Escolar Documentos
Profissional Documentos
Cultura Documentos
Agosto de 2021
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Introdução
Primeiramente vamos obter a distribuição condicional de uma variável, dado que a
outra assume um particular valor.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Introdução
Primeiramente vamos obter a distribuição condicional de uma variável, dado que a
outra assume um particular valor. Como sabemos, para uma v.a. contı́nua X , a
P(X = x) = 0, logo a definição a seguir tem de ser interpretada apropriadamente.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Introdução
Primeiramente vamos obter a distribuição condicional de uma variável, dado que a
outra assume um particular valor. Como sabemos, para uma v.a. contı́nua X , a
P(X = x) = 0, logo a definição a seguir tem de ser interpretada apropriadamente.
f (x, y )
fX |Y (x|y ) = , fY (y ) > 0, (1)
fY (y )
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Introdução
Primeiramente vamos obter a distribuição condicional de uma variável, dado que a
outra assume um particular valor. Como sabemos, para uma v.a. contı́nua X , a
P(X = x) = 0, logo a definição a seguir tem de ser interpretada apropriadamente.
f (x, y )
fX |Y (x|y ) = , fY (y ) > 0, (1)
fY (y )
Introdução
Primeiramente vamos obter a distribuição condicional de uma variável, dado que a
outra assume um particular valor. Como sabemos, para uma v.a. contı́nua X , a
P(X = x) = 0, logo a definição a seguir tem de ser interpretada apropriadamente.
f (x, y )
fX |Y (x|y ) = , fY (y ) > 0, (1)
fY (y )
f (x, y )
fY |X (y |x) = , fX (x) > 0. (2)
fX (x)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Introdução
Primeiramente vamos obter a distribuição condicional de uma variável, dado que a
outra assume um particular valor. Como sabemos, para uma v.a. contı́nua X , a
P(X = x) = 0, logo a definição a seguir tem de ser interpretada apropriadamente.
f (x, y )
fX |Y (x|y ) = , fY (y ) > 0, (1)
fY (y )
f (x, y )
fY |X (y |x) = , fX (x) > 0. (2)
fX (x)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Introdução
Geometricamente, temos
Introdução
Geometricamente, temos
Introdução
Geometricamente, temos
Introdução
Geometricamente, temos
Curvas de regressão
Note que E (Y |x) é uma função de x, isto é, E (Y |x) = s(x), e é denominada curva de
regressão de Y sobre x.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Curvas de regressão
Note que E (Y |x) é uma função de x, isto é, E (Y |x) = s(x), e é denominada curva de
regressão de Y sobre x. Na realidade, E (Y |x) é o valor da variável aleatória E (Y |X ).
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Curvas de regressão
Note que E (Y |x) é uma função de x, isto é, E (Y |x) = s(x), e é denominada curva de
regressão de Y sobre x. Na realidade, E (Y |x) é o valor da variável aleatória E (Y |X ).
A mesma interpretação deve ser dada para E (X |y ).
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Curvas de regressão
Note que E (Y |x) é uma função de x, isto é, E (Y |x) = s(x), e é denominada curva de
regressão de Y sobre x. Na realidade, E (Y |x) é o valor da variável aleatória E (Y |X ).
A mesma interpretação deve ser dada para E (X |y ).
Geometricamente, temos
Curvas de regressão
Note que E (Y |x) é uma função de x, isto é, E (Y |x) = s(x), e é denominada curva de
regressão de Y sobre x. Na realidade, E (Y |x) é o valor da variável aleatória E (Y |X ).
A mesma interpretação deve ser dada para E (X |y ).
Geometricamente, temos
Curvas de regressão
Exemplos
Suponha que
1/2, se x − y > 0, x 6 2, x, y > 0
f (x, y ) =
0, caso contrário.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Curvas de regressão
Exemplos
Suponha que
1/2, se x − y > 0, x 6 2, x, y > 0
f (x, y ) =
0, caso contrário.
Curvas de regressão
Exemplos
Suponha que
1/2, se x − y > 0, x 6 2, x, y > 0
f (x, y ) =
0, caso contrário.
Curvas de regressão
Exemplos
Suponha que
1/2, se x − y > 0, x 6 2, x, y > 0
f (x, y ) =
0, caso contrário.
Curvas de regressão
Temos, então,
Zx
fX (x) = 1/2dy = x/2, 0 < x < 2,
0
Z2
fY (y ) = 1/2dx = 1 − y /2, 0 < y < 2,
y
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Curvas de regressão
Temos, então,
Zx
fX (x) = 1/2dy = x/2, 0 < x < 2,
0
Z2
fY (y ) = 1/2dx = 1 − y /2, 0 < y < 2,
y
Curvas de regressão
Temos, então,
Zx
fX (x) = 1/2dy = x/2, 0 < x < 2,
0
Z2
fY (y ) = 1/2dx = 1 − y /2, 0 < y < 2,
y
Curvas de regressão
Temos, então,
Zx
fX (x) = 1/2dy = x/2, 0 < x < 2,
0
Z2
fY (y ) = 1/2dx = 1 − y /2, 0 < y < 2,
y
Curvas de regressão
Temos, então,
Zx
fX (x) = 1/2dy = x/2, 0 < x < 2,
0
Z2
fY (y ) = 1/2dx = 1 − y /2, 0 < y < 2,
y
Curvas de regressão
Temos, então,
Zx
fX (x) = 1/2dy = x/2, 0 < x < 2,
0
Z2
fY (y ) = 1/2dx = 1 − y /2, 0 < y < 2,
y
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem).
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem). Na Tabela abaixo, temos os tempos
para n = 20 indivı́duos (valores da v.a. Y ).
