Sie sind auf Seite 1von 18

UNIVERSIDADE FEDERAL DE SO CARLOS

C CE E N NT T R RO O D DE E C CI I N NC C I I A AS S E EX XA AT T A AS S E E D DE E T TE E C C N NO OL L O OG GI I A A
D DE E P P A AR RT T A AM ME E N NT T O O D DE E E ES S T T A AT T S S T T I I C C A A













I IN NT TR RO OD DU U O O A AO O P PL LA AN NE EJ J A AM ME EN NT TO O E E A AN N L LI I S SE E
E ES ST TA AT T S ST TI I C CA A D DE E E EX XP PE ER RI I M ME EN NT TO OS S



C CA AP P T TU UL L O O # # 3 3
I IN NT TR RO OD DU U O O A A P PR RO OB BA AB BI I L LI I D DA AD DE E E E A A
I IN NF FE ER R N NC CI I A A E ES ST TA AT T S ST TI I C CA A


P PR RO OF F . . P PE ED DR RO O F FE ER RR RE EI I R RA A F FI I L L H HO O
P PR RO OF F
a a
. . E ES ST TE EL L A A M MA AR RI I S S P P. . B BE ER RE ET TA A


2 2 S SE E M ME E S S T T R RE E D DE E 2 20 01 10 0

Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 2


3 3. . I I N NT T R RO OD DU U O O A A P PR RO OB BA AB BI I L L I I D DA AD DE E E E A A I I N NF F E E R R N NC C I I A A
E ES S T T A AT T S S T T I I C C A A : :


3 3. . 1 1. . P PR RO OB BA AB BI I L L I I D DA AD DE E S S : :

Sabemos que alguns fenmenos so previsveis. Por exemplo, se jogarmos vrias vezes uma
moeda de determinado lugar e medir a velocidade da queda, os resultados sero sempre iguais. O
fenmeno e previsvel porque obedece a uma lei da fsica. Ento, existe determinismo.
Outras vezes, o fenmeno e imprevisvel, mas tem um padro a longo prazo. Por exemplo,
voc no sabe se a prxima criana que ira nascer na cidade ser menino ou menina, mas sabe que
no decorrer deste ano nascero meninos e meninas quase na mesma proporo.
Muitos dos fenmenos que observamos podem ser repetidos. As repeties so independentes
- no sentido que o resultado de uma no tem efeito sobre o resultado de outra - e tem um padro
de comportamento previsvel a longo prazo. E o que acontece, por exemplo, no jogo de dados, no
jogo de cartas, na roleta.
O estudo de probabilidades comeou com os jogos de azar. As pessoas queriam entender a
"lei" que rege esses jogos para ganhar dinheiro nos cassinos. Os matemticos acabaram
descobrindo que no e possvel prever, por exemplo, se vai ocorrer a face 6 em determinado
lanamento de um dado. Podemos apenas descobrir, por observao, que a face 6 ocorre 1/6 das
vezes no decorrer de muitas jogadas.
Hoje a probabilidade importante para outras coisas, alm - claro dos jogos de azar. Muitos
fenmenos naturais e artificiais so probabilsticos, no sentido de que eles no so previsveis a
priori, mas tem padres de comportamento longo prazo. o caso dos estudos de gentica,
baseados na observao de Mendel de que, dados os pais, as caractersticas da gerao seguinte no
so determinsticas, mas tem padres de comportamento que j esto sendo descobertos. A emisso
de partculas radioativas ocorre ao acaso ao longo do tempo, mas com um padro que ajudou a
sugerir a causa da radioatividade.
A idia de probabilidade , pois, essencial em qualquer ramo de conhecimento. Mesmo no
futebol se concorda que jogar uma moeda para decidir quem comea o jogo evita o favoritismo. Pela
mesma razo, os estatsticos recomendam amostras aleatrias (todos os elementos da populao
tem igual probabilidade de pertencer a amostra), uma verso sofisticada do jogo de moedas. O
favoritismo em escolher pessoas para uma amostra to indesejvel como dar a bola para um dos
times comear o jogo.
importante voc notar que, nos dois casos, ocorreu a introduo deliberada do acaso na
escolha. Jogar uma moeda para decidir quem comea o jogo ou escolher uma amostra aleatria tem
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 3

o mesmo sentido, isto :
o resultado no previsvel de antemo;
existe um padro de comportamento a longo prazo.

