FORMULRIO

E Es st ta at t s st ti ic ca a D De es sc cr ri it ti iv va a

29

ORGANIZAO DOS DADOS
N. de Classes (K)
Frmula de Sturges

[ ]
10
10
10
log
1 1 3, 3log
log 2
n
K Int K Int n
(
= + +
(




Amplitude dos intervalos
de Classe (h)
- Quando, ainda, no existem:
R
h
K
=
, R = mx. (x
i
) mn. (x
i
)

- Quando j existem: h = L
j+1
L
j
= l
j+1
l
j
= E
j
e
j
, onde e
j
e E
j
representam os extremos
inferiores e superiores da j-sima classe. E em que:
1
2
j j
j
L l
E
+
+
= ; j = 1, 2, , K (L = limite superior, l = limite inferior)
Ponto Mdio de uma
Classe
( )
i
x
2
i
i i
h
x l = + , h - surge quando a amplitude dos intervalos de classe constante
Tabela de Distribuio de Frequncias
Variveis Discretas Variveis Contnuas
X
i
n
i
f
i
na
i
fa
i
Classes n
i

i
x

f
i
na
i
fa
i

x
1
x
2
...

x
k

n
1
n
2
...

n
k

f
1
= n
1
/n
f
2
= n
2
/n

...

f
k
= n
k
/n
na
1
= n
1

na
2
= na
1
+ n
2

...
n
fa
1
= f
1

fa
2
= fa
1
+f
2

...

1
[l
1
, L
1
[
[l
2
, L
2
[
...
[l
K
, L
K
[
n
1
n
2
...

n
K

1
x
2
x
...
K
x
f
1
f
2

f
K

na
1
na
2
...
n
fa
1
fa
2

1

1
k
i
i
n n
=
=

1
k
i
i
f
=

1

1
K
i
i
n n
=
=

1
K
i
i
f
=

1




MEDIDAS DESCRITIVAS
Variveis Discretas Variveis Contnuas
ESTATSTICAS
Dados no agrupados Distribuio de frequncias Distribuio de freq. (intervalos de classe)

Mdia
Aritmtica

n
i
i 1
x
x
n
=
=

k
i i
i 1
n x
x
n
=
=

K
i i
i 1
n x
x
n
=

Mediana
Depois de ordenada amostra:
1
2
1
2 2
, impar
, par
2
n
n n
x n
x Me
x x
n
+
+

= =
+

Aps identificar a classe mediana (n/2).
1
2

i
i i
i
n
na
x Me l h
n

| |

|
= = +
|
|
\

M
E
D
I
D
A
S

D
E

T
E
N
D

N
C
I
A

C
E
N
T
R
A
L



Moda
Valor da varivel
(observao) que se
repete mais vezes.
Valor da varivel X com
maior frequncia absoluta
(n
i
).
Classe modal a que possui maior n
i
.
Frmula de King:
1
1 2

i i
x Mo l h
| |
= = +
|
+
\

1
= n
i
- n
i-1
;
2
= n
i
- n
i+1
.
M
E
D
I
D
A
S

D
E

O
R
D
E
M




Quantil de
Ordem k
Depois de ordenada amostra:

[ ]
( )
( 1)
( ) ( 1)
se no inteiro
1
se inteiro
2
nk
k
nk nk
x nk
Q
x x nk
+
+

,0 < k < 1

Os quantis de ordem e designam-se, 1. e 3. quartil,
respectivamente.

Aps determinar a classe que contem o
quantil.

Quartis: k = p/4, com p = 1, 2, 3.
Decis: k = p/10, com p = 1, ... , 9.
Percentis: k = p/100, com p = 1, ... , 99.

1

i
k i i
i
nk na
Q l h
n

| |
= +
|
\

E Es st ta at t s st ti ic ca a D De es sc cr ri it ti iv va a

30

Total: R = mx. (x
i
) mn. (x
i
)
R = L
k
l
1
(diferena entre o limite
superior da ltima classe e limite
inferior da primeira classe).


