ÍNDICE

1. ESTATÍSTICA

1.1 Distribuições de Frequências 06

1.2 Apresentação de Dados 08

1.3 Médias 10

1.4 Medidas Separatrizes 13

1.5 Moda 16

1.6 Medidas de Dispersão 18

1.7 Análise Combinatória 21

1.8 Probabilidade 22

1.9 Variáveis Aleatórias Discretas 24

1.10 Variáveis Aleatórias Contínuas 26

1.11 Distribuições Discretas de Probabilidade 27

1.12 Distribuições Contínuas de Probabilidade 29

1.13 Amostragem 31

1.14 Estimadores 32

1.15 Intervalos de Confiança 34

ÍNDICE

1. ESTATÍSTICA

1.16 Testes de Hipóteses 36

1.17 Análise de Variância 39

1.18 Regressão Linear Simples 41

ASPECTOS GERAIS
Frequência = número de vezes que um determinado ELEMENTOS
valor aparece no conjunto
CLASSES
Podemos agrupar os valores em classes
= cada grupo/ intervalo de valores
( Conveniente quando há muitos valores
possíveis, ou com variáveis contínuas) Ex.: classe 3 = 158 162
Ganhamos simplicidade, mas perdemos
detalhes sobre os elementos
LIMITES DE CLASSE
SÍMBOLOS = extremos da classe
Inclui ambos os limites Ex.: limites da classe 3: 158 e 162

Inclui limite inferior, exclui AMPLITUDE DE UM

limite superior INTERVALO DE CLASSE
Inclui limite superior, exclui = diferença entre o limite superior e o

distribuições limite inferior ( ,"#$ ) (, )

limite inferior %&'

Exclui ambos os limites

de frequências
ℎ = #"#$ − #%&'
EXEMPLO
AMPLITUDE TOTAL
Altura dos alunos de uma escola = ELEMENTOS=
Classes = A diferença entre o maior e o menor
número do conjunto inteiro (elemento)
ALTURA FREQUÊNCIA (!! ) PONTO MÉDIO ("! )
150 + 154 04 152 PONTO MÉDIO DE UMA CLASSE (!! )
154 + 158 09 Número de 156 = divide o intervalo em 2 partes iguais
158 + 162 11 ocorrências
160 (Média
limites da classe )
Aritmética dos

162 +166 08 164

05 #"#$ + #%&'
166 + 170 168 !! =
2
170 + 174 03 172
150 + 154
TOTAL: 40 = Total de alunos "!. : !! = = 152
2
FREQUÊNCIA ABSOLUTA SIMPLES distribuições
= Número de dados na respectiva classe ( fi )
(elementos)
Soma das frequências simples de todas as
=
de frequências
TIPOS DE FREQUÊNCIAS =
classes = total de elementos (n)

( )! = *

porcentagem )
(Normalmente em
FREQUÊNCIA RELATIVA SIMPLES FREQUÊNCIAS ACUMULADAS
= razão entre a frequência simples da Pode-se calcular por frequências absolutas ou relativas.
respectiva classe e a frequência total:
FREQUÊNCIA ACUMULADA CRESCENTE se decrescente, faz-se o
!" DENSIDADE DE FREQUÊNCIA mesmo procedimento,
!!" = = Razão entre a frequência + = )! 1. Copiar a freq. absoluta da 1ª classe de baixo para cima.
#
da classe e sua amplitude: ℎ 2. Para o cálculo da frequência seguinte: somar a
frequência acumulada anterior com a absoluta da
classe correspondente
EXEMPLO simples )
(Frequências
Altura dos alunos de uma escola ALTURA FREQUÊNCIA (fi) FREQ. ACUMULADA (fac)
ALTURA FREQUÊNCIA (fi) FREQUÊNCIA RELATIVA (Fri) 150 + 154 04 + 04
150 + 154 04 Absoluta 4/40 = 0.1 (10%) 154 + 158 09 13
simples
154 + 158 09 9/40 = 0.225 (22,5%) 158 + 162 11 + 24
158 + 162 11 11/40 = 0.275 (27,5%) 162 +166 08 32
162 +166 08 8/40 = 0.2 (20%) 166 + 170 05 37
166 + 170 05 5/40 = 0.125 (12,5%) 170 + 174 03 40
170 + 174 03 3/40 = 0.075 (7,5%) TOTAL: 40 (n) 40
TOTAL: 40 (n) 1.00 (100%) A freq. acumulada A frequência acumulada de uma classe,
da última classe =
total de elementos (n) indica o número de elementos menores
que seu limite superior
DIAGRAMA DE RAMOS E FOLHAS GRÁFICO DE SETORES (PIZZA)
Outra representação de dados em rol Útil para apresentar para mostrar divisão de um
ROL: 11 11 12 13 13 20 21 21 30 31 33 todo em partes
42 65 72 73 CIDADE NATAL x FREQUÊNCIA
40%
1 11233 30%
2 011
3 013
4 2

