INTRODUO ESTATSTICA

FORMULRIO

AMILTON BRAIO ARA

ANA VILLARES MUSETTI

SO CAETANO DO SUL
2005

Estatstica descritiva

1.

Dados no agrupados
n

x
x=

(x

i =1

s =

2.

x)

i =1

n 1

( x )

2
i

n 1

Dados agrupados
k

fi

i =1

x=

( xi f i )2
1
2

s =
xi f i n
n 1

3.

Coeficiente de variao

CV =

s
x

4.

Coeficiente de assimetria de Pearson

A=

x Mo 3( x Md )

s
s

Probabilidade

1.

Frmulas bsicas

P ( A) =

nA
n

P ( A B ) = P ( A ) + P (B ) P ( A B )
P(B A) =

P( A B )
P( A)

Se A e B so independentes, ento: P( A B ) = P( A) P(B )

Se A1 , A2 ,K An uma partio de S, com P( Ai ) > 0 , para todo i e B um evento de S com

P ( B ) > 0 , ento:
P( B Ai ) P( Ai )
P( A i B) = n
, i = 1,2 K n
P( B Ai ) P( Ai )
i 1

2.

Distribuies de Probabilidades

2.1

Mdia de uma varivel aleatria X:

a) X discreta: = E ( X ) = xi P( xi )
i

xf ( x)dx

b) X contnua: = E ( X ) =

2.2

Varincia de uma varivel aleatria X: Var ( X ) = E ( X ) = E (X 2 ) 2

2

a) X discreta: Var ( X ) = x i P( x i ) 2
2

b) X contnua: Var ( X ) =

f ( x)dx 2 .

2.3

Distribuio Binomial

P( X = k ) =

( )p
n
k

(1 p ) n k

E ( X ) = np

2.4

, k = 0,1,2 K n ,

onde

( )= C
n
k

n,k

n!
(n k )! k!

Var ( X ) = np (1 p ) ,

Distribuio de Poisson

P( X = k ) =

e k
k!

, = t

E( X ) =

Var ( X ) =

2.5

Distribuio Exponencial

e t , t 0
f (t ) =
,
, t<0
0
P(T > k ) = e k

2.6

E (T ) =

Var (T ) =

, k >0

Distribuio Normal

Se X uma v.a. com distribuio normal com mdia e desvio padro , ento
X
Z=
tem distribuio normal padro.

Intervalos de confiana

1.

Para a mdia

xz

n
s

x t

x+t

x+z

n
s
n

, ou

( t com = n 1 graus de liberdade)

2.

Para a proporo

p z

p (1 p )
p (1 p )
p p + z
n
n

3.

Para a varincia

(n 1) s 2
2

(n 1) s 2

2
1

( 2 com = n 1 graus de liberdade)

Testes de hipteses

1.

Para uma mdia

x 0

z=

ou

H 0 : = 0

t=

x 0
s
n

Para uma proporo H 0 : p = p0

2.

p ' p 0

z=

p 0 (1 p 0 )
n

3.

Para uma varincia

2 =

H 0 : 2 = 02

(n 1) s 2

4.

02
Para comparao de duas mdias

H 0 : 1 2 =

4.1

( Obs. : Para o teste de 1 = 2 , teremos = 0 )

dados emparelhados:
t=

4.2
z=

x
s
n

Amostras independentes com desvios padres conhecidos

(x 1 x 2 )

12
n1

22
n2

4.3

Amostras independentes com desvios padres desconhecidos, mas supostos iguais:

s 2p =
4.4

(n 1 1)s 12 + (n 2 1)s 22
n1 + n 2 2

(x 1 x 2 )
sp

1
1
+
n1 n 2

Amostras independentes com desvios padres desconhecidos e diferentes

t=

5.

(x 1 x 2 )
s 12 s 22
+
n1 n 2

Para comparao de duas propores:

H 0 : p1 p 2 =

( Obs. : Para o teste de p1 = p 2 , teremos = 0 )

(p1 p 2 )
p1 (1 p1 ) p2 (1 p 2 )
+
n1
n2

z=

ou, no caso de H 0 : p1 = p 2 :
n p + n 2 p2
p' = 1 1
e
z=
n1 + n 2

6.

p1 p2
p(1 p)(

1
1
+
)
n1 n 2

Para comparao de duas varincias:

F=

7.

t=

mx(s12 , s 22 )
mn(s12 , s 22 )

Para comparao de k varincias, k>2:

2 =

(n i 1)s i2
1

(n

k)ln
(n i 1)lns i2

C
n k

C = 1+

1
1
1

3(k 1) n i 1 n k

onde

n = ni

8.

Para comparao de k mdias, k>2:

k ni

xij

n
k
i
i =1 j =1

2
SQT = xij
n
i =1 j =1

ni

k ni

xij
xij

k
j =1
i =1 j =1

,
SQE =

ni
n
i =1

onde n = ni

Tabela de Anlise de Varincia (ANOVA)

Fonte de
variao
FV
Entre
amostras
Residual

Graus de
liberdade
GL
k1

Soma de
quadrados
SQ
SQE

nk

SQR

Total

n1

SQT

9.