3 3. . 1 1. . U UM MA A D DE E F F I I N NI I O O D D E E P PR R O OB B A A B B I I L L I I D D A A D DE E : :

Antes de definir probabilidade, vamos entender que cada resultado possvel de um fenmeno
aleatrio um evento. Os eventos tm diferentes atributos, ou seja, tem aspectos diferentes que os
distinguem entre si.

Definio 1: Se so possveis n eventos mutuamente exclusivos e igualmente provveis, se n
A

desses eventos tem a atributo A, ento a probabilidade de A dada pela razo n
A
/ n.
Exemplo 1.
Qual a probabilidade de ocorrer face 6, quando se joga um dado equilibrado?
Soluo:
Quando se joga um dado equilibrado, ocorre um de 6 eventos mutuamente exclusivos e igualmente
provveis; logo, a probabilidade de ocorrer 6 1/6.

A definio clssica de probabilidade no valida logicamente porque circular, isto , ao exigir
que os n eventos possveis sejam igualmente provveis, estamos utilizando o conceito de
probabilidade que pretendemos definir.
Mas importante entender que a definio clssica de probabilidade no faz sentido a menos
que possamos imaginar muitas repeties independentes do fenmeno. Quando dizemos que a
probabilidade de sair cara num jogo de moeda 1/2, estamos aplicando, a um nico lanamento de
uma nica moeda, a medida de chance que teria sido obtida se tivssemos feito uma longa serie de
jogadas. Vem dai a prxima definio de probabilidade.

Definio 2: Freqncia relativa do evento A a razo entre o nmero de vezes em que ocorreu A
(n
A
) e o nmero de eventos observados (n).
importante voc entender que, se em uma longa seqncia de repeties do fenmeno, nas
mesmas condies, a freqncia relativa de um evento se aproxima de um numero fixo, esse nmero
uma estimativa da probabilidade de o evento ocorrer. Mas os matemticos ainda exigem dois
axiomas:
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 4

a probabilidade de um evento um valor entre 0 e 1;
se cada evento de um fenmeno aleatrio pode ocorrer com determinada probabilidade, a
soma dessas probabilidades igual a 1.

Exemplo 2.
Qual a probabilidade de ocorrer face 6 quando se joga um dado que no equilibrado (os seis
eventos possveis no so igualmente provveis)?
Soluo:
Se o dado no equilibrado, para obter a probabilidade de ocorrer face 6 devemos lanar o dado um
nmero suficientemente grande de vezes e dividir o nmero de vezes que saiu 6 pelo nmero de
lanamentos feitos.
Na prtica, o conceito de probabilidade como limite de uma freqncia relativa bastante til.
Alis, as casas de jogos e as companhias de seguros dependem da estabilidade das freqncias
relativas.
O maior inconveniente da definio de freqncia relativa como estimativa de probabilidade o
fato de ela se limitar aos casos em que o nmero de eventos observados pode crescer
indefinidamente. Ento afirmativas como "a probabilidade de o Brasil ganhar a prxima Copa 0,95"
no so validas? So desde que se entenda que a freqncia relativa no a nica estimativa
importante de probabilidade.

3 3. . 2 2. . M MO OD DE E L L O OS S D DE E P PR RO OB BA AB BI I L L I I D DA AD DE E : :


No captulo definimos alguns procedimentos grficos e numricos para descrever o
comportamento de uma dada caracterstica (varivel) presente no nosso estudo. Sob ponto de vista
da probabilidade, este comportamento da varivel em estudo definido como a distribuio da
mesma. Na identificao da distribuio dos dados, considerando que na maioria dos casos nosso
interesse est concentrado no estudo de variveis quantitativas, o histograma se constitui num
instrumento de grande importncia na identificao de um modelo adequado aos dados.
Se traarmos uma curva sobre o histograma observado podemos ter uma boa descrio geral
dos dados. A curva obtida um modelo matemtico para a distribuio, ou seja, uma descrio
idealizada, que oferece uma imagem concisa do padro geral dos dados, mas ignora irregularidades
de menor importncia, bem como a presena de valores atpicos.
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 5