apresentação
6 5
7 23 30%
Cada setor circular é proporcional à respectiva

de dados
1ª coluna
dezena Unidades frequência
correspondentes
é possível encontrar o ângulo por
regra de três:
100% 360°
GRÁFICO DE COLUNAS OU BARRAS JUSTAPOSTAS
30% x
Para dados agrupados por valor ou atributo CIDADE NATAL X FREQUÊNCIA
Ex.: idade x frequência GOIÂNIA

12 BH
FREQUÊNCIA ABSOLUTA

10 SP
08 RJ
06
MANAUS
04
10 20 30 40 50
20 21 22 23 24 IDADE
GRÁFICO DE LINHAS
Usados na representação de séries temporais apresentação
IDADE

72
ESPERANÇA DE VIDA AO NASCER
de dados
70

68

66

64
HISTOGRAMAS
ANOS Usados para representar dados agrupados em classes
(dados contínuos)
1990 1995 2000 2005 2010 2015 Normalmente =

GRÁFICO DE HASTES OU BASTÕES = distribuições de frequências

Usados para representar dados não agrupados em classes Relaciona classe frequências por retângulos contínuos

dados discretos )
(Normalmente = Área de cada retângulo é proporcional à frequência

SALÁRIOS DOS FUNCIONÁRIOS DA

QUANTIDADE FREQUÊNCIA
EMPRESA
50 10

40 08

30 06

20 04

10 02
NÚMERO DE SALÁRIO
FILHOS 0
01 02 03 04 05 [10,15] (15,20] (20,25] (25,30]
MÉDIA ARITMÉTICA SIMPLES
xA =
soma dos termos
médias
número de termos 5 termos (n)

Ex.: média aritmética simples dos números 3, 5, 9, 2, 11

3 + 5 + 9 + 2 + 11 Se todos os números
!̅ = MÉDIA ARITMÉTICA PONDERADA
5 forem substituídos por
",̅ a soma dos termos Como a simples, mas os elementos (xi) podem ter
30 pesos diferentes (p)
= !̅ = 6 será preservada.
de uma matéria vale mais que de outra )
(Como
5 em uma prova, em que as questões
#$%& = )̅ . +

PROPRIEDADES DA MÉDIA ARITMÉTICA soma dos termos multiplicados

pelos respectivos pesos
Sempre existe e é única !) =
soma dos pesos
menor nº do conjunto ≤ x8 ≤ maior nº do conjunto
A soma dos desvios em relação à média é nula Ex.: média aritmética ponderada dos seguintes
A soma do quadrado dos desvios em relação à média é números e seus pesos:
mínima • 3, peso 2 3 . = + 4. @ + 2. B
x" =
Somando-se uma constante c a todos os números, a 2+1+5
• 4, peso 1
Use para simplificar
os termos antes de
calcular as médias

nova média (!̅ ( ) será: !̅ ( = !̅ + F (para subtração)

O equivalente
• 2, peso 5 =
6 + 4 + 10
8
20
Multiplicando-se todos os números por uma constante c, =
8
a nova média (!̅ ( ) será: !̅ ( = !.̅ F ( Opara divisão )
equivalente
x" = 2,5
 médias MÉDIA PARA DADOS AGRUPADOS POR CLASSE
Normalmente para dados contínuos
Ex.: altura dos alunos de uma escola
Número de Você calcula!
classe ocorrências
MÉDIA PARA DADOS AGRUPADOS POR VALOR
= mesma ideia da média ponderada ALTURA FREQUÊNCIA (fi) PONTO MÉDIO (xi) !$ . #$
Normalmente para dados discretos 150-154 4 152 608 = 152.4

