição
Poisson; Média=1 Poisson; Média=2 Poisson; Média=5
0.4 0.30 0.20

0.25

0.3 0.15
0.20
Probabilidade

Probabilidade

Probabilidade
0.2 0.15
0.10

0.10

0.1 0.05
0.05

0.00
0.0 0.00
0 1 2 3 4 5 6 0 1 2 3 4 5 6 7 8 0 2 4 6 8 10 12 14
X X X

Gráfico de Distribuição Gráfico de Distribuição

Gráfico de Distribuição Poisson; Média=20
Poisson; Média=10
Poisson; Média=7
0.14 0.09
0.16
0.08
0.14 0.12
0.07
0.12 0.10
0.06
Probabilidade

Probabilidade
Probabilidade
0.10 0.05
0.08

0.08 0.04
0.06
0.06 0.03
0.04
0.02
0.04

0.02 0.01
0.02
0.00
0.00 0.00
0 2 4 6 8 10 12 14 16 18 5 10 15 20 25 30 35
0 5 10 15 20
X X X

Comentários: a Distribuição de Poisson é uma distribuição discreta (apenas valores inteiros)

muito versátil. A sua frequência relativa pode se transformar na probabilidade do evento. Na
medida que o valor de λ cresce, ela se aproxima de uma Distribuição Normal. Ela está
associada com processos que existem ritmos ou taxas de chegadas.
 Estudo de Caso: Estimando a Probabilidade de
Lucros de um Grupo Empresarial
Uma grande empresa do setor de varejo está fazendo estudos para avaliar sua lucratividade
numa eventual venda de uma parte do negócio. Para isto, conduziu alguns estudos de
probabilidade conforme está divulgado na Tabela 2.
Tabela 2: pdf lucro em milhares R$

x f(x)

-100 0,10

0 0,20

50 0,30

100 0,25

150 0,10

200 ?
▪ Resolução:
 Conceitos Independência de Eventos
▪ Diversos métodos Definição:
estatísticos
pressupõem a Dois eventos são independentes quanto um não afeta a
independência de probabilidade do outro.
eventos.
Exemplo: se tivermos jogado uma moeda 9 vezes e as 9 tivessem
dado cara, a probabilidade de jogar a 10ª continua sendo ½.
▪ As cartas de
controle de Shewhart Curiosidade – imagine esta situação:
pressupõem a
independência de 1)A probabilidade que uma pessoa escolhida aleatoriamente tenha problemas
mentais é baixa.
eventos.
2) A probabilidade que uma pessoa, escolhida aleatoriamente, acredite que sua
▪ A Estatística esposa consegue ler sua mente é baixa.
Bayesiana trabalha 3)Se uma pessoa acreditar que sua esposa consegue ler a sua mente, a
muito com eventos probabilidade de que ela tenha problemas mentais é alta.
dependentes e é
muito aplicada na
medicina e
Conclusão:
marketing digital. 1 e 2 são eventos independentes. Já no 3 eles passam a ser dependentes.
 Exemplo de dependência de eventos
Evento 1 Evento 2
Urubus voando Voo do avião

B
A
Qual a probabilidade de ter um acidente aéreo?
 Distribuições de Probabilidades
Comentários: Contínuas Principais
distribuições
▪ É um modelo Função contínua que estima contínuas:
matemático que os valores da população
relaciona o valor ▪ Normal
da variável com a ▪ Normal Multivariada
probabilidade de ▪ t student
ocorrência daquele ▪ F Snedecor

f(x)
valor na
população.

▪ É a base para os A
testes estatísticos
(paramétricos).
a b X - (unidade de medida)
▪ Podem ser
simétricas ou 𝑏
assimétricas. 𝑃 𝑎 ≤ 𝑥 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎
▪ Possui medidas
para avaliar o
desempenho de
um processo. Exemplos: tempo; dinheiro; volumes; áreas; etc.
Comentários: Distribuição Normal ou
Gráfico de Distribuição
Gaussiana
Normal; Média=0; DesvPad=1

0.4

0.3
Densidade

0.2

0.1

0.0
-3 -2 -1 0 1 2 3
X

▪ Uma das distribuições

mais aplicáveis na
estatística.
σ σ σσ σ σ

f(x)
▪ A base para diversas
suposições para
validação de modelos
estatísticos.

▪ Englobam a maior parte

dos processos em
serviços e transações µ X - (unidade de medida)

(negócios).
 Parâmetros da Distribuição Normal

▪ Parâmetros: ▪ Variando os Parâmetros:

▪ Densidade de Probabilidade:

▪ Esperança ou Valor Esperado:

▪ Desvio Padrão:

▪ Variância:
Comentários: Propriedades da Curva
Gráfico de Distribuição
Normal
Normal; Média=0; DesvPad=1

0.4

0.3
95,46%
Densidade

0.2

0.1

0.0
-3 -2 -1 0 1 2 3
X

▪ Uma das distribuições µ-2σ µ+2σ

mais aplicáveis na
estatística.
f(x) σ σ σ σ σ σ
▪ A base para
diversas suposições
para validação de
modelos estatísticos.