Figura 3.1. Histograma e uma curva da distribuio

A figura 3.1 apresenta o histograma do peso, em kg, de 1500 pessoas adultas selecionadas
ao acaso em uma populao. O peso apresenta uma distribuio muito regular. O histograma
simtrico e decresce suavemente a partir de um pico central ni ic co o n na a d di ir re e o o d de e a am mb ba as s a as s c ca au ud da as s. . A A
c cu ur rv va a s su ua av ve e t tr ra a a ad da a a at tr ra av v s s d do o t to op po o d da as s b ba ar rr ra as s d do o h hi is st to og gr ra am ma a u um ma a b bo oa a d de es sc cr ri i o o d do o p pa ad dr r o o g ge er ra al l
d do os s d da ad do os s. .
A anlise do histograma indica que:
a distribuio dos valores aproximadamente simtrica em torno de 70kg;
a maioria dos valores (88%) encontra-se no intervalo (55;85);
existe uma pequena proporo de valores abaixo de 48kg (1,2%) e acima de 92kg (1%).

Uma curva com uma forma apropriada geralmente, uma descrio adequada do padro
geral de uma distribuio. Evidentemente que nenhum conjunto de dados reais descrito
exatamente por uma dessas curvas, mas sim se constitui em uma boa aproximao de fcil utilizao
e com preciso suficiente para ser considerada na pratica.
Sabemos que caractersticas (variveis) em estudo para determinados problemas apresentam
um mesmo padro de comportamento. Portanto estas variveis podem ser aproximadas por uma
mesma curva, exceto por seus valores de referncia, como por exemplo, ponto central, disperso...
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 6

Dizemos ento que variveis que apresentam um mesmo padro de comportamento seguem
um mesmo modelo (ou distribuio) de probabilidade. Um modelo de probabilidade pode ento
ser definido como uma descrio matemtica de um fenmeno aleatria (ou varivel aleatria de
forma mais formal).
Os modelos ou distribuies de probabilidade so classificados em dois tipos: modelos
discretos ou modelos contnuos.
Os modelos discretos so adequados a variveis que podem assumir um nmero finito ou
enumervel de valores enquanto que os modelos contnuos esto relacionados s variveis que
podem assumir infinitos valores.
Alguns modelos de probabilidade mais conhecidos so:
Tipo de Modelo Modelo Caracterstica
Discretos Binomial Varivel em estudo somente pode assumir dois
possveis valores em cada uma das n repeties
do experimento e a probabilidade de ocorrncia
de cada um constante.
Poisson A varivel observada identifica o resultado de
uma contagem no experimento (nmero de
insetos em uma determinada rea, por
exemplo).
Geomtrico Nmero de experimentos necessrios at a
ocorrncia de um dado resultado de interesse.
Binomial
Negativa
Nmero de experimentos necessrios at a
ocorrncia de certo nmero de vezes do
resultado de interesse.
Hipergeomtrico Varivel em estudo somente pode assumir dois
possveis valores em cada uma das n repeties
do experimento e a probabilidade de ocorrncia
de cada um no constante (usualmente
experimentos sem reposio).
Contnuos Uniforme A varivel pode assumir, com igual
probabilidade, qualquer valor em um intervalo,
regio,...
Exponencial A varivel observa o tempo necessrio at a
ocorrncia de um determinado resultado de
interesse.
Normal Variveis com distribuies simtricas em
relao a um ponto central.

Muitos outros modelos de probabilidade so conhecidos e adequados a determinados tipos
especficos de variveis em funo das caractersticas das mesmas. Essas distribuies podem ser
encontradas, por exemplo, em: Estatstica Bsica, Pedro Morettin e Wilton Bussab, Editora Saraiva.