Amplitude
Inter-Quartis: IQ = Q
3
Q
1

Semi-Inter-Quartlica: SIQ = (Q
3
Q
1
) / 2

Desvio Absoluto
Mdio
1
n
i
i
x x
DAM
n
=

1
k
i i
i
n x x
DAM
n
=

1
K
i i
i
n x x
DAM
n
=

=

2
2 1
( )
n
i
i
n
x x
s
n
=

2
2 1
n
i
i
x
x
n
=
=

ou,

2
2 1
1
( )
1
n
i
i
n
x x
s
n
=

2
2 1
( )
k
i i
i
n
n x x
s
n
=

2
2 1
k
i i
i
n x
x
n
=
=

ou,

2
2 1
1
( )
1
k
i i
i
n
n x x
s
n
=

2
2 1
( )
K
i i
i
n
n x x
s
n
=

=

2
2 2 1
K
i i
i
n x
x s
n
=

= =

ou,

2
2 2 1
1
( )
'
1
K
i i
i
n
n x x
s s
n
=

= =

Varincia
e
Varincia
Corrigida

NOTA:
2 2 2 2
1 1
1

1
n n n n
n n
s s s s
n n

= =

Desvio Padro
e
D. P. Corrigido

2
n n
s s = e,
2
1 1 n n
s s

=
M
E
D
I
D
A
S

D
E

D
I
S
P
E
R
S

O

Coeficiente de
Disperso
s
C D
x
=

Coeficiente de
Variao
( % ) . 1 0 0
s
C V
x
=



1. Coeficiente
de Assimetria
de Pearson

g
x x
s

=
2. Coeficiente
de Assimetria
de Pearson

3( ) x x
g
s

=



Em que, 3 g 3, e onde temos:

g < 0 curva assimtrica negativa (ou enviesada esquerda);
g = 0 curva simtrica (caso da distribuio normal);
g > 0 curva assimtrica positiva (ou enviesada direita).
M
E
D
I
D
A
S

D
E

A
S
S
I
M
E
T
R
I
A

E

A
C
H
A
T
A
M
E
N
T
O



Coeficiente de
Achatamento

(Coeficiente
Percentlico de
Curtose)
3 / 4 1 / 4
90 10
C
2( )
Q Q
P P

, onde temos:

C < 0.263, curva Platicrtica;
C = 0.263, curva mesocrtica (caso da distribuio normal);
C > 0.263, curva Leptocrtica.


NOTA: Q
1
e Q
3
so o primeiro e terceiro quartis, respectivamente. P
10
e P
90
so os percentis de
ordem 10 e 90, respectivamente.







P Pr ro ob ba ab bi il li id da ad de es s

31


ALGUNS TERMOS E CONCEITOS PROBABILSTICOS
Acontecimento Elementar um dos resultados possveis de uma experincia.
Espao de Acontecimentos () o conjunto formado por todos os acontecimentos elementares.
Acontecimento qualquer subconjunto de .
Acontecimentos Equiprovveis quando a simetria nos leva a supor que um acontecimento no mais provvel do que outro.
Acontecimento Certo se A , um acontecimento, constitudo por todos os elementos de (A = ).
Acontecimento Impossvel se A no tem nenhum acontecimento elementar de (A = ).
Acontecimentos Contrrios A e B so contrrios se e s se A B = e A B = .
Acontecimentos Incompatveis A e B so incompatveis se e s se A B = .
lgebra dos Acontecimentos
Considere-se, A e B .
Reunio A B = {w: w A w B}
Interseco A B = {w: w A w B}
Complementar
A= {w: w A w }
Diferena de Dois Conjuntos
A - B = A\B = {w: w A w B} = A B
Produto Cartesiano de Dois Conjuntos A x B = {(x,y): x A y B}
Propriedades Operatrias
Designao Reunio Interseco
Comutativa A B = B A A B = B A
Associativa (A B) C = A (B C) (A B) C = A (B C)
Distributiva A (B C) = (A B) (A C) A (B C) = (A B) (A C)
Elemento Neutro A = A A = A
Elemento Absorvente A = A =
Lei do Complementar
A A = A A =
Leis de De Morgan
( ) A B A B = ( ) A B A B =
Idempotncia A A = A A A = A
CONCEITO CLSSICO DE PROBABILIDADE (Laplace, 1749-1827)
( )
m
P A
n
=
, em que m o nmero de casos favorveis ao acontecimento A e n o nmero de casos possveis.
Nota: Utiliza-se esta definio para calcular probabilidades no caso de ser finito e os seus elementos possurem igual
probabilidade, dada por (# )
-1
.
DEFINIO AXIOMTICA DE PROBABILIDADE (Kolmogorov)
1) P(A) 0, para todo o A A Nota: A uma -lgebra (coleco de subconjuntos de no vazia) definida no universo .
2) P() = 1.
3)
( )
( )
i i
i
i
P A P A =