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem). Na Tabela abaixo, temos os tempos
para n = 20 indivı́duos (valores da v.a. Y ). O fator sexo tem dois nı́veis: i = 1: sexo
masculino (H) e i = 2: sexo feminino (M), com n1 = n2 = 10.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem). Na Tabela abaixo, temos os tempos
para n = 20 indivı́duos (valores da v.a. Y ). O fator sexo tem dois nı́veis: i = 1: sexo
masculino (H) e i = 2: sexo feminino (M), com n1 = n2 = 10. O fator idade tem cinco
nı́veis: i = 1: indivı́duos com 20 anos de idade, i = 2: indivı́duos com 25 anos etc.,
i = 5: indivı́duos com 40 anos. Aqui, n1 = . . . = n5 = 4.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem). Na Tabela abaixo, temos os tempos
para n = 20 indivı́duos (valores da v.a. Y ). O fator sexo tem dois nı́veis: i = 1: sexo
masculino (H) e i = 2: sexo feminino (M), com n1 = n2 = 10. O fator idade tem cinco
nı́veis: i = 1: indivı́duos com 20 anos de idade, i = 2: indivı́duos com 25 anos etc.,
i = 5: indivı́duos com 40 anos. Aqui, n1 = . . . = n5 = 4. A acuidade visual, como
porcentagem da visão completa, também gera cinco nı́veis: i = 1: indivı́duos com
100% de visão, i = 2: indivı́duos com 90% de visão, e assim por diante.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem). Na Tabela abaixo, temos os tempos
para n = 20 indivı́duos (valores da v.a. Y ). O fator sexo tem dois nı́veis: i = 1: sexo
masculino (H) e i = 2: sexo feminino (M), com n1 = n2 = 10. O fator idade tem cinco
nı́veis: i = 1: indivı́duos com 20 anos de idade, i = 2: indivı́duos com 25 anos etc.,
i = 5: indivı́duos com 40 anos. Aqui, n1 = . . . = n5 = 4. A acuidade visual, como
porcentagem da visão completa, também gera cinco nı́veis: i = 1: indivı́duos com
100% de visão, i = 2: indivı́duos com 90% de visão, e assim por diante.
Não foi possı́vel controlar essa variável a priori como as outras duas, já que ela exige
exames oftalmológicos para sua mensuração.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem). Na Tabela abaixo, temos os tempos
para n = 20 indivı́duos (valores da v.a. Y ). O fator sexo tem dois nı́veis: i = 1: sexo
masculino (H) e i = 2: sexo feminino (M), com n1 = n2 = 10. O fator idade tem cinco
nı́veis: i = 1: indivı́duos com 20 anos de idade, i = 2: indivı́duos com 25 anos etc.,
i = 5: indivı́duos com 40 anos. Aqui, n1 = . . . = n5 = 4. A acuidade visual, como
porcentagem da visão completa, também gera cinco nı́veis: i = 1: indivı́duos com
100% de visão, i = 2: indivı́duos com 90% de visão, e assim por diante.
Não foi possı́vel controlar essa variável a priori como as outras duas, já que ela exige
exames oftalmológicos para sua mensuração. Daı́ o desbalanceamento dos tamanhos
observados: n1 = 2, n2 = 10, n3 = 5, n4 = 2 e n5 = 1.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Exemplos
Um psicólogo está investigando a relação entre o tempo que um indivı́duo leva para
reagir a um estı́mulo visual (Y ) e alguns fatores, como sexo (W ), idade (X ) e
acuidade visual (Z , medida em porcentagem). Na Tabela abaixo, temos os tempos
para n = 20 indivı́duos (valores da v.a. Y ). O fator sexo tem dois nı́veis: i = 1: sexo
masculino (H) e i = 2: sexo feminino (M), com n1 = n2 = 10. O fator idade tem cinco
nı́veis: i = 1: indivı́duos com 20 anos de idade, i = 2: indivı́duos com 25 anos etc.,
i = 5: indivı́duos com 40 anos. Aqui, n1 = . . . = n5 = 4. A acuidade visual, como
porcentagem da visão completa, também gera cinco nı́veis: i = 1: indivı́duos com
100% de visão, i = 2: indivı́duos com 90% de visão, e assim por diante.
Não foi possı́vel controlar essa variável a priori como as outras duas, já que ela exige
exames oftalmológicos para sua mensuração. Daı́ o desbalanceamento dos tamanhos
observados: n1 = 2, n2 = 10, n3 = 5, n4 = 2 e n5 = 1. Fatores desse tipo são chamados
de co-fatores.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Estudaremos várias formas de avaliar se o modelo linear postulado é adequado ou não,
dadas as suposições que fizemos sobre ele.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Estudaremos várias formas de avaliar se o modelo linear postulado é adequado ou não,
dadas as suposições que fizemos sobre ele. Para julgar a vantagem da adoção de um
modelo mais complexo (linear ou outro qualquer), vamos usar a estratégia de
compará-lo com o modelo mais simples, que é aquele discutido anteriormente, ou seja,
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Estudaremos várias formas de avaliar se o modelo linear postulado é adequado ou não,
dadas as suposições que fizemos sobre ele. Para julgar a vantagem da adoção de um
modelo mais complexo (linear ou outro qualquer), vamos usar a estratégia de
compará-lo com o modelo mais simples, que é aquele discutido anteriormente, ou seja,
yi = µ + e i .
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Estudaremos várias formas de avaliar se o modelo linear postulado é adequado ou não,
dadas as suposições que fizemos sobre ele. Para julgar a vantagem da adoção de um
modelo mais complexo (linear ou outro qualquer), vamos usar a estratégia de
compará-lo com o modelo mais simples, que é aquele discutido anteriormente, ou seja,
yi = µ + e i .
A vantagem será sempre medida por meio da diminuição dos erros de previsão, ou
ainda, da variância residual Se2 .