Testes no paramtricos

9.1

Teste de aderncia:

Quadrados
mdios
QM
SQE
QME=
k 1
SQR
QMR=
nk

Valor de F Probabilidade
Fcal
P

Fcal=

QME
QMR

P=P(F>Fcal)

(Oi E i ) 2
Ei
com (k-1-m) graus de liberdade, onde

2 =

k = nmero de valores considerados no clculo da estatstica 2

m = nmero de parmetros do modelo de Ho que precisam ser estimados a partir da amostra
Ei = npi

9.2

Teste de independncia:
(Oij Eij ) 2

=
2

Eij

com (r-1)(s-1) graus de liberdade, onde

r = nmero de linhas da tabela
s = nmero de colunas da tabela
Eij = np ij =

(total da linha i ) (total da coluna j )

n

10.

Correlao e regresso linear

10.1

Coeficiente de correlao linear de Pearson

r=

S xy
S xx S yy

S xy

,onde:

n n

x
y

i
i
n
n
i =1
i 1

= ( x i x )( y i y ) = x i y i
n
i =1
i =1

S xx =

(x

x) =
2

i =1

i =1

S yy = ( y i y )
i =1

10.2

2
i

xi
i =1
n

yi
n
2
= y i i =1
n
i =1

Teste para o coeficiente de correlao linear de Pearson

H0: = 0
t n2 =

r
1 r2
n2

10.3

Regresso linear simples: Estimao do modelo.

Y = + X +e
)
y = a + bx ,

a = y bx

b=

n n
xi y i
n
xi y i i =1 i =1

n
i =1
n
xi
n
2
i =1

xi

n
i =1

S xy
S xx

onde
n

xi
i =1

x=

r2 =

10.4

y=

i =1

SQE bS xy
=
SQT
S yy

Teste para o parmetro : H 0 : = 0

t=

10.5

b 0
s R2
S xx

Teste para o parmetro : H 0 : = 0

t=

a 0
s R2 x 2
nS xx

10.6

Intervalos de confiana

a) para o valor esperado:

y ( x0 ) t n 2; s R
2

1 ( x0 x ) 2
+
n
S xx

onde:

y ( x0 ) = a + bx0
s R2 a estimativa da varincia residual dada por s R2 =

S yy bS xy
n2

, s R o respectivo

desvio padro.
b) para o valor individual:
y ( x0 ) t n 2; s R 1 +
2

10.7

Anlise de varincia

Fonte de
variao
Regresso
Resduo
Total

10.8

1 ( x0 x ) 2
+
n
S xx

Graus de
liberdade
1
n2
n 1

Somas de
quadrados
SQE = bS xy

Quadrados
mdios
bS xy

SQR = S yy bS xy

s R2 =

Estatstica F
F=

bS xy
s R2

S yy bS xy
n2

SQT = S yy

Regresso linear mltipla: Estimao do modelo.

Y = + 1 X 1 + 2 X 2 + K k X k + e
y = a + b1 x1 + b2 x 2 + Lbk xk
a = y b1 x1 b2 x 2 Lbk x k

S1 y = b1 S11 + b2 S12 + L bk S1k

S 2 y = b1 S 21 + b2 S 22 + Lbk S 2 k

M
S = b1 S 1 + b2 S 2 + Lb S
k
k
k kk
ky

onde

( x )

S ii = S xi xi = ( x i x i ) = x
2

2
i

i = 1, 2 L k

S ij = S xi x j = ( x i x i )(x j x j ) = x i x j

S iy = S xi y = ( x i x i )( y y ) = x i y

( x )( x )
i

( x )( y )
i

i, j = 1, 2 L k , i j

i = 1, 2 L k

onde os somatrios indicam os totais dos n valores de cada uma das variveis.

10.9

Anlise de varincia

Fonte de
variao
Regresso
Resduo
Total

Graus de Somas dos quadrados Quadrados mdios

liberdade
k
SQE = bi S iy
s E2 = SQE k
n k 1

n-1

SQR = S yy bi S iy

Estatstica F

F=

s E2
s R2

s R2 = SQR (n k 1)

SQT = S yy

10.10 Anlise de melhoria

Y( k 1) = ' + 1' X 1 + K k' X k 1 + e '

Y( k ) = + 1 X 1 + K k 1 X k 1 + k X k + e

10

Fonte de variao
Devida melhoria
de ajuste
Residual para o
modelo com k
variveis
Residual para o
modelo com (k-1)
variveis

Graus de
liberdade
1

Soma de
quadrados
SQM

n k 1

SQR(k)

nk

SQR(k 1)

Quadrados
mdios
SQM
s k2 =

Estatstica F
F=

SQM
s k2

SQR(k )
n k 1

Observemos que:
SQR(k ) = S yy b1 S1 y b2 S 2 y K bk S ky = S yy SQE (k )
SQR(k 1) = S yy b1' S1 y b2' S 2 y K bk' 1 S ( k 1) y = S yy SQE (k 1)

logo:
SQM = SQR(k 1) SQR(k ) = SQE (k ) SQE (k 1) .

11