Ex.: idade dos alunos de uma escola 154-158 9 156 1.404

Você calcula!
(coluna auxiliar) 158-162 11 1.760
Número de 160
valor ocorrências
162-166 8 164 1.312
IDADE (xi) FREQUÊNCIA (fi) !$ . #$
166-170 5 168 840
25 21 525 = 25.21
170-174 3 172 516
30 47 1.410
TOTAL: 40 6.440
34 54 1.836
38 41 1.558
(=alunos
total de
)
41 37 1.517 ∑ !! . )! 6.440
!̅ = = !̅ = 161 FN
TOTAL: 200 6.846 ∑ )! 40

(=alunos
total de
) CÁLCULO DO PONTO MÉDIO (xi)
∑ !! . )! limite inferior da classe + limite superior da classe
!̅ = x# =
∑ )! 2
150 + 154
6.846 Ex.: x$ = = 152
= !̅ = 34,23 K*LM 2
200
 médias MÉDIA HARMÔNICA
*
O=
1 1 1
+ + ⋯+
!* !+ !,
= inverso da média aritmética dos inversos:
MÉDIA GEOMÉTRICA
(
Raiz n-ésima do produto dos termos n = número de
termos ) 1
+
1
+ ⋯ +
1 -*

! !+ !,
T= (
!* . !+ … !, O= *
* (alternativa
Fórmula
)
Ex.: média geométrica dos termos 3, 8, 9:
Se todos os número forem substituídos por H
M, a
3 termos (n) soma dos inversos dos termos será preservada
) )
T= 3 .8 .9 T= 216 n
soma dos inversos =
T=6 P
H
Se todos os números forem substituídos por Ex.: média harmônica dos termos 3, 4, 9:
G, o produto dos termos será preservado 3 3 termos (n)
O=
produto dos termos = G . G … G 1 1 1
3+ 4+ 9
n
3 3 108
DESIGUALDADE DAS MÉDIAS CAI MUITO! O= = =
12 + 9 + 4 25 25
Para uma sequência de números positivos 36 36
!̅ ≥ T ≥ O (Só números forem iguais )
é igual quando todos os O = 4,32
 medidas
MEDIDAS SEPARATRIZES
separatrizes
= MEDIANA =
Dividem os dados em partes
É necessário que os dados estejam dispostos em ordem
crescente (ou decrescente)
Dispostos em “rol”

MEDIANA (Md)
= número que se encontra no centro de uma série de PROPRIEDADES
CAI MUITO!

números.
A mediana não é influenciada pelo valores
MEDIANA PARA DADOS NÃO-AGRUPADOS extremos do rol (depende da posição)
Somando-se (subtraindo-se) uma constante c
NÚMERO ÍMPAR DE TERMOS de todos os valores a mediana também
mediana
3, 4, 5, 7, 8, 9, 10, 12, 13 é somada/subtraída de c.
W. ′ = W. + F W. ′ = W. − F
4 elementos 4 elementos
++1 Multiplicando-se (dividindo-se) todos os
Mediana = termo de ordem 2 valores por uma constante c a mediana
NÚMERO PAR DE TERMOS também é multiplicada/dividida por c.
mediana = 8+9 = 8.5 (ponto médio)
2 W. ′ = W. . F W. ′ = W. : F
3, 4, 5, 7, 8, 9, 10, 12, 13, 15
A soma dos módulos dos desvios da
4 elementos 4 elementos
sequência de números xi em relação a um
Mediana = média aritmética entre o termo de número é mínima se em relação à
ordem n/2 e n/2 +1 mediana
MEDIANA PARA DADOS AGRUPADOS MEDIANAS PARA DADOS AGRUPADOS
SEM INTERVALOS DE CLASSE EM CLASSES
Ex.: notas de alunos em uma classe FREQÊNCIA
ALTURA FREQUÊNCIA (fi)
ACUMULADA (fac)
EXEMPLO 1: Número de alunos 40-50 2 2
FREQÊNCIA +
NOTAS FREQUÊNCIA (fi)
ACUMULADA (fac)
50-60 5 7 S&T&'(
P! 60-70 S! 7 +
2 2 2 14
+ 70-80 8
4 6 8 22
+ 80-90 3 25
6 10 18
8 12 TOTAL: 25 (n) 25
30
10 9 39
medidas 1º passo.: determinar a classe mediana
Encontrar a classe onde esteja