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Estudaremos várias formas de avaliar se o modelo linear postulado é adequado ou não,
dadas as suposições que fizemos sobre ele. Para julgar a vantagem da adoção de um
modelo mais complexo (linear ou outro qualquer), vamos usar a estratégia de
compará-lo com o modelo mais simples, que é aquele discutido anteriormente, ou seja,
yi = µ + e i .
A vantagem será sempre medida por meio da diminuição dos erros de previsão, ou
ainda, da variância residual Se2 . Para o modelo ajustado anterior, cada resı́duo é dado
por
ebi = yi − ybi = yi − α − βxi . (7)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Estudaremos várias formas de avaliar se o modelo linear postulado é adequado ou não,
dadas as suposições que fizemos sobre ele. Para julgar a vantagem da adoção de um
modelo mais complexo (linear ou outro qualquer), vamos usar a estratégia de
compará-lo com o modelo mais simples, que é aquele discutido anteriormente, ou seja,
yi = µ + e i .
A vantagem será sempre medida por meio da diminuição dos erros de previsão, ou
ainda, da variância residual Se2 . Para o modelo ajustado anterior, cada resı́duo é dado
por
ebi = yi − ybi = yi − α − βxi . (7)
Quando estes resı́duos forem pequenos, temos uma indicação de que o modelo está
produzindo bons resultados.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Estudaremos várias formas de avaliar se o modelo linear postulado é adequado ou não,
dadas as suposições que fizemos sobre ele. Para julgar a vantagem da adoção de um
modelo mais complexo (linear ou outro qualquer), vamos usar a estratégia de
compará-lo com o modelo mais simples, que é aquele discutido anteriormente, ou seja,
yi = µ + e i .
A vantagem será sempre medida por meio da diminuição dos erros de previsão, ou
ainda, da variância residual Se2 . Para o modelo ajustado anterior, cada resı́duo é dado
por
ebi = yi − ybi = yi − α − βxi . (7)
Quando estes resı́duos forem pequenos, temos uma indicação de que o modelo está
produzindo bons resultados. Para julgarmos se o resı́duo é pequeno ou não, devemos
compará-lo com os resı́duos do modelo alternativo, dados por yi − y .
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Da dificuldade de compará-los individualmente, preferimos trabalhar com as respectivas
somas de resı́duos quadráticos, dadas por
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Da dificuldade de compará-los individualmente, preferimos trabalhar com as respectivas
somas de resı́duos quadráticos, dadas por
X
n
SQTot = (yi − y )2 (8)
i=1
Xn X
n
SQRes = ebi2 = (yi − ybi )2 . (9)
i=1 i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Da dificuldade de compará-los individualmente, preferimos trabalhar com as respectivas
somas de resı́duos quadráticos, dadas por
X
n
SQTot = (yi − y )2 (8)
i=1
Xn X
n
SQRes = ebi2 = (yi − ybi )2 . (9)
i=1 i=1
Exemplos
Na quinta coluna da Tabela do exercı́cio visto, aparecem os resı́duos
Avaliação do modelo
Da dificuldade de compará-los individualmente, preferimos trabalhar com as respectivas
somas de resı́duos quadráticos, dadas por
X
n
SQTot = (yi − y )2 (8)
i=1
Xn X
n
SQRes = ebi2 = (yi − ybi )2 . (9)
i=1 i=1
Exemplos
Na quinta coluna da Tabela do exercı́cio visto, aparecem os resı́duos
Avaliação do modelo
Avaliação do modelo
Avaliação do modelo
Portanto, de modo geral, perde-se um grau de liberdade para cada parâmetro envolvido
no modelo e é natural definir o estimador de σ2e num modelo de regressão como sendo
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Portanto, de modo geral, perde-se um grau de liberdade para cada parâmetro envolvido
no modelo e é natural definir o estimador de σ2e num modelo de regressão como sendo
SQRes
Se2 = (10)
n−p
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Portanto, de modo geral, perde-se um grau de liberdade para cada parâmetro envolvido
no modelo e é natural definir o estimador de σ2e num modelo de regressão como sendo
SQRes
Se2 = (10)
n−p
em que p é o número de parâmetros do modelo.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Portanto, de modo geral, perde-se um grau de liberdade para cada parâmetro envolvido
no modelo e é natural definir o estimador de σ2e num modelo de regressão como sendo
SQRes
Se2 = (10)
n−p
em que p é o número de parâmetros do modelo. No caso particular da regressão linear
simples, p = 2 e
SQRes
Se2 = (11)
n−2
será um estimador não viesado de σ2e , isto é, E (Se2 ) = σ2e .
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Portanto, de modo geral, perde-se um grau de liberdade para cada parâmetro envolvido
no modelo e é natural definir o estimador de σ2e num modelo de regressão como sendo
SQRes
Se2 = (10)
n−p
em que p é o número de parâmetros do modelo. No caso particular da regressão linear
simples, p = 2 e
SQRes
Se2 = (11)
n−2
será um estimador não viesado de σ2e , isto é, E (Se2 ) = σ2e .
Continuando o exemplo anterior, obteremos
Avaliação do modelo
Portanto, de modo geral, perde-se um grau de liberdade para cada parâmetro envolvido
no modelo e é natural definir o estimador de σ2e num modelo de regressão como sendo
SQRes
Se2 = (10)
n−p
em que p é o número de parâmetros do modelo. No caso particular da regressão linear
simples, p = 2 e
SQRes
Se2 = (11)
n−2
será um estimador não viesado de σ2e , isto é, E (Se2 ) = σ2e .