, sendo A
1
, A
2
, , em nmero finito ou infinito numervel, tais que A
i
A
j
= , i j.
Caso Particular: P(AB) = P(A) + P(B)
Nota: Princpio generalizvel a n conjuntos, desde que sejam incompatveis dois a dois.
CONSEQUNCIAS DA AXIOMTICA (Teoremas)
1) 0 P(A) 1 2)

( ) ( ) 1 ( ) 1 ( ) P A P A P A P A + = =

3) ( ) ( ) ( ) ( ) P A B P A B P A P A B = =
4) P(A B) = P(A) + P(B) P(A B) se A B (Daniel da Silva).
P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C)
Nota: generalizvel a n conjuntos desde que compatveis dois a dois.
5) Se A B, P(A) P(B) 6) P() = 0
Anlise Combinatria
Arranjos Permutaes Combinaes


Simples
!
( )!
n
p
n
A
n p
=

a) Elementos todos distintos !
n
P n =
b) Elementos no todos distintos
1 2
;
, ,...,
1 2
!
! !... !
p
n
k k k
p
n
P
k k k
=

!
!( )!
n
p
n
C
p n p
=

Completos
n p
p
n =
n
n
n = 1
( 1)!
!( 1)!
n p
p
n p
C
p n
+
+
=

P Pr ro ob ba ab bi il li id da ad de es s

32
PROBABILIDADES CONDICIONADAS E INDEPENDNCIA
A probabilidade de A, condicionada pela realizao de B, desde que P(B) > 0, dada por:
( )
( | )
( )
P A B
P A B
P B

=

Consequncias da Definio:
1. P(A B) = P(A|B) P(B) = P(B|A) P(A) 2. ( | ) 1 ( | ) P A B P A B = 3.
[ ] [ ] ( ) | ( | ) ( | ) ( ) | P A B C P A C P B C P A B C = +

4.
[ ] ( ) | ( | ) ( | ) P A B C P A C P B C = +
se A B = 5. P(A B C) = P(A) P(B|A) P(C|A B)
Noo de Partio: {A
1
, A
2
, , A
n
} uma partio de se e s se: 1. A
i
A
j
= , i j, 2.
i
i
A =
Teorema das Probabilidades Totais: Se {A
1
, A
2
, , A
n
} uma partio de tal que : P(A
i
) > 0, i = 1, 2, , n, ento
( ) ( ) ( | ) ( )
i i i
i i
P B P B A P B A P A = =

, com B .
Teorema de Bayes: Se {A
1
, A
2
, , A
n
} uma partio de com P(A
i
) > 0, i = 1, 2, , n, e B um acontecimento
tal que P(B) > 0, ento
( | ) ( )
( | )
( | ) ( )
i i
i
j j
j
P B A P A
P A B
P B A P A
=

.
Acontecimentos Independentes:
1. A e B so independentes se e s se : P(A B) = P(A) P(B)
2. A, B e C so independentes se e s se:
2.1. P(A B) = P(A) P(B)
2.2. P(A C) = P(A) P(C)
2.3. P(B C) = P(B) P(C)
2.4. P(A B C) = P(A) P(B) P(C)
3. Se tivermos n acontecimentos, ter-se-o que verificar (2
n
n 1) condies do tipo das indicadas em 1. e 2., para que sejam
independentes. Isto : tero que ser independentes 2 a 2, 3 a 3, , n a n.
VARIVEIS ALEATRIAS UNIDIMENSIONAIS
VARIVEIS DISCRETAS VARIVEIS CONTINUAS
Funo de probabilidade e
densidade de probabilidade
funo (massa) probabilidade (f.p.):
f(x) = P(X=x)
funo densidade de probabilidade (f.d.p.):
f(x)
Propriedades
1. f(x) 0, 2. f x
i
i
( ) =