separatrizes
TOTAL: 39 (n) 39
a frequência acumulada n/2
Total = 39 (ímpar) Md= número na posição (n+1)/2 n/2 = 25/2 = 12,5
Ele está na classe de nota 8!
Md= 20º termo = MEDIANA = Está entre fac 7 e 14 logo,
Logo, Md = 8 classe mediana = 60 -70
EXEMPLO 2: 2º passo: aplicar a fórmula:
FREQÊNCIA +Q − S&T
NOTAS FREQUÊNCIA (fi) 2 &'()*!+*
ACUMULADA (fac) O% = P! + .ℎ
S!
2 2 2
4 6 + 8 DO EXEMPLO ,! Limite inferior
Total = 36 (par) 12,5 − 7 345/01 Frequência acumulada
6 10 + 18 -. = 60 + . 10 da classe anterior
Md= média entre n/2 e n/2+1 7 h Amplitude da classe 70 - 60

8 12 30 Md= média entre x(18) e x(19) -. = 67,85

3! Frequência simples da
classe mediana
10 6 =6 =8
36
Logo, Md= 7
TOTAL: 36 (n) 36
 DECIL
QUARTIL
Divide os dados em 10 partes de mesma frequência
Divide os dados em 4 partes de mesma frequência
São 9 decis com 10% dos dados cada
São 3 quartis com 25% dos dados cada
D1 D3 D5 D7 D9
25% dos dados 50% dos dados
(Q2 = Mediana) ,!02 D2 D4 D6 ,345
D8

,!02 Q1 Q2 Q3 ,345 FÓRMULAS

X. +Q10 − S&T&'(
= Amplitude interquartílica = Q3-Q1 W. = P# + .ℎ
S!
Amplitude semi-interquartílica = (Q3-Q1)/2
ATENÇÃO!
PERCENTIL
Q1 = mediana entre ,!02 e Q2
Q3 = mediana entre ,345 e Q2
medidas Divide os dados em 100 partes de mesma
frequência

separatrizes (são 99 percentis com 1% dos dados cada)

FÓRMULAS
X. +Q100 − S&T&'(
Y. = P# + .ℎ
FÓRMULAS ( Procedimento análogo
ao da mediana ) S!

DECORE!
BOX PLOT
1. +Q4 − S&T&'(
V$ = P# + .ℎ Gráficos que usam os quartis para a
S!
representação de dados
2. +Q4 − S&T&'( Pode ser horizontal ou vertical
V, = P# + .ℎ Q1
S! Q2
Q3
outliers

3. +Q4 − S&T&'( ..
V- = P# + .ℎ mínimo máximo
S!
0 04 06 08 10 12 14 16
ASPECTOS GERAIS
= valor que aparece com maior frequência
moda
Um conjunto de valores pode ter mais de uma moda

MODA PARA DADOS NÃO-AGRUPADOS

X = { 1, 3, 9, 16, 20, 21, 21, 34 } = conjunto amodal
X = { 1, 3, 9, 16, 16, 16, 20, 21, 21, 34 } = conjunto unimodal
X = { 1, 3, 9, 16, 16, 20, 21, 21, 34 } = conjunto bimodal

MODA PARA DADOS AGRUPADOS

SEM INTERVALOS DE CLASSE
PROPRIEDADES DA MODA
Frequência A moda não é influenciada pelos valores extremos
simples
A moda é aquele valor com fi maior ( vezes que cada valor aparece! )
do rol Depende apenas do número de
Ex.: notas de alunos em uma classe Somando-se (subtraindo-se) uma constante c de
todos os valores a moda também é somada ou
NOTAS FREQUÊNCIA (fi) subtraída de c
2 2 W/ ′ = W/ + F W/ ′ = W/ − F
4 4
6 10 Multiplicando-se (Dividindo-se) todos os valores por
Moda = 8
(Nota 8!) uma constante c a moda também é
8 12
multiplicada/dividida por c
10 9 ATENÇÃO!