Continuando o exemplo anterior, obteremos
números que sugerem uma diminuição significativa na soma dos quadrados dos
resı́duos. Observe que, passando de um modelo com um parâmetro para outro com
dois, há uma redução de 810 unidades na soma de quadrados residuais.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Avaliação do modelo
Portanto, de modo geral, perde-se um grau de liberdade para cada parâmetro envolvido
no modelo e é natural definir o estimador de σ2e num modelo de regressão como sendo
SQRes
Se2 = (10)
n−p
em que p é o número de parâmetros do modelo. No caso particular da regressão linear
simples, p = 2 e
SQRes
Se2 = (11)
n−2
será um estimador não viesado de σ2e , isto é, E (Se2 ) = σ2e .
Continuando o exemplo anterior, obteremos
números que sugerem uma diminuição significativa na soma dos quadrados dos
resı́duos. Observe que, passando de um modelo com um parâmetro para outro com
dois, há uma redução de 810 unidades na soma de quadrados residuais. Ou seja,
perdendo um grau de liberdade, reduziu-se a soma dos resı́duos quadráticos em 810
unidades, o que é mais uma evidência da vantagem de adoção do segundo modelo.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Figura: (a) médias alinhadas, distribuições com a mesma variância; (b) médias alinhadas,
distribuições normais com a mesma variância.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Figura: (a) médias alinhadas, distribuições com a mesma variância; (b) médias alinhadas,
distribuições normais com a mesma variância.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Yi = E (Y |xi ) + ei = α + βxi + ei , i = 1, . . . , n
Yi = E (Y |xi ) + ei = α + βxi + ei , i = 1, . . . , n
Yi = E (Y |xi ) + ei = α + βxi + ei , i = 1, . . . , n
Yi = E (Y |xi ) + ei = α + βxi + ei , i = 1, . . . , n
Yi = E (Y |xi ) + ei = α + βxi + ei , i = 1, . . . , n
Proposição
Para o estimador β temos
E (β) = β (12)
σ2e
Var (β)
b = . (13)
X
n
(xi − x)2
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Proposição
Para o estimador β temos
E (β) = β (12)
σ2e
Var (β)
b = . (13)
X
n
(xi − x)2
i=1
E (α) = α (14)
X
n
xi2
i=1
α) = σ2e
Var (b . (15)
X
n
n (xi − x)2
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Proposição
Para o estimador β temos
E (β) = β (12)
σ2e
Var (β)
b = . (13)
X
n
(xi − x)2
i=1
E (α) = α (14)
X
n
xi2
i=1
α) = σ2e
Var (b . (15)
X
n
n (xi − x)2
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
o que implica
yi ∼ N(α + βxi ; σ2e ).
Como α e β são combinações lineares de v.a. normais e independentes, temos o
seguinte resultado.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Proposição
Os estimadores α e β têm ambos distribuição normal, com médias e variâncias dadas
pela proposição anterior, isto é,
Xn
2
xi
i=1
b ∼N 2
α α; σe X n
(17)
2
n (xi − x)
i=1
σ2e
β ∼ N β; n
. (18)
X
b
2
(xi − x)
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Proposição
Os estimadores α e β têm ambos distribuição normal, com médias e variâncias dadas
pela proposição anterior, isto é,
Xn
2
xi
i=1
b ∼N 2
α α; σe X n
(17)
2
n (xi − x)
i=1
σ2e
β ∼ N β; n
. (18)
X
b
2
(xi − x)
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
β
b − βp
(xi − x)2 ∼ N (0; 1) , (19)
σe
v
u X
u n
un (xi − x)2
α
b − α u i=1
u
∼ N (0; 1) . (20)
X n
u
σe u 2
t xi
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
β
b − βp
(xi − x)2 ∼ N (0; 1) , (19)
σe
v
u X
u n
un (xi − x)2
α
b − α u i=1
u
∼ N (0; 1) . (20)
X n
u
σe u 2
t xi
i=1
Proposição
As estatı́sticas
β
b − βp
t(β)
b = (xi − x)2 , (21)
Se
v
u X
u n
un (xi − x)2
α
b − α u i=1
u
t(b
α) = (22)
Xn
u
Se ut xi2
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Proposição
As estatı́sticas
β
b − βp
t(β)
b = (xi − x)2 , (21)
Se
v
u X
u n
un (xi − x)2
α
b − α u i=1
u
t(b
α) = (22)
Xn
u
Se ut xi2
i=1
Proposição
As estatı́sticas
β
b − βp
t(β)
b = (xi − x)2 , (21)
Se
v
u X
u n
un (xi − x)2
α
b − α u i=1
u
t(b
α) = (22)
Xn
u
Se ut xi2
i=1
t-Testes
Em algumas situações, não podemos achar razoável, assumir que as variâncias
desconhecidas σ21 e σ22 , de duas populações normais sejam iguais.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Em algumas situações, não podemos achar razoável, assumir que as variâncias
desconhecidas σ21 e σ22 , de duas populações normais sejam iguais. Não existe um
método estatı́stico para testar a hipótese H0 : µ1 − µ2 = ∆0 neste caso.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Em algumas situações, não podemos achar razoável, assumir que as variâncias
desconhecidas σ21 e σ22 , de duas populações normais sejam iguais. Não existe um
método estatı́stico para testar a hipótese H0 : µ1 − µ2 = ∆0 neste caso. No entanto,
um resultado aproximado pode ser aplicado.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Em algumas situações, não podemos achar razoável, assumir que as variâncias
desconhecidas σ21 e σ22 , de duas populações normais sejam iguais. Não existe um
método estatı́stico para testar a hipótese H0 : µ1 − µ2 = ∆0 neste caso. No entanto,
um resultado aproximado pode ser aplicado.
