Resumo Probabilidade e estatística

Intervalo de Confiança para distribuição normal: Técnica para se fazer inferências para a
população, obtemos informações da população a partir da amostra, construímos um intervalo
de confiança para obter valores próximos ao real. (parâmetro populacional está entre dois
valores).

Para a média populacional quando a Variância é conhecida: A média populacional será μ, e a

média amostral é 𝑥̅ , limites superior e inferior a estimador de 𝑥̅ é:

α é o nível de significância (sempre fixado inicialmente). Ϭ= Variância populacional; n=número

amostral; Ϭ= 1-α= é o nível de confiança para a média em (%). Saberemos com isso o valor de
α q na tabela z vai estar alfa sobre 2.
https://ava.ufms.br/pluginfile.php/633500/mod_resource/content/1/tabela%20normal.pdf.

Isso pode ser feito a diferentes níveis de confiança.

Intervalo de Confiança para Média quando a Variância é desconhecida:

A “t” de student, similar a z é simétrica. Φ é o grau de liberdade. Nesse caso, sempre será “n -
1”. (serve para encontrar na tabela) https://ava.ufms.br/mod/resource/view.php?id=337618.
S é o desvio padrão amostral que é dado; n é o tamanho amostral α é o nível de significância.
Para achar na tabela não procura α/2 e sim α. Isso quer dizer que se forem construídos
intervalos dessa mesma maneira, para um grande número diferentes de amostras, em (%) dos
casos, esse intervalo incluiria o verdadeiro valor da duração média

Intervalo de Confiança para proporção:

f é a proporção da
amostra; n é o tamanho amostral; o resto é igual. A proporção pode ser a razão do total
n/valor com defeito por exemplo.

Teste de Hipótese: Formula-se uma hipótese quanto ao valor parâmetro populacional

desconhecido, e com os valores da amostra, pode-se verificar se rejeita ou não rejeita a
hipótese formulada. Hipótese Estatística: É uma suposição quanto ao valor de um parâmetro
populacional. Tipos: H0 =hipótese nula (sempre testada, dita por uma igualdade).H1,...) é a
hipótese alternativa a ser testada. Caso H1  parâmetro, temos o tipo Teste Bicaudal, H1
parâmetro, Teste Unicaudal a direita. H1 parâmetro, Unicaudal a esquerda.

Tipos de Erro:

Lembra do exemplo do teste da covid. Num exame temos 2 possíveis hipóteses, testar (+) ou
testar (-), entretanto a hipóteses estão associadas a um erro, para o caso em que teste deu (-)
e o paciente está de fato com o patógeno. Temos o erro tipo 1 em que sua probabilidade é
denotada por (α). Caso o Paciente tenha testado (+), e o paciente não esteja de fato com o
patógeno, denotamos de erro tipo 2,

em que a probabilidade de ocorrer é dado por (β).

Os passos para determinar são: 1) Enunciar as hipóteses H0 e H1. 2) Fixar o valor de α e

identificar a variável em teste. 3) Determinar a R.C. 4) Calcular o valor da variável em teste por
meio da amostra. 5) Concluir se rejeita ou não H0.

Teste para proporções: 1) H: p=po; Ho: p(>,<,≠) de po. 2)Variável será a “Z”. 3) RC depende de
qual adotarmos na Ho. α/2 apenas no caso de Ho é ≠(é ou não é).

4) f = proporção amostral 5) Se zcal estiver na RC, A Ho é

rejeitada.

Teste para 1 média: 1)= da proporção(μo é a média a ser testada).2) variância desconhecida, a
variável será a ‘t’, Φ é n -1. 3)Rc = da proporção; (procura na tabela sem dividir α/2, em testes
unicaudais multiplicamos o valor por2. A tabela fornece alfa/2).

4) S= Desvio Padrão; 5) Concluir se rejeita ou não H0 pela RC.

Teste para 2 médias: Faremos só o 1). Ho:  =, etc.

Análise de Variância: Quando se tem mais de duas médias para se fazer o teste de hipótese, a
técnica estatística que mais se ajusta é a Análise de Variância. É a estatística experimental,
dependendo de como as unidades experimentais se comportam, podemos ter alguns tipos
diferentes de análises de variâncias, que se chamam de delineamentos.
Delineamentos Inteiramente ao Acaso: Necessita completa homogeneidade das condições tem
suas vantagens e desvantagens. Tabela:

Valor do objetivo é encontrar a estatística F. k= número de tratamentos. Olhar

https://ava.ufms.br/pluginfile.php/653089/mod_resource/content/1/Aula10_parte01_Probes
t_2021_2.pdf. (para mais detalhes)

Análise de Correlação e Regressão: Usado quando se tem por objetivo estimar uma variável
(dependente) por meio de uma ou mais outras variáveis (independentes), fazemos gráficos de
dispersão. Condição: A Relação das variáveis é linear. (para verificar isso fazemos a correlação
linear de Pearson. (r) mede a intensidade com q se manifesta a relação entre as 2 variáveis. No
intervalo (-1 a 1). Classificação:

A partir da correlação faremos a regressão:

α é o intercepto, porque é o valor que x=0. β é uma medida de inclinação da reta.

 é o erro associado, na regressão temos suposições de resultados que estão associados a esse
erro. A variável Y é (resposta ou dependente), a variável X é a variável preditora ou
independente. Usa a porra do algoritmo bioestatic