▪ Englobam a maior part

dos processos em
serviços e transações
µ-3σ µ-σ
µ
µ+σ µ+3σ

(negócios). 68,26% Zona de defeito

(causa especial
99,73% de variação)
Comentários: ▪ Exemplo da Propriedades:
moeda: ±1𝜎 = 68,26%
Gráfico de Distribuição

±2𝜎 = 95,46%
Normal; Média=0; DesvPad=1

0.4

0.3 ±3𝜎 = 99,73%

Densidade

0.2

0.1

0.0
-3 -2 -1 0 1 2 3
X

▪ Uma das distribuições

mais aplicáveis na
estatística. 0 50 100
% coroas
▪ A base para
diversas suposições
para validação de
modelos estatísticos. -1,96σ +1,96 σ
▪ Englobam a maior
parte dos processos Área = p
em serviços e
transações 95%
(negócios).
µ
Comentários: Escala Z Padronizada Propriedades:
Gráfico de Distribuição
±1𝜎 = 68,26%
±2𝜎 = 95,46%
Normal; Média=0; DesvPad=1

0.4

0.3 ±3𝜎 = 99,73%

Densidade

0.2

0.1

0.0
-3 -2 -1 0 1 2 3
X

▪ Uma das distribuições

mais aplicáveis na
estatística. f(x) σ
▪ A base para
diversas suposições
para validação de
modelos estatísticos;

▪ Englobam a maior parte

dos processos em
serviços e transações µ X - (unidade de medida)

(negócios).
População
 Propriedades:
fdp

1
±1𝜎 = 68,26%
Dados não
padronizados 𝒙 σ (função
densidade de
probabilidade)
±2𝜎 = 95,46%
±3𝜎 = 99,73%

f(x)
𝒙−𝝁 A1
𝒛=
𝝈 µ X - (unidade de medida)

2 Dados
padronizados 𝒛 1
P = A1 = A2
Probabilidade
f(x)

A2

0 z - (zero)
 Estudo de Caso: Escala Z Padronizada na
Logística
▪ Exemplo de logística:

O tempo de carregamento de caminhões num centro de distribuição, tem uma

média de 74 minutos e um desvio padrão de 18 minutos. A meta de
carregamento são 85 minutos. Qual é a probabilidade de não cumprir esta
meta?

𝒙−𝝁
σ=18 𝒛=
𝝈
Meta=85

µ=74 X - (minutos)
 Meta=85

µ=74
0,61 X - (minutos) Propriedade da curva
normal
𝒙−𝝁
𝒛=
𝝈

Conclusão prática: a probabilidade de não

atingir a meta é de aproximadamente 27%.
 Gráfico de Distribuição
Normal; Média=74; DesvPad=18
0.025

0.020

Com os dados do
0.015
Densidad

0.010
processo
e

0.005 0.2706

0.000
74 85
X

Gráfico de Distribuição
Normal; Média=0; DesvPad=1

0.4

0.3
Densidad

0.2
Z padronizada
e

0.1
0.2706

0.0
0 0.6110
X
Distribuição de Probabilidade de t-student
Criador da Distribuição de t-
student
William S. Gosset
▪ Brilhante matemático com grandes
contribuições para os testes
estatísticos.
▪ Corrigiu vários problemas que as
pequenas amostras possuíam.

▪ Trabalhou no início do Século XX na cervejaria Guinness

como estatístico.
▪Fez a empresa crescer modificando a forma de fazer cerveja e
virou encarregado de todas as operações.
▪Um dos seus trabalhos mais importantes foi determinar a
quantidade de leveduras que deveriam ser utilizadas na cerveja
já que as leveduras se multiplicavam nas células. Para isto
utilizou uma distribuição de probabilidade de Poisson.

1876 - 1937 ▪Não pode publicar suas descobertas na Guinness mas passou a
assinar suas obras como Student.
▪ Propriedades:

▪ Densidade de Probabilidade:

Grau de Liberdade = 𝜈 = n -1

▪ Esperança ou Valor Esperado:

Sempre relacionado ao
▪ Variância: tamanho da amostra.
▪ Graus de Liberdade:

GL = n -1
▪ Variando os parâmetros:
▪ Comparação entre distribuição
Normal e t student:
Distribuição de Probabilidade F (Fisher-Snedecor)
“Eisten da Estatística”
▪ Wangler no 3º ano de matemática
Sir Ronald A. Fisher por Cambridge.
▪ Criador do DOE (Planejamento de
Experimentos). Método mais
avançado no desenvolvimento de
novos processos.

▪Inúmeros trabalhos publicados tanto nas áreas de estatística

quanto na melhoria de processos como o aumento da
produtividade.
▪É um dos principais nomes no desenvolvimento de métodos
científicos aplicados a experimentação.
▪Trabalhou um banco de dados coletados em mais de 90
anos mas que não era utilizado. Este é um problema bem atual
no Século XXI.

1890 - 1962 ▪Grande influência nas obras dos principais autores nas áreas
de estatística e matemática.
▪ Propriedades:

▪ Densidade de Probabilidade:

▪ Esperança ou Valor Esperado: Comentários:

Cada método que for utilizar a

distribuição F, irá calcular os Graus de
Liberdade (d1 e d2) de diferentes formas.
▪ Variância:
▪ Variando os parâmetros:
FIM