A moda não é a fi, W/ ′ = W/ . F W/ ′ = W/ : F

TOTAL: 39 (n) mas o valor em si
 moda
MODA DE PEARSON
DECORE!
média
$% = 3. Md − 2-,
moda mediana
CAI MUITO!

Utilize apenas quando a questão pedir expressamente MODA PARA DADOS AGRUPADOS EM CLASSES
MODA PARA DADOS AGRUPADOS EM CLASSES MODA DE CZUBER
∆1 = S1 − S&'(
∆1
MODA BRUTA Classe com maior W/ = #! + .ℎ ∆2 = S1 − S2+3(
frequência ∆1 + ∆2
É o ponto médio da classe modal
)0 − )1,2 Alguns livros
Ex.: se a classe modal for: W/ = #! + .ℎ usam a
)0 − )1,2 + )0 − ))/32 fórmula assim
primeira: 7789 = 8
ALTURA FREQUÊNCIA ( fi ) última: 7:;<9 = 8
40-50 2 Limite inferior
MODA DE KING
66
50-60 5 Amplitude de classe
))/32
h W/ = #! + .ℎ
60-70 7 7789 Frequência da classe
)1,2 + ))/32
7789
7= classe anterior
66 70-80 8 modal Frequência da classe
7:;<9
posterior Essas fórmulas de Czuber e King só
80-90 3 7:;<9 podem ser aplicadas se as amplitudes
7= Frequência simples da
TOTAL: 25 (n) classe modal das classes (h) forem todas iguais
moda bruta = 75
ATENÇÃO!
 medidas
ASPECTOS GERAIS
de dispersão
= Analisa o afastamento dos dados
Exemplos:
( Total,
Amplitudes interquartílica .... )
(
Desvios Quartílico, médio,
padrão... ) DESVIOS
Variância
= Diferença entre um número do conjunto (xi) em
Coeficiente de Variação relação a um número (m).

AMPLITUDE TOTAL +! = !! − N

[ = !4á6 − !4!, PROPRIEDADES

= Diferença entre o maior e o menor valor de um Soma algébrica dos desvios relação à média (!̅ ) é zero
conjunto de dados
PROPRIEDADES ( +! = ( !! − !̅ = 0
Somando-se (subtraindo-se)uma constante c de todos
os valores a amplitude não é alterada. A soma dos quadrados dos desvios ( ∑ +!+ ) em
relação a um número m é mínima quando m= [
M
Multiplicando-se (dividindo-se) todos os valores por
uma constante c a amplitude também é A soma dos módulos dos desvios (∑ |+! |) em relação
multiplicada (ou dividida) por c. a um número m é mínima quando m = mediana.
 medidas
de dispersão
DESVIO MÉDIO
= média dos módulos dos desvios dos termos (xi) em
relação à média ()̅ )
∑ |!! − !|̅
^4 =
* DESVIO PADRÃO (Populacional)

Em dados agrupados, deve-se calcular a média ponderada ∑ !! − !̅ +

= raiz quadrada da variância: ] = *
dos desvios:
Os pesos são as
∑ !! − !̅ . )! frequências (fi) A variância e o desvio padrão serão nulos quando
^4 =
* todos os termos forem iguais.