Se H0 : µ1 − µ2 = ∆0 é verdade, a estatı́stica
X 1 − X 2 − ∆0
T0∗ = q 2 (25)
S1 S22
n1 + n2
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Em algumas situações, não podemos achar razoável, assumir que as variâncias
desconhecidas σ21 e σ22 , de duas populações normais sejam iguais. Não existe um
método estatı́stico para testar a hipótese H0 : µ1 − µ2 = ∆0 neste caso. No entanto,
um resultado aproximado pode ser aplicado.
Se H0 : µ1 − µ2 = ∆0 é verdade, a estatı́stica
X 1 − X 2 − ∆0
T0∗ = q 2 (25)
S1 S22
n1 + n2
t-Testes
Em algumas situações, não podemos achar razoável, assumir que as variâncias
desconhecidas σ21 e σ22 , de duas populações normais sejam iguais. Não existe um
método estatı́stico para testar a hipótese H0 : µ1 − µ2 = ∆0 neste caso. No entanto,
um resultado aproximado pode ser aplicado.
Se H0 : µ1 − µ2 = ∆0 é verdade, a estatı́stica
X 1 − X 2 − ∆0
T0∗ = q 2 (25)
S1 S22
n1 + n2
t-Testes
Em algumas situações, não podemos achar razoável, assumir que as variâncias
desconhecidas σ21 e σ22 , de duas populações normais sejam iguais. Não existe um
método estatı́stico para testar a hipótese H0 : µ1 − µ2 = ∆0 neste caso. No entanto,
um resultado aproximado pode ser aplicado.
Se H0 : µ1 − µ2 = ∆0 é verdade, a estatı́stica
X 1 − X 2 − ∆0
T0∗ = q 2 (25)
S1 S22
n1 + n2
t-Testes
Se x 1 , x 2 , s12 e s22 são as médias e variâncias de duas amostras aleatórias de tamanhos
n1 e n2 , respectivamente, de duas populações normais independentes com variãncias
distintas,
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Se x 1 , x 2 , s12 e s22 são as médias e variâncias de duas amostras aleatórias de tamanhos
n1 e n2 , respectivamente, de duas populações normais independentes com variãncias
distintas, um intervalo de confiança aproximado 100(1 − α)% sobre a diferença das
médias µ1 − µ2 é
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Se x 1 , x 2 , s12 e s22 são as médias e variâncias de duas amostras aleatórias de tamanhos
n1 e n2 , respectivamente, de duas populações normais independentes com variãncias
distintas, um intervalo de confiança aproximado 100(1 − α)% sobre a diferença das
médias µ1 − µ2 é
s s
s12 s22 s12 s2
x 1 − x 2 − tα/2,ν + 6 µ1 − µ2 6 x 1 − x 2 + tα/2,ν + 2
n1 n2 n1 n2
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Se x 1 , x 2 , s12 e s22 são as médias e variâncias de duas amostras aleatórias de tamanhos
n1 e n2 , respectivamente, de duas populações normais independentes com variãncias
distintas, um intervalo de confiança aproximado 100(1 − α)% sobre a diferença das
médias µ1 − µ2 é
s s
s12 s22 s12 s2
x 1 − x 2 − tα/2,ν + 6 µ1 − µ2 6 x 1 − x 2 + tα/2,ν + 2 (27)
n1 n2 n1 n2
onde ν é dado pela expressão em (26) acima, e tα/2,ν é o ponto percentual superior
α/2 da distribuição t com ν graus de liberdade.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
t-Testes
Se x 1 , x 2 , s12 e s22 são as médias e variâncias de duas amostras aleatórias de tamanhos
n1 e n2 , respectivamente, de duas populações normais independentes com variãncias
distintas, um intervalo de confiança aproximado 100(1 − α)% sobre a diferença das
médias µ1 − µ2 é
s s
s12 s22 s12 s2
x 1 − x 2 − tα/2,ν + 6 µ1 − µ2 6 x 1 − x 2 + tα/2,ν + 2 (27)
n1 n2 n1 n2
onde ν é dado pela expressão em (26) acima, e tα/2,ν é o ponto percentual superior
α/2 da distribuição t com ν graus de liberdade.
Vamos agora aplicar o teste de significância visto acima, para resolver um problema
concreto.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6
1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0)
1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) = 0, 5.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6
1.500 1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6 =
1.500 1.500
P(4/3 6 Z 6 10/3) =
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6 =
1.500 1.500
P(4/3 6 Z 6 10/3) = P(1, 33 6 Z 6 3, 33)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6 =
1.500 1.500
P(4/3 6 Z 6 10/3) = P(1, 33 6 Z 6 3, 33) = 0, 09133.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6 =
1.500 1.500
P(4/3 6 Z 6 10/3) = P(1,
33 6 Z 6 3, 33) = 0, 09133.
20.000 − 10.000
d) P(X > 20.000) = P Z >
1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6 =
1.500 1.500
P(4/3 6 Z 6 10/3) = P(1,
33 6 Z 6 3, 33) = 0, 09133.
20.000 − 10.000
d) P(X > 20.000) = P Z > = P(Z > 6, 67)
1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6 =
1.500 1.500
P(4/3 6 Z 6 10/3) = P(1,
33 6 Z 6 3, 33) = 0, 09133.
20.000 − 10.000
d) P(X > 20.000) = P Z > = P(Z > 6, 67) = 0.
1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
1 Os depósitos efetuados no Banco ABC durante o mês de janeiro são distribuı́dos
normalmente, com média de R$ l0.000,00 e desvio padrão de R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em questão.
Encontrar a probabilidade de que o depósito seja:
a) R$ 10.000,00 ou menos;
b) pelo menos R$ 10.000,00;
c) um valor entre R$ 12.000,00 e R$ 15.000,00;
d) maior do que R$ 20.000,00.