Observaes:
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 7

Para determinadas situaes, modelos discretos podem ser aproximados (representados) por
um modelo contnuo. Por exemplo, num caso binomial onde o nmero de repeties do
experimento grande, pode-se analisar a varivel em estudo pelo modelo normal.
Os modelos aqui apresentados referem-se distribuio de uma nica varivel. Podemos em
alguns casos ter interesse no comportamento conjunto de duas ou mais variveis. Nesses
casos temos os chamados modelos multidimensionais ou multivariados, que no sero
objetos de estudo nesse curso.

3 3. . 3 3. . D DI I S S T T R RI I B BU UI I O O N NO OR RM MA AL L : :

Uma classe importante de distribuio aquela apresentada na figura 3.1. Nesse caso a curva
aproximada do histograma dos dados, tem um nico pico e apresenta uma forma de sino (simetria
em torno do ponto de pico). As curvas que apresentam esta caracterstica so chamadas de curvas
Normais e descrevem a distribuio Normal. As distribuies normais tm um importante papel na
estatstica, mas so bastante peculiares e nem um pouco normais, no sentido de serem comuns ou
naturais. A distribuio normal caracterizada por sua mdia e seu desvio padro . A funo
matemtica que define a distribuio normal dada por:

Temos ento que se a varivel em estudo, pode ser representada pela curva normal, ento ela pode
assumir qualquer valor real, a sua mdia esta localizada no centro da curva e coincide com a
mediana e desvio padro controla a disperso ao redor do ponto central.






Figura 3.2. Distribuio Normal
2
1
2
1
( ) e
2
x
f x
| | | | | | | |

| | | |

\ \ \ \
= == =

, < x < .
Notao : X ~ N( ;
2
)
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 8

3 3. . 3 3. . 1 1. . P PR R O OP P R R I I E E D D A A D DE E S S D D A A D DI I S S T T R R I I B B U U I I O O N NO OR R M MA A L L : :

X ~ N ( ;
2
)

E(X) = (mdia ou valor esperado);
Var(X) =
2
(e, portanto, DP(X) = );
x = ponto de mximo de f (x);
- e + so pontos de inflexo de f (x);
A curva Normal simtrica em torno da mdia .
A distribuio Normal depende dos parmetros e
2




Figura 3.3. Distribuies normais com mesmo desvio padro e diferentes mdias


Figura 3.4. Distribuies normais com mesma mdia e diferentes desvios padro.

Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 9

Embora haja muitas curvas Normais, todas tm propriedades em comum. Em particular todas
as distribuies normais obedecem seguinte regra:
Na distribuio normal com mdia e desvio padro :
68% das observaes esto no intervalo ( - ; + ),
95,4% das observaes esto no intervalo ( - 2 ; + 2 ),
99,7% das observaes esto no intervalo ( - 3 ; + 3 ),

3 3. . 3 3. . 2 2. . C C L L C C U UL L O O D DE E P PR R O OB B A A B B I I L L I I D D A A D DE E S S : :

As distribuies de probabilidade aproximam os dados observados de uma dada caracterstica
de interesse atravs de um modelo que nos permite, dentre outros aspectos, calcular probabilidade
de interesse a respeito da varivel em estudo.
Por exemplo: Um bom indicador do nvel de intoxicao por benzeno a quantidade de fenol
encontrada na urina. A quantidade de fenol na urina de moradores de certa regio segue,
aproximadamente, uma distribuio normal de mdia 6 mg/L e desvio padro 2 mg/L. Considere a
seguinte definio em termos da varivel quantidade de fenol na urina:
Uma pessoa considerada atpica se a quantidade de fenol em sua urina for superior a
9mg/l ou inferior a 3 mg/L.

Podemos ento estar interessado na seguinte pergunta: Qual a probabilidade de ser
encontrado um indivduo atpico?
Definimos X como sendo a quantidade de fenol encontrada na urina. Ento a pergunta de
interesse pode ser interpretada como a probabilidade de X < 3 mais probabilidade de X > 9. A
notao para este problema dada por:

P { X < 3 } + P { X > 9 }

Como calcular esta probabilidade, considerando que a varivel de interesse pode ser
representada pela distribuio normal?
O clculo de uma probabilidade na distribuio normal dado pela rea sobre a curva normal
na regio de interesse, isto , rea sob a curva de densidade fornece a proporo de observaes
que esto numa regio de valores de interesse.
Por exemplo, genericamente.
P(a < X < b)
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 10

dada pela seguinte rea sobre a curva.