SIMBOLOGIA:
VARIÂNCIA (Populacional) _ , : Variância populacional
= média aritmética dos quadrados dos desvios ` , : Variância amostral
∑ )! − )̅ , +
∑ |!! − !|̅ + `, = ` , = ) , − )̅ ,
.
]+ = +−1 +−1
* ] : Desvio padrão populacional
% : Desvio padrão amostral
+ +
Ou ] = !+ − !̅ ∑ )! − )̅ ,
`=
σ, = média dos quadrados − quadrado da média +−1
 medidas
VARIÂNCIA E DESVIO PADRÃO
PROPRIEDADES
de dispersão
Somando-se (subtraindo-se) uma constante c de
todos os valores: a variância e o desvio padrão
não se alteram
Multiplicando-se (dividindo-se) todos os valores por
uma constante c:
O desvio padrão também é multiplicado
(dividido) por c
A variância é multiplicada (dividida) por c² COEFCIENTE DE VARIAÇÃO
] = Razão entre o desvio
VARIÂNCIA E DESVIO PADRÃO c9 = padrão e a média (É adimensional)
!̅
PARA DADOS AGRUPADOS
∑ !! − !̅ + . _7 Dá uma noção relativa da dispersão dos dados:
]+ = permite “ver” se o desvio padrão é relevante
* Deve-se multiplicar
cada resultado pela quando comparado à média dos dados
respectiva frequência
∑ !! − !̅ + . _7 C8 + = variância relativa
+
` =
*−1
PRINCÍPIO FUNDAMENTAL DA CONTAGEM COMBINAÇÃO SIMPLES
= princípio multiplicativo De quantas maneiras podemos formar
Em experimentos que ocorrem em várias etapas subconjuntos de p elementos a partir de um
sucessivas e independentes conjunto de n elementos ? A ordem(
não
dos elementos
importa )
b$ nº de possibilidades na 1ª etapa
=
nº de possibilidades na n-ésima etapa ) * *!
b' = c,? ) = c, = =
d d! * − d !
Número total de formas de o acontecimento ocorrer:
= d* . d+ . … d, (multiplicação)

PRINCÍPIO ADITIVO
Em experimentos que podem ser COMBINAÇÃO COM REPETIÇÃO
realizados de p modos ou q modos
Número total de formas de o análise De quantas maneiras podemos escolher p
elementos a partir de um conjunto com n
acontecimento ocorrer = p+q (soma)

PERMUTAÇÃO SIMPLES
combinatória (
variedades? Elementos de uma mesma variedade

)
ce, =
são considerados repetidos

*+d−1 !
)

De quantas maneiras é possível d! * − 1 !

ordenar n objetos distintos?
= * . * − 1 . * − 2 . … . 1 = *!
PERMUTAÇÃO CIRCULAR ATENÇÃO!

PERMUTAÇÃO COM REPETIÇÃO são equivalentes

De quantas maneiras é possível ordenar n objetos, sendo 1 4
alguns deles repetidos? 4 2 3 1
Exemplo: Um termo rx repetidos e um sx repetidos:
3 2
*!
= Número total de permutações circulares
g! . M! (Como
existência das repetições )
uma “correção” pela
de n objetos distintos =
= (n-1)!
 probabilidade
CONCEITOS
ESPAÇO AMOSTRAL ( )
U PROPRIEDADES
= Conjunto de todos os resultados possíveis Se evento = espaço amostral evento é certo
EVENTO Se evento = ∅ evento é impossível
= Todo subconjunto do espaço amostral 0≤n [ ≤1 n o =1
evento impossível = ∅ ( Conjunto
Vazio ) n [ + n [̅ = 1
PROBABILIDADE n [∪i =n [ +n i −n [∩i
Considera-se que cada elemento de U tem a (:;< ∩ > = ∅, @ < ∪ > = @ < + @(>))
mesma chance de ocorrer
*([) n(A): nº de elementos do evento A
n [ =
*(o) n(U): nº de elementos do espaço amostral

COMBINAÇÃO DE EVENTOS REPRESENTAÇÃO GRÁFICA

UNIÃO
[∪i Ocorre se ocorrer mutuamente
A ou B ou ambos excludentes
A B A B A B
INTERSECÇÃO c∩e c∪e
[∩i Ocorre se ocorrer
A e B (ou seja, CASOS ESPECIAIS
ambos) [ ⋃ i = Espaço amostral eventos exaustivos
COMPLEMENTAR
[ ⋂i = ∅ eventos mutuamente
[̅ Ocorre se não
excludentes/exclusivos
ocorrer A
ASPECTOS GERAIS TEOREMA DA PROBABILIDADE TOTAL
Para descobrir a probabilidade total de o evento B
= Probabilidade de um evento B ocorrer dado que o ocorrer no caso em que B ocorre após o evento A.
evento A ocorreu
Ex.: : =<;
! B ( diferentes formas: A1, A2 ... )
Que pode ocorrer de

n [⋂i A1 (= : ;! . : =<; )
* [⋂i
n is[ = n is[ = : ;! !

n [
C
* [
: =<;
n(g ∩ h): nº de elementos da interseção entre A e B " B (= : ;" . : =<; )
: ;" "

n (A): nº de elementos do evento A A2

C
n i = n [* . n is[ + n [+ . n(is[ )
* +

probabilidade= CONDICIONAL =

TEOREMA DE BAYES DECORE!