Solução
Iremos aplicar os dados da Tabela III (Distribuição Normal Reduzida N(0;1)) do livro
do Bussab. Com efeito, temos que µ = 10.000 e σ = 1.500. Seja a v.a. X = depósito,
segue que
10.000 − 10.000
a) P(X 6 10.000) = P Z 6 = P(Z 6 0) = 0, 5.
1.500
b) P(X > 10.000) = P(Z > 0) =0, 5.
12.000 − 10.000 15.000 − 10.000
c) P(12.000 6 X 6 15.000) = P 6Z 6 =
1.500 1.500
P(4/3 6 Z 6 10/3) = P(1,
33 6 Z 6 3, 33) = 0, 09133.
20.000 − 10.000
d) P(X > 20.000) = P Z > = P(Z > 6, 67) = 0.
1.500
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Lista de exercı́cios
Lista de exercı́cios
Lista de exercı́cios
a) Calcule as estimativas de mı́nimos quadrados para a inclinação e a interseção da
regressão linear simples para os dados de pureza de oxigênio.
b) Ajuste um modelo de regressão linear simples para os dados de pureza do oxigênio
(com precisão de três casas decimais para os coeficientes).
c) Teste a significância da regressão usando o modelo para a pureza do oxigênio
obtido acima.
Solução
a) Apesar de não existir uma curva simples que contenha todos os pontos da tabela,
uma análise cuidadosa nos permite afirmar que os pontos pertencem essencialmente a
uma vizinhança de uma reta linear.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
a) Calcule as estimativas de mı́nimos quadrados para a inclinação e a interseção da
regressão linear simples para os dados de pureza de oxigênio.
b) Ajuste um modelo de regressão linear simples para os dados de pureza do oxigênio
(com precisão de três casas decimais para os coeficientes).
c) Teste a significância da regressão usando o modelo para a pureza do oxigênio
obtido acima.
Solução
a) Apesar de não existir uma curva simples que contenha todos os pontos da tabela,
uma análise cuidadosa nos permite afirmar que os pontos pertencem essencialmente a
uma vizinhança de uma reta linear. Portanto, é provavelmente razoável assumir que a
média da variável aleatória Y é relacionada com x pela seguinte relação linear:
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
a) Calcule as estimativas de mı́nimos quadrados para a inclinação e a interseção da
regressão linear simples para os dados de pureza de oxigênio.
b) Ajuste um modelo de regressão linear simples para os dados de pureza do oxigênio
(com precisão de três casas decimais para os coeficientes).
c) Teste a significância da regressão usando o modelo para a pureza do oxigênio
obtido acima.
Solução
a) Apesar de não existir uma curva simples que contenha todos os pontos da tabela,
uma análise cuidadosa nos permite afirmar que os pontos pertencem essencialmente a
uma vizinhança de uma reta linear. Portanto, é provavelmente razoável assumir que a
média da variável aleatória Y é relacionada com x pela seguinte relação linear:
E (Y |x) = µY |x = β0 + β1 x
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
a) Calcule as estimativas de mı́nimos quadrados para a inclinação e a interseção da
regressão linear simples para os dados de pureza de oxigênio.
b) Ajuste um modelo de regressão linear simples para os dados de pureza do oxigênio
(com precisão de três casas decimais para os coeficientes).
c) Teste a significância da regressão usando o modelo para a pureza do oxigênio
obtido acima.
Solução
a) Apesar de não existir uma curva simples que contenha todos os pontos da tabela,
uma análise cuidadosa nos permite afirmar que os pontos pertencem essencialmente a
uma vizinhança de uma reta linear. Portanto, é provavelmente razoável assumir que a
média da variável aleatória Y é relacionada com x pela seguinte relação linear:
E (Y |x) = µY |x = β0 + β1 x
Lista de exercı́cios
a) Calcule as estimativas de mı́nimos quadrados para a inclinação e a interseção da
regressão linear simples para os dados de pureza de oxigênio.
b) Ajuste um modelo de regressão linear simples para os dados de pureza do oxigênio
(com precisão de três casas decimais para os coeficientes).
c) Teste a significância da regressão usando o modelo para a pureza do oxigênio
obtido acima.
Solução
a) Apesar de não existir uma curva simples que contenha todos os pontos da tabela,
uma análise cuidadosa nos permite afirmar que os pontos pertencem essencialmente a
uma vizinhança de uma reta linear. Portanto, é provavelmente razoável assumir que a
média da variável aleatória Y é relacionada com x pela seguinte relação linear:
E (Y |x) = µY |x = β0 + β1 x
Y = β0 + β1 x + (28)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
a) Calcule as estimativas de mı́nimos quadrados para a inclinação e a interseção da
regressão linear simples para os dados de pureza de oxigênio.
b) Ajuste um modelo de regressão linear simples para os dados de pureza do oxigênio
(com precisão de três casas decimais para os coeficientes).
c) Teste a significância da regressão usando o modelo para a pureza do oxigênio
obtido acima.
