pode ser calculado pela soma das expressa em termos relativos. Para tal, divide-
probabilidades individuais. Assim, as chances se a frequência de cada evento pelo número
de que a soma esteja dentro da faixa 7 ± 1 é total de eventos do universo possível. No caso
calculado por 5/36 + 6/36 + 5/36, Que são as divide-se cada frequência por 36. A figura 2
probabilidades de se obter 6, 7 e 8 mostra o gráfico resultante. Este gráfico das
respectivamente, o que resulta em 16/36 ou frequências relativas recebe o nome de função
4/9. Verifica-se que as chances de que densidade de probabilidade, representada por
qualquer valor entre 2 e 12 seja obtido é de 1 p(x), onde x representa cada evento envolvido
(100 %). e p(x) a probabilidade deste evento ocorrer.
No caso da soma de dois dados honestos, p(7)
O gráfico da figura 1 pode Ter a frequência
= 1/6, p(6 ≤ x ≤ 8) = 4/9, p(-∞ < x < +∞) = 1.
Deve notar uma importante propriedade de maior probabilidade de resultar sacos com
p(x): p(-∞ < x < +∞) = 1, isto é, a integral de valores mais próximos do ideal que a primeira,
p(x) entre os limites -∞ e +∞, que corresponde portanto é uma máquina melhor. Já a máquina
à probabilidade de x estar dentro desses que possui pc(x) é a pior de todas por
limites, sempre resulta em 1. apresentar probabilidade relativamente altas
de que valores que se afastam bastante do
A figura 4 apresenta a função densidade de
ideal venham a ocorrer. A característica que
probabilidade de outra ensacadeira com
diferencia estas três ensacadeiras é a
características diferentes. Nota-se que,
chamada dispersão, que é maior quanto maior
embora a área total sob pb(x) seja também
for o “espalhamento” da curva p(x), isto é, a
unitária, esta é uma curva mais fechada que
dispersão pc(x) é maior que a dispersão de
pa(x). A máquina que possui pb(x) apresenta
pb(x).
O desvio padrão (σ) é um parâmetro uma função aleatória é o seu valor central, isto
estatístico empregado para medir a dispersão é, seu valor médio (µ). µ é calculado por:
de uma função aleatória. É tanto maior quanto
1 ∞
maior for a dispersão. No caso da figura 4 é µ = lim
n→∞ n
∑ xi
evidente que σa < σb < σc i =1
σ é calculado por:
3 Distribuição normal
∞
∑ (x − µ)
i
2 Uma das distribuições estatísticas mais
comuns é a distribuição normal ou gaussiana. O
σ = lim i =1
n→∞ n teorema do limite central demonstra que a
combinação de um grande número de fatores
xi é o valor do evento “i”,
de natureza aleatória, com qualquer
µ é o valor médio de todos os eventos.
distribuição, aproxima-se da distribuição
Outro parâmetro importante que caracteriza normal à medida que aumenta o número de
4
n −1
envolvido, a equação acima pode ser ainda
usada para estimar o erro sistemático. Neste Esta estimativa só é confiável para valores
caso, esta estimativa recebe o nome específico grandes de n. Se amostras pequenas são
de tendência (Td). envolvidas (n < 200), é necessário aplicar um
coeficiente de correção (t), conhecido como
A parcela aleatória do erro de medição é
coeficiente t – Student. O coeficiente t –
simplesmente chamada de erro aleatório.
Student é função da probabilidade de
Tratando-se de uma função aleatória, cada
enquadramento desejada (p) e do tamanho da
valor medido possui um erro aleatório
amostra (n). Existem tabelas, como a da figura
diferente, e dado por Eai = Ii – MI. A sua
5, que apresentam valores tabelados para “t”
caracterização é realizada através da medida
como função de n e de p. Assim, a
da dispersão da distribuição normal associada,
repetitividade associada ao erro aleatório
isto é, do desvio padrão (σ).
pode ser estimada por:
Define-se a repetitividade (Re), como sendo a
Re = ± t . s
faixa que, com uma probabilidade estatística
definida, conterá o erro aleatório. É comum A média verdadeira da população (µ), calculada
adotar a probabilidade de 95 % como aceitável a partir dos parâmetros da amostra, não pode
para a Re. Assim, 95 % dos erros aleatórios ser determinada exatamente. Alguma
estarão dentro desta faixa. A Re é estimada incerteza ainda resultará. Pode-se mostrar que
por: a média da população estará situada dentro da
seguinte faixa:
Re(95 %) = ± 1,96 σ
t Re
Porém, como será visto a seguir, a estimativa x± s = x±
de σ não é tão direta. n n
onde:
x é a média da amostra,
6
k(v)
Probabilidade p(%)
Graus de
liberdade 68,3 90 95 99
1 1,84 6,31 12,71 63,66
2 1,32 2,92 4,30 9,92
3 1,20 2,35 3,18 5,84
4 1,14 2,13 2,78 4,60
5 1,11 2,02 2,57 4,03
6 1,09 1,94 2,45 3,71
7 1,08 1,89 2,36 3,50
8 1,07 1,86 2,31 3,36
9 1,06 1,83 2,26 3,25
10 1,05 1,81 2,23 3,17
15 1,03 1,75 2,13 2,95
20 1,03 1,72 2,09 2,85
40 1,01 1,68 2,02 2,69
50 1,01 1,68 2,01 2,68
100 1,005 1,660 1,984 2,626
infinito 1,000 1,645 1,960 2,576
_____