TEOREMA DA MULTIPLICAÇÃO Para descobrir a probabilidade de ocorrer A1,
dado que B ocorreu
n [ ∩ i = n [ . n is[
n [1 ∩ i
as resoluções! )
[*s
Se os eventos forem independentes: n i =
n i (Seagilizar
decorar o teorema, vai

n [ ∩ i = n [ .n i CAI MUITO!

n [* . n is[
Eventos independentes: = a ocorrência do [ *
n *si =
evento A não influi na ocorrência de B n [* . n s[ + n [+ . n is[
i
* +
 variáveis
aleatórias FUNÇÃO DE DISTRIBUIÇÃO
CONCEITO % ! = '() ≤ !)
= variável associada a uma distribuição de probabilidade
podem assumir diferentes valores (=assumir valores ≤ valor em questão )
Probabilidade de a variável aleatória

MODA Seu gráfico é uma função escada:

= valor com maior probabilidade
1
ESPERANÇA MATEMÁTICA 0,6 F(x3) = 0,6
F(x2) = 0,4
0,4
l
2=/ 3 = 4 -" . 5(3" ) 0
x1 x2 x3 x4
"jk
1. Multiplique cada valor por sua probabilidade MEDIANA
2. Some tudo
= valor de x em que a função de distribuição
ultrapassa 50% (0,5) pela primeira vez
PROPRIEDADES
/ 6. 3 = 6. /(3) VARIÂNCIA E DESVIO PADRÃO
/ 3+6 =/ 3 +6 . i = /(- − /(-))i
/ 3 + 8 = / 3 + /(8) PEGADINHA!
Medida do grau de dispersão da
distribuição em torno da média
/ 6 =6 Mas cuidado: se E(x.y) = E(x) . E(y),
não necessariamente x e y são
ou
. i = / - i − /(-)i
variáveis independentes
Se X e Y forem variáveis independentes: Lembrando que
.= .i E(x)=µ
/ 3. 8 = / 3 . /(8)
 COVARIÃNCIA (COV [X,Y])
E CORRELAÇÃO (![X,Y]) variáveis
cz{ !, | = } ! − t6 . (| − tB )
Se y aumenta quando x aumenta, Cov(x,y)>0
aleatórias
Se y diminui quando x aumenta, Cov(x,y)<0
Pode assumir qualquer valor real
ou cLv !, | = } !. | − } ! . }(|)
“esperança do produto – produto das esperanças” VARIÂNCIA DA SOMA E DA DIFERENÇA
cLv(!, |)
~ !, | = { ! + | = { ! + { | + 2. cLv(!, |)
]6 . ]B
{ ! − | = { ! + { | − 2. cLv(!, |)
Assume valores em [-1,1]
m(x,y) =1 correlação linear { K! + | = K+ . { ! + + . { | + 2. K. . cLv(!, |)
perfeita positiva
m(x,y)= -1 correlação linear { K! − | = K+ . { ! + + . { | − 2. K. . cLv(!, |)
perfeita negativa
Se x e y são variáveis independentes: COEFICIENTE DE VARIAÇÃO CAI MUITO!