1 .
1. f(x) 0, 2. f x dx ( )

= 1 .
Funo distribuio (f.d.)
F(x) = P(Xx) = f x
i
x x
i
( )

F(x) = P(Xx) = f u du
x
( )

Propriedades
1. 0 F(x) 1; 2. F(x) no decrescente,
3. F(-)=0; 4. F(+)=1
5. P(x
1
<X x
2
) = F(x
2
)-F(x
1
),
P(x
1
X x
2
)=F(x
2
)-F(x
1
)+P(X=x
1
),
P(x
1
<X< x
2
)=F(x
2
)-F(x
1
)-P(X=x
2
),
P(x
1
X<x
2
)=F(x
2
)-F(x
1
)+P(X=x
1
)-P(X=x
2
).
6. F(x) contnua direita.
1. F(x) no apresenta descontinuidades,
2. F(x) = f (x),
3.
1 2 1 2
( ) ( ) P x X x P x X x < = =
2
1
1 2 1 2
2 1 2 1
( ) ( )
( ) ( ) ( ), .
x
x
P x X x P x X x
f x dx F x F x x x
= < = < < =
= = >

Momento de ordem k
(em relao origem)
( ) ( )
k k
k i i
i
E X x f x = =


( ) ( )
k k
k
E X x f x dx
+

= =

Propriedades do Valor
Esperado (Momento de ordem 1)
X e Y variveis aleatrias ; k, a e b constantes
1. E(k) = k, k IR 2. E(kX) = k E(X) 3. E(aX+b) = a E(X) + b
4. E(XY) = E(X) E(Y) 5. E(XY) = E(X) E(Y), com X e Y independentes.
Varincia
( )
2
2 2
( ) ( ) ( )
X i i
i
V X E X x f x
(
= = =



( )
2
2 2
( ) ( ) ( )
X i
V X E X x f x dx
+

(
= = =



Propriedades 1. V(k) = 0, k IR 2. V(kX) = k
2
V(X) 3. V(aX+b) = a
2
V(X)
4. V(XY) = V(X) + V(Y), se X e Y forem independentes.
5. V(X) = E(X
2
) [E(X)]
2
,
( )
X
V X =
o desvio padro.
Covarincia
Cov (X, Y) =
X, Y
= E(XY) - E(X) E(Y).
Propriedades 1. Cov(X, X)=V(X) ; 2. Cov(aX, bY)=ab Cov(X, Y)
3. V(XY) = V(X) + V(Y) 2 Cov (X, Y)
Coeficiente de Correlao
Dado um par de v.a. (X, Y)
( , )
. ( ). ( )
XY
XY
X Y
Cov X Y
V X V Y

= =
onde, -1
XY
1.

P Pr ro ob ba ab bi il li id da ad de es s

33

DISTRIBUIES TERICAS DISCRETAS
Distribuio Uniforme em n pontos: X U (n)
Parmetros:
1
( )
2
n
E X
+
=
,
2
1
( )
12
n
V X

=

1
( ) ( ) , 1, 2, ..., . f x P X x x n
n
= = = =

Distribuio de Bernoulli: X Ber (p)
Parmetros: E(X) = p, V(X) = pq = p(1-p)
f (x) = p
x
(1-p)
1 - x
, x = 0, 1; 0 p 1.
Distribuio de Binomial: X B (n, p)
Parmetros: E(X) = np, V(X) = npq = np(1-p)
f (x) =
n
C
x
p
x
(1-p)
n - x
, x = 0, 1, 2, , n.
Distribuio Hipergeomtrica: X H (m, n, p)
Parmetros: E(X) = np, V(X) =
1
m n
npq
m

.
( ) , 1, 2,..., .
mp mq
x n x
m
n
C C
f x x n
C

= =

com, p + q = 1.
Distribuio de Poisson: X P ()
Parmetros: E(X) = , V(X) =
( ) ( ) , 0, 1, 2, ...
-
.
!
f x P X x x
x
e
x

= = = =

DISTRIBUIES TERICAS CONTNUAS
Distribuio Uniforme: X U (a, b)
Parmetros:
( )
2
a b
E X
+
=
,
2
( )
( )
12
b a
V X