Solução
a) Apesar de não existir uma curva simples que contenha todos os pontos da tabela,
uma análise cuidadosa nos permite afirmar que os pontos pertencem essencialmente a
uma vizinhança de uma reta linear. Portanto, é provavelmente razoável assumir que a
média da variável aleatória Y é relacionada com x pela seguinte relação linear:
E (Y |x) = µY |x = β0 + β1 x
Y = β0 + β1 x + (28)
Lista de exercı́cios
Solução
a) Os erros aleatórios correspondentes à diferentes observações são assumidos serem
variáveis aleatórias não correlatas.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Os erros aleatórios correspondentes à diferentes observações são assumidos serem
variáveis aleatórias não correlatas. Suponha que tenhamos n pares de observações
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ). A figura (feita na mesa digitalizadora) é um esboço tı́pico
dos dados observados e um candidato para a reta de regressão linear estimada.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Os erros aleatórios correspondentes à diferentes observações são assumidos serem
variáveis aleatórias não correlatas. Suponha que tenhamos n pares de observações
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ). A figura (feita na mesa digitalizadora) é um esboço tı́pico
dos dados observados e um candidato para a reta de regressão linear estimada. As
estimativas de β0 e β1 irão resultar em uma reta ou seja (em um certo sentido) o
melhor candidato para os dados. O método aplicado foi proposto por Gauss
(1777-1855), e consiste e estimar os parâmetros β0 e β1 da equação (33) para
minimizar a soma dos quadrados dos desvios verticais na figura.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Os erros aleatórios correspondentes à diferentes observações são assumidos serem
variáveis aleatórias não correlatas. Suponha que tenhamos n pares de observações
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ). A figura (feita na mesa digitalizadora) é um esboço tı́pico
dos dados observados e um candidato para a reta de regressão linear estimada. As
estimativas de β0 e β1 irão resultar em uma reta ou seja (em um certo sentido) o
melhor candidato para os dados. O método aplicado foi proposto por Gauss
(1777-1855), e consiste e estimar os parâmetros β0 e β1 da equação (33) para
minimizar a soma dos quadrados dos desvios verticais na figura.
Este critério para estimar os coeficientes de regressão é chamado o método dos
mı́nimos quadrados.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Os erros aleatórios correspondentes à diferentes observações são assumidos serem
variáveis aleatórias não correlatas. Suponha que tenhamos n pares de observações
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ). A figura (feita na mesa digitalizadora) é um esboço tı́pico
dos dados observados e um candidato para a reta de regressão linear estimada. As
estimativas de β0 e β1 irão resultar em uma reta ou seja (em um certo sentido) o
melhor candidato para os dados. O método aplicado foi proposto por Gauss
(1777-1855), e consiste e estimar os parâmetros β0 e β1 da equação (33) para
minimizar a soma dos quadrados dos desvios verticais na figura.
Este critério para estimar os coeficientes de regressão é chamado o método dos
mı́nimos quadrados. Com efeito, expressamos as n observações na amostra como
yi = β0 + β1 xi + i , i = 1, 2, . . . , n (29)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Os erros aleatórios correspondentes à diferentes observações são assumidos serem
variáveis aleatórias não correlatas. Suponha que tenhamos n pares de observações
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ). A figura (feita na mesa digitalizadora) é um esboço tı́pico
dos dados observados e um candidato para a reta de regressão linear estimada. As
estimativas de β0 e β1 irão resultar em uma reta ou seja (em um certo sentido) o
melhor candidato para os dados. O método aplicado foi proposto por Gauss
(1777-1855), e consiste e estimar os parâmetros β0 e β1 da equação (33) para
minimizar a soma dos quadrados dos desvios verticais na figura.
Este critério para estimar os coeficientes de regressão é chamado o método dos
mı́nimos quadrados. Com efeito, expressamos as n observações na amostra como
yi = β0 + β1 xi + i , i = 1, 2, . . . , n (29)
e a soma dos quadrados dos desvios das observações da verdadeira reta de regressão é
X
n X
n
L= 2i = (yi − β0 − β1 xi )2 . (30)
i=1 i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Os erros aleatórios correspondentes à diferentes observações são assumidos serem
variáveis aleatórias não correlatas. Suponha que tenhamos n pares de observações
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ). A figura (feita na mesa digitalizadora) é um esboço tı́pico
dos dados observados e um candidato para a reta de regressão linear estimada. As
estimativas de β0 e β1 irão resultar em uma reta ou seja (em um certo sentido) o
melhor candidato para os dados. O método aplicado foi proposto por Gauss
(1777-1855), e consiste e estimar os parâmetros β0 e β1 da equação (33) para
minimizar a soma dos quadrados dos desvios verticais na figura.
Este critério para estimar os coeficientes de regressão é chamado o método dos
mı́nimos quadrados. Com efeito, expressamos as n observações na amostra como
yi = β0 + β1 xi + i , i = 1, 2, . . . , n (29)
e a soma dos quadrados dos desvios das observações da verdadeira reta de regressão é
X
n X
n
L= 2i = (yi − β0 − β1 xi )2 . (30)
i=1 i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Assim temos,
Lista de exercı́cios
Solução
a) Assim temos,
c0 = y − β
β c1 x (31)
X
n X
n
yi xi
X
n
i=1 i=1
yi xi −
n
i=1
β
c1 = !2 (32)
X
n
xi
X
n
i=1
xi2 −
n
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Assim temos,
c0 = y − β
β c1 x (31)
X
n X
n
yi xi
X
n
i=1 i=1
yi xi −
n
i=1
β
c1 = !2 (32)
X
n
xi
X
n
i=1
xi2 −
n
i=1
1X 1X
n n
onde y = yi e x = xi .
n n
i=1 i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a) Assim temos,
c0 = y − β
β c1 x (31)
X
n X
n
yi xi
X
n
i=1 i=1
yi xi −
n
i=1
β
c1 = !2 (32)
X
n
xi
X
n
i=1
xi2 −
n
i=1
1X 1X
n n
onde y = yi e x = xi .
n n
i=1 i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)A reta de regressão linear estimada é portanto
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)A reta de regressão linear estimada é portanto
yb = β c1 x.
c0 + β (33)
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)A reta de regressão linear estimada é portanto
yb = β c1 x.
c0 + β (33)
Lista de exercı́cios
Solução
a)A reta de regressão linear estimada é portanto
yb = β c1 x.
c0 + β (33)
Lista de exercı́cios
Solução
a)A reta de regressão linear estimada é portanto
yb = β c1 x.