Figura 3.5. Clculo da P(a < X < b)
O clculo da rea sobre a curva dada por:
( )

|

\
|
= = < <
b
a
2
1
b
a
2
2
1
x f b} X { dx e dx a P
x



A soluo do problema acima no imediata. A soluo da integral acima usualmente dada
atravs de mtodos numricos. Portanto no conveniente utilizar esta forma de obteno da
probabilidade desejada.
Questo: Como calcular a probabilidade deseja sem a necessidade de resolver a integral acima
apresentada?

Resultado:
Se X ~ N( ;
2
), ento

1) , N(0 o distribui tem
- x
Z

=


chamada distribuio normal padro. Nesse caso temos que E(Z) = 0 e Var(Z) = 1.
Observao:
Dada a v.a. Z ~ N(0;1) podemos obter a v.a. X ~ N(;
2
) atravs da transformao inversa

X = + Z . . . .
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 11

Graficamente:


Figura 3.6. Transformao para normal padro

Questo:

De que forma a transformao da varivel X em Z, normal padro facilita o clculo
de probabilidades?

Considerando a transformao Z, podemos obter o clculo de P(a < X < b) da seguinte
forma:
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 12

{ }
{ }
( )


= =
< < =
)
`


< <

=
)
`


<

<

= < <
2
1
2
2
1
z
z
2
1
2 1
2
1
x f dx e dx
z Z z
b
Z
a
P
b x a
P b X a P
x z
z



A soluo da integral mais simples que no caso anterior, e apresentada na forma de uma
tabela (Anexo 1).

Uso da tabela da Normal Padro: Z ~ N(0,1)
O significado dos valores tabelados: Para um dado valor z qualquer;


Figura 3.7. Interpretao da tabela da normal padro.

Portanto valor tabela z nos d rea sobre a curva at o ponto z, ou seja, a
P{ Z < z}
Se considerarmos que z=0.32, temos que P{ Z < 0.32 }= 0.6255, ou seja,

Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 13


Figura 3.8. P { Z < 0.32 }

Na tabela:


Considere agora:



0.6255
Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 14


Figura 3.9. P{0 < Z < 1.71 }

Soluo:
P(0 < Z 1,71) = P(Z 1,71) P(Z 0) = 0,9564 - 0,5 = 0,4564.

Observao: P(Z < 0) = P(Z > 0) = 0,5.



Outros Problemas: |

1) A resistncia a compresso de amostras de cimento pode ser representada por um modelo
normal com mdia de 6000 kg por cm
2
e um desvio padro de 100 kg por cm
2
.
a) Qual a probabilidade da resistncia da amostra ser menor do que 6250 kg/cm
2
?
b) Qual a probabilidade da resistncia da amostra estar entre 5800 e 5900 kg/cm
2
?

Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 15

2) O volume de enchimento de uma mquina automtica de enchimento usada para encher latas
de bebidas gasosas distribudo segundo o modelo normal com uma mdia de 12.4 onas
fluidas e um desvio padro de 0.1 de ona fluda.
a) Qual a probabilidade do volume de enchimento ser menor do que 12 onas fludas?
b) Se todas as latas menores que 12.1 ou maiores que 12.6 onas so rejeitas, qual a
probabilidade de uma lata ser rejeitada?

3) A vida de um semicondutor a laser, a uma potncia constante, segue um modelo normal com
mdia de 7000 horas e desvio padro de 600 horas.
a) Qual a probabilidade do laser falhar antes de completar 5000 horas?
b) Qual o tempo de vida em horas que 95% dos lasers excedem?
c) Se trs lasers forem usados em certo produto e se eles falharem independentemente, qual a
probabilidade de todos os trs estarem ainda operando aps 7000 horas?