=


1
( ) , . f x a x b
b a
= < <

Distribuio Exponencial: X Exp ()
Parmetros: E(X) = 1 / , V(X) = 1 /
2

-
( ) , 0.
x
f x e x

= >
Distribuio Normal: X N (, )
Parmetros: E(X) = , V(X) =
2

Se X N (, ) ento
X
Z

=
N (0, 1)
2
( - )
-
2 1
2
( ) , ; , 0.
2
x
f x e x IR IR

= >

Distribuio do Qui-quadrado: X
2
(n), com n - nmero de graus de
liberdade
Parmetros: E(X) = n, V(X) = 2n


( )
( ) , 0, 0
2
1
2 2
.
2
2 .
f x n x
n
x n
e x
n
= > >

Nota: Sendo a funo Gama.
Distribuio t de Student: X t (n), em que n - nmero de graus de
liberdade
Parmetros: E(X) = 0,
( ) , 2
2
n
V X n
n
= >

1
-
2
2
( ) 1 ,
1
2
.
.
2
n
x
f x x IR
n
n
n
n
+
= +
+ | |

|
| |
\
|
| |
\

|
\

Distribuio F de Snedecor: X F (m, n)
Parmetros:
( ) , 2
2
n
E X n
n
= >

;
2
2
2 ( 2)
( ) , 4
( 2) ( 4)
n m n
V X n
m n n
+
= >



Nota: Se X F (m, n) ento 1/X F (n, m)

( )
( )
-1
2
( ) , , 0, 0
2
1
1
.
,
2 2
m
m
x
m
n
f x m n x
m n
n
m
x
n
m n
B
= > >
+
+
| |
|
\

Nota: Sendo B a funo Beta.

APROXIMAES PARMETROS
Se X B (n, p) e n , p 0 (n > 20) ento ( ) X P

= np
Se X B (n, p) e n , p 0.5 (usualmente, np > 10 e nq > 10) ento ( , ) X N

= np e npq =
Se X P () e ( > 20) ento ( , ) X N

= e =



I In nf fe er r n nc ci ia a E Es st ta at t s st ti ic ca a

34
DISTRIBUIES AMOSTRAIS DAS ESTATSTICAS MAIS IMPORTANTES
Parmetro Condies Varivel Aleatria Fulcral
Pop. Normal,
2
conhecido
~ (0,1)
X
N
n

2
conhecido, n grande
~ (0,1)
X
N
n

Pop. Normal,
2
desconhecido e n pequeno
( 1)
~
n
X
t
S
n

Pop. Normal,
2
desconhecido, n grande
~ (0,1)
X
N
S
n

2

Pop. Normal
( )
( )
2
2
1 2
1
~
n
n S

p Pop. Bernoulli, n grande

~ (0,1)
(1 )
p p
N
p p
n

Pop. Normais,
2
1
e
2
2
conhecidos, amostras
independentes
Amostras independentes, n
1
e n
2
grandes (n
1
>30 e
n
2
>30) e
2
1
e
2
2
conhecidos
( ) ( )
1 2 1 2
2 2
1 2
1 2
~ (0,1)
X X
N
n n



+

Pop. Normais, amostras independentes,
2 2 2
1 2
= =
e
2
1
e
2
2
desconhecidos, n
1
e n
2
pequenos (n
1
30 e
n
2
30)
( ) ( )
( )
1 2
1 2 1 2
2
~
n n
X X
t
S

+


( )( ) ( )( )
2 2
' '
1 1 2 2
2
1 2 1 2
1 1
1 1
2
n S n S
S
n n n n
+
| |
= +
|
+
\

(
1
-
2
)
Pop. Normais, n
1
e n
2
grandes (n
1
>30 e n
2
>30) e
2
1
e
2
2
desconhecidos, amostras independentes

( ) ( )
1 2 1 2
2 2
1 2
1 2
~ (0,1)
X X
N
S S
n n

+

(p
1
-p
2
)
Pop. Bernoulli, n
1
e n
2
grandes (n
1
> 30 e n
2
> 30),
amostras independentes
( ) ( )
1 2 1 2