c0 + β (33)
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima. As seguintes
quantidades podem ser calculadas
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima. As seguintes
quantidades podem ser calculadas
X
20 X
20
n = 20, xi = 23, 92, yi = 1843, 21
i=1 i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima. As seguintes
quantidades podem ser calculadas
X
20 X
20 X
20
n = 20, xi = 23, 92, yi = 1843, 21 x = 1, 1960, y = 92, 1605 xi2 =
i=1 i=1 i=1
X20
29, 2892, yi2 = 170.044, 5321
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima. As seguintes
quantidades podem ser calculadas
X
20 X
20 X
20
n = 20, xi = 23, 92, yi = 1843, 21 x = 1, 1960, y = 92, 1605 xi2 =
i=1 i=1 i=1
X20 X
20
29, 2892, yi2 = 170.044, 5321 xi yi = 2.214, 6566
i=1 i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima. As seguintes
quantidades podem ser calculadas
X
20 X
20 X
20
n = 20, xi = 23, 92, yi = 1843, 21 x = 1, 1960, y = 92, 1605 xi2 =
i=1 i=1 i=1
X20 X
20
29, 2892, yi2 = 170.044, 5321 xi yi = 2.214, 6566
i=1 i=1
!2
X
20
xi
X
20
i=1 (23, 92)2
Sxx = xi2 − = 29, 2892 −
20 20
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima. As seguintes
quantidades podem ser calculadas
X
20 X
20 X
20
n = 20, xi = 23, 92, yi = 1843, 21 x = 1, 1960, y = 92, 1605 xi2 =
i=1 i=1 i=1
X20 X
20
29, 2892, yi2 = 170.044, 5321 xi yi = 2.214, 6566
i=1 i=1
!2
X
20
xi
X
20
i=1 (23, 92)2
Sxx = xi2 − = 29, 2892 − = 0, 68088 e
20 20
i=1
X
20 X
20
xi yi
X
20
i=1 i=1
Sxy = xi yi − = 10, 17744
20
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
a)Retornando ao nosso problema. Agora adequamos um modelo de regressão linear
simples para os dados de pureza do oxigênio dados pela tabela acima. As seguintes
quantidades podem ser calculadas
X
20 X
20 X
20
n = 20, xi = 23, 92, yi = 1843, 21 x = 1, 1960, y = 92, 1605 xi2 =
i=1 i=1 i=1
X20 X
20
29, 2892, yi2 = 170.044, 5321 xi yi = 2.214, 6566
i=1 i=1
!2
X
20
xi
X
20
i=1 (23, 92)2
Sxx = xi2 − = 29, 2892 − = 0, 68088 e
20 20
i=1
X
20 X
20
xi yi
X
20
i=1 i=1
Sxy = xi yi − = 10, 17744
20
i=1
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
Portanto, a estimativa de mı́nimos quadrados da inclinação e interseção são
Lista de exercı́cios
Solução
Portanto, a estimativa de mı́nimos quadrados da inclinação e interseção são
Lista de exercı́cios
Solução
Portanto, a estimativa de mı́nimos quadrados da inclinação e interseção são
Lista de exercı́cios
Solução
Portanto, a estimativa de mı́nimos quadrados da inclinação e interseção são
Lista de exercı́cios
Solução
Portanto, a estimativa de mı́nimos quadrados da inclinação e interseção são
b) O modelo de regressão linear simples ajustado (com os coeficientes com três casas
decimais) é
yb = 74, 283 + 14, 947x
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Solução
Portanto, a estimativa de mı́nimos quadrados da inclinação e interseção são
b) O modelo de regressão linear simples ajustado (com os coeficientes com três casas
decimais) é
yb = 74, 283 + 14, 947x
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Graficamente, temos
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
Graficamente, temos
Lista de exercı́cios
Graficamente, temos
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo. As hipóteses são:
H0 : β1 = 0 H1 : β1 6= 0
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo. As hipóteses são:
H0 : β1 = 0 H1 : β1 6= 0
e use α = 0, 01.
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo. As hipóteses são:
H0 : β1 = 0 H1 : β1 6= 0
b2 = 1, 18
b 1 = 14, 947, n = 20, Sxx = 0, 68088, σ
β
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo. As hipóteses são:
H0 : β1 = 0 H1 : β1 6= 0
b2 = 1, 18
b 1 = 14, 947, n = 20, Sxx = 0, 68088, σ
β
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo. As hipóteses são:
H0 : β1 = 0 H1 : β1 6= 0
b2 = 1, 18
b 1 = 14, 947, n = 20, Sxx = 0, 68088, σ
β
β
b1 14, 947
t0 = =
b2 /Sxx
σ 1, 18/0, 68088
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo. As hipóteses são:
H0 : β1 = 0 H1 : β1 6= 0
b2 = 1, 18
b 1 = 14, 947, n = 20, Sxx = 0, 68088, σ
β
β
b1 14, 947
t0 = = = 11, 35.
b2 /Sxx
σ 1, 18/0, 68088
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Lista de exercı́cios
c) Vamos aplicar os t-testes vistos acima para testar a significância da regressão
usando o modelo dos dados de pureza do oxigênio do exemplo. As hipóteses são:
H0 : β1 = 0 H1 : β1 6= 0
b2 = 1, 18
b 1 = 14, 947, n = 20, Sxx = 0, 68088, σ
β
β
b1 14, 947
t0 = = = 11, 35.
b2 /Sxx
σ 1, 18/0, 68088
Obrigado:
Inferência Estatı́stica Alguns Exercı́cios Próxima Aula Referências Bibliográficas
Obrigado:
Obrigado:
Referências Bibliográficas
Referências Bibliográficas
Referências Bibliográficas
Referências Bibliográficas
Referências Bibliográficas
Referências Bibliográficas