m(x,y)=0 Mas cuidado: se m(x,y)=0 ou

Cov(x,y)=0, não necessariamente ] +uMvwL dK+gãL
Cov(x,y)=0 x e y são variáveis independentes
c9 = =
t Né+wK
PROPRIEDADES
Cov(x,x) = Var(x) VARIÂNCIA RELATIVA
Cov(k,x)=0
+ ]+
Cov(k,x,y)=k.Cov(x,y) {C = cD = +
t
Cov(x+y,z) = Cov(x,z) + Cov(y,z)
 CONCEITOS MODA
= variável que pode assumir qualquer valor dentro = valor x que maximiza f(x)
de um intervalo
Deve existir uma função f tal que
f(x) ≥ 0, para todo x real MEDIANA
5
= função densidade
n S ) o) = 1 de probabilidade = número m tal que:
45
A probabilidade de a variável assumir um valor 4

específico é nula! Ä ) ! +! = 50%

Nos interessamos nas probabilidades -E
de a variável estar em um intervalo:
f(x)
P (a<x<b)
(=área sob a curva variáveis
no intervalo)

x
contínuas MÉDIA
a b
E
G
} ! = Ä !. ) ! +!
n K < ! <  = Ä ) ! +! -E
1

FUNÇÃO DE DISTRIBUIÇÃO (F(x))

VARIÂNCIA
( ou função de
distribuição acumulada ) E
{[e ! = Ä (! − t)+ . ) ! +!
Å ! = n(Ç ≤ !) -E
F E
+Å !
Å É = Ä ) ! +! = )(!) ou {[e ! = Ä ! + . ) ! +! − t+
-E +! -E
 DISTRIBUIÇÃO UNIFORME DISCRETA DISTRIBUIÇÃO DE BERNOULLI
= Todos os elementos têm a mesma = Há dois resultados possíveis( Sucesso
fracasso ) em
e
probabilidade de ocorrer um único experimento
∑ !! P(sucesso)=p
} ! =
* P(fracasso)=q=(1-p)
', = ) . +
P(x1) = P(x2)
Probabilidade

} ! =d ] + = d (1 − d)
(Esperança) (Variância)

x
x1 x2 x3 x4 x5

distribuições
DISTRIBUIÇÃO GEOMÉTRICA
= há dois resultados possíveis (Sucesso
discretas
= DE PROBABILIDADE = DISTRIBUIÇÃO BINOMIAL
fracasso ) e
e

= Há dois resultados possíveis ( fracasso ) ,

Sucesso e
deseja-se saber a probabilidade de sucesso
exatamente no k-ésimo ensaio e o experimento é realizado várias vezes
(n vezes)
(k-1) fracassos 1 sucesso O resultado de um ensaio
1 sucesso não interfere no outro
n ! = É = Ü .Ü .…Ü .d (São independentes)
(k-1) fracassos #
5 3=6 = . 9q . : lrq
6
n ! = É = Ü(F-*) . d
+ +!
=
X X! + − X !
1 Ü
} ! = ]+ = _, = + . b . p
d d+ } ! = * .d ] + = * . d (1 − d)
(Esperança) (Variância) (Esperança) (Variância)
 distribuições
discretas
= DE PROBABILIDADE =

DISTRIBUIÇÃO HIPERGEOMÉTRICA
= probabilidade de, ao retirarmos, sem reposição, n
elementos de um conjunto de N elementos, saiam k
sucessos, de S sucessos presentes no conjunto. DISTRIBUIÇÃO DE POISSON DECORE!
(e n-s fracassos)
` à−` = distribuição binomial, em que p é muito pequeno
.
e n muito grande
n !=É = É *−É
à ( n→∞
p→0 ) +
] = * .d .Ü ( p→0,
q→1 )
*
} ! = á = *. d ]+ = á
} ! = * .d (Esperança) (Variância)
` v ) = _, = w
(Esperança) b= up =1−b
t
à−* u -H . áF
]+ = * . d . Ü . n !=É =
à−1 É!
(Variância) e = número de Euler = 2,718...
 DISTRIBUIÇÃO t DE STUDENT
DISTRIBUIÇÃO UNIFORME CONTÍNUA PROBABILIDADE
f(x)= k, se a ≤ x ≤ b - É mais dispersa Curva normal
t= que a distribuição padronizada
0, caso contrário DE
normal
F
Função distribuição de probabilidade t-student
PROBABILIDADE x
Z: Variável normal
padrão Quanto maior for k, mais a curva
1/(b-a) se aproxima da normal
χ²: Qui-quadrado
k: graus de Se k>2:
liberdade Se k>1