~ (0,1)
p p p p
N
S


2 1 1 2 2
1 2
(1 ) (1 ) p p p p
S
n n

= +
2
1
2
2

Pop. Normais, amostras independentes

( ) 1 2
2
1
2
1
1 , 1
2
2
2
2
~F
n n
S
S

| |
|
\
| |
|
\











I In nf fe er r n nc ci ia a E Es st ta at t s st ti ic ca a

35

ESTIMAO PARAMTRICA
Estimao Pontual
Contexto: Populao com distribuio f(x; ) conhecida mas com desconhecido.
Objectivo: Obter um valor para . Estimador de : T = T(X) Estimativa de : t = t(x)

Centralidade ou No Enviezamento: E(T)=
Propriedades
Consistncia: (i) lim ( )
n
n
E T
+
= e (ii) lim ( ) 0
n
n
V T
+
=

Estimao Intervalar
Contexto: Populao com distribuio f(x; ) conhecida mas com desconhecido.
Objectivo: Obter um conjunto de valores para .
Intervalo Aleatrio de Confiana a (1-)100% para : ( ) ( ) ( ) ( )
(1 ) 100% 1 2
, IAC T X T X

=
Intervalo de Confiana a (1-)100% para : ( ) ( ) ( ) ( )
(1 ) 100% 1 2
, IC T x T x

=
Seleccionar a v.a. fulcral Z = Z(X, )
Determinar os quantis de probabilidade a

e b

: P(Z a

)= P(Z b

) = /2
Mtodo da varivel
aleatria fulcral para
obteno de IACs
Centrais
Inverter a desigualdade a

< Z(X, ) < b

para T
1
(x) < < T
2
(x)
Parmetro Condies IAC
(1-)100%

Pop. Normal,
2
conhecido
( ) 1 2
1
X
n

Pop. Normal,
2
desconhecido e n
pequeno ( 1;1 2) n
S
X t
n

Pop. Normal,
2
desconhecido, n
grande

( ) 1 2
1
S
X
n

2


Pop. Normal
n grande
( )
( )
( )
( )
2 2
2 2
1; / 2 1; 1 / 2
1 1
;
n n
n S n S



| |

|
|
\


p

Pop. Bernoulli, n grande
( ) 1 2
1
(1 )

p p
p
n

Pop. Normais,
2
1
e
2
2
conhecidos,
amostras independentes, n
1
e n
2

grandes

( )
( ) 1 2
2 2
1 1 2
1 2
1 2
X X
n n

+


Pop. Normais, amostras independentes,
2 2 2
1 2
= = e
2
1
e
2
2

desconhecidos, n
1
e n
2
pequenos
( )
1 2
1 2 2;1 2
( )
n n
X X t S
+

( ) ( )
' 2 ' 2
1 1 2 2 2
1 2 1 2
1 1 1 1
2
n S n S
S
n n n n
+ | |
= +
|
+
\










(
1
-
2
)
Pop. Normais, n
1
e n
2
grandes e
2
1
e
2
2
desconhecidos, amostras
independentes

( ) 1 2
2 2
1 1 2
1 2
1 2
( )
S S
X X
n n

+
(p
1
- p
2
)

Pop. Bernoulli, n
1
e n
2
grandes,
amostras independentes
( ) 1 2
1
1 2
( ) p p S

2 1 1 2 2
1 2
(1 ) (1 ) p p p p
S
n n

= +

2
1
2
2

Pop. Normais, amostras independentes
( ) ( ) 1 , 1 ; 2 1 , 1 ; 1 2
1 2 1 2
' 2 ' 2
1 1
' 2 ' 2
2 2
1 1
;
n n n n
S S
S F S F

| |
|
|
\






I In nf fe er r n nc ci ia a E Es st ta at t s st ti ic ca a

36
TESTES DE HIPTESES PARAMTRICAS
Contexto: Populao com distribuio f(x; ) conhecida mas com desconhecido.
Objectivo: Tentar dar resposta, com base na informao recolhida pela a.a., a questes sobre .

1. Fases de um ensaio de hipteses

(i) Formular as hipteses: H
0
versus H
1
.

(ii) Selecciona-se a distribuio a usar e escolhe-se a regio
crtica, R.C.. Fixa-se o valor de .