4) Dois analistas observaram uma soluo de soda de concentrao conhecida (%) e obtiveram
os seguintes resultados:
Analista Determinaes
Joo 10.2 9.9 10.1 10.4 10.2 10.4
Paulo 9.9 10.2 9.5 10.4 10.6 9.4

Considerando que a resposta observada pode ser representada pelo modelo normal e que a
concentrao real da soluo 10.1%, responda:
a) Qual dos dois analistas tem maior probabilidade de encontrar valores acima de 10.5%?
b) Para cada analista, qual o valor da concentrao determina que 15.5% das determinaes
sero maiores?












Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 16

Anexo 1

Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 17



Captulo 3 Introduo a Probabilidade e a Inferncia Estatstica

Introduo ao Planejamento e Anlise Estatstica de Experimentos 2
o
Semestre de 2010 Prof. Pedro Ferreira Filho & Prof
a
. Estela Maris P. Bereta Pgina 18

t table with right tail probabilities

df\p 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0005
1 0.324920 1.000000 3.077684 6.313752 12.70620 31.82052 63.65674 636.6192
2 0.288675 0.816497 1.885618 2.919986 4.30265 6.96456 9.92484 31.5991
3 0.276671 0.764892 1.637744 2.353363 3.18245 4.54070 5.84091 12.9240
4 0.270722 0.740697 1.533206 2.131847 2.77645 3.74695 4.60409 8.6103
5 0.267181 0.726687 1.475884 2.015048 2.57058 3.36493 4.03214 6.8688
6 0.264835 0.717558 1.439756 1.943180 2.44691 3.14267 3.70743 5.9588
7 0.263167 0.711142 1.414924 1.894579 2.36462 2.99795 3.49948 5.4079
8 0.261921 0.706387 1.396815 1.859548 2.30600 2.89646 3.35539 5.0413
9 0.260955 0.702722 1.383029 1.833113 2.26216 2.82144 3.24984 4.7809
10 0.260185 0.699812 1.372184 1.812461 2.22814 2.76377 3.16927 4.5869
11 0.259556 0.697445 1.363430 1.795885 2.20099 2.71808 3.10581 4.4370
12 0.259033 0.695483 1.356217 1.782288 2.17881 2.68100 3.05454 4.3178
13 0.258591 0.693829 1.350171 1.770933 2.16037 2.65031 3.01228 4.2208
14 0.258213 0.692417 1.345030 1.761310 2.14479 2.62449 2.97684 4.1405
15 0.257885 0.691197 1.340606 1.753050 2.13145 2.60248 2.94671 4.0728
16 0.257599 0.690132 1.336757 1.745884 2.11991 2.58349 2.92078 4.0150
17 0.257347 0.689195 1.333379 1.739607 2.10982 2.56693 2.89823 3.9651
18 0.257123 0.688364 1.330391 1.734064 2.10092 2.55238 2.87844 3.9216
19 0.256923 0.687621 1.327728 1.729133 2.09302 2.53948 2.86093 3.8834
20 0.256743 0.686954 1.325341 1.724718 2.08596 2.52798 2.84534 3.8495
21 0.256580 0.686352 1.323188 1.720743 2.07961 2.51765 2.83136 3.8193
22 0.256432 0.685805 1.321237 1.717144 2.07387 2.50832 2.81876 3.7921
23 0.256297 0.685306 1.319460 1.713872 2.06866 2.49987 2.80734 3.7676
24 0.256173 0.684850 1.317836 1.710882 2.06390 2.49216 2.79694 3.7454
25 0.256060 0.684430 1.316345 1.708141 2.05954 2.48511 2.78744 3.7251
26 0.255955 0.684043 1.314972 1.705618 2.05553 2.47863 2.77871 3.7066
27 0.255858 0.683685 1.313703 1.703288 2.05183 2.47266 2.77068 3.6896
28 0.255768 0.683353 1.312527 1.701131 2.04841 2.46714 2.76326 3.6739
29 0.255684 0.683044 1.311434 1.699127 2.04523 2.46202 2.75639 3.6594
30 0.255605 0.682756 1.310415 1.697261 2.04227 2.45726 2.75000 3.6460
inf 0.253347 0.674490 1.281552 1.644854 1.95996 2.32635 2.57583 3.2905