(iii) Recolhe-se uma amostra concreta (X
1
, X
2
, , X
n
).
(Calcula-se o valor da estatstica de teste)

(iv) Regra de Deciso: Se (X
1
, X
2
, , X
n
), ou o valor da
estatstica de teste, pertencer R.C., rejeita-se H
0
. Caso
contrrio, no se rejeita.
2. Erros do ensaio de hipteses

Nota:
= P (erro de 1. espcie) = P (rejeitar H
0
| H
0
verdade).
= P (erro de 2. espcie) = P (no rejeitar H
0
| H
0
falsa).
Situao Real DECISO
TOMADA H
0
Verdadeira H
0
Falsa
Rejeitar H
0
Erro de 1. espcie
Prob. =
Deciso Correcta
Prob. = 1 -
No rejeitar H
0
Deciso Correcta
Prob. = 1 -
Erro de 2. espcie
Prob. =


MODELO DE REGRESSO LINEAR SIMPLES:
0 1
Y X = + +
Mtodo dos Mnimos Quadrados (M.M.Q.):
Parmetros Estimados:
1

xy
xx
SQ
SQ
= e
0 1

y x = , em que:
1
xy i i i i
i i i
SQ x y x y
n
=

e
2
2
1
xx i i
i i
SQ x x
n
| |
=
|
\

.
O modelo estimado, vem:
0 1

y x = +

0
2
2 2

1

xx
x
n SQ

| |
= +
|
\
e
1
2
2

xx
SQ

= . Varincia dos parmetros

0
e
1
, respectivamente.

2
2
SQE
S
n
=

onde,
2
1
( )

xy
yy yy xy
xx
SQ
SQE SQ SQ SQ
SQ
= =
e
2
2
1
yy i i
i i
SQ y y
n
| |
=
|
\

. S
2
o estimador da varincia do erro.
TABELA DA ANOVA (ANALYSIS OF VARIANCE)
Em que: SQT = SQ
yy
= SQR + SQE e ( )
2
1

x y
x y
x x
S Q
S Q R S Q
S Q
= =
.
Origem de Variao
Soma de Quadrados - SQ Graus de Liberdade - gl Mdia de Quadrados - MQ Valor da Estatstica F
Regresso SQR 1

MQR = SQR / 1
Erro SQE n 2

MQE = SQE / n 2
Total SQT n 1

F = MQR / MQE
Coeficiente de Correlao & Coeficiente de Determinao
.
xy
xx yy
SQ
r
SQ SQ
=
, -1 r 1 e 2
1 1
yy
SQE SQR SQE
r
SQ SQT SQT
= = =
, 0 r
2
1

Distribuio
dos Estimadores
de Mnimos Quadrados
Suposio
Adicional
( )
2
, 0 ~ N
i

2 2
1
0 0

~ ,
n
i
i
x x
x
N
n S Q

=
| |
|
|
|
|
\

2
1 1

~ ,
x x
N
SQ

| |
|
|
\

Intervalo Aleatrio
deConfiana (1-)100%
IAC
(1-)100%
(
1
) =
2
1 ( 2;1 )

( 2)
n
xx
SQE
t
n SQ

| |

|
|

\

H
0
:
1
= 0 versus H
1
:
1
0
0
1 ( 2 )
( 2)

~
xx
n
H
n SQ
T t
SQE

=

Significncia
do Modelo
W = (-, -c) (c, +), onde
( )
2
2; 1 n
c t


=
H
0
: O modelo de RLS no Adequado versus H
1
: H
0

H
0
:
0
=
1
= 0 versus H
1
:
i
0 (i = 0, 1)
TESTES DE HIPTESES
Adequao do
Modelo de RLS
( )
0
1, 2
~
n
H
MQR
T F
MQE

=

W = (c,+) onde
( ) 1, 2; 1 n
c F

=


TABELAS
















































TABELA A Alfabeto Grego


Smbolos Gregos Nome Grego
Minsculas Maisculas
Alfa

Beta

Gama

Delta

psilon

Zeta

Eta

Teta

Iota

Capa

Lambda

Mu

Nu

Csi

micron

Pi

Rho

Sigma

Tau

Upsilon

Fi

Chi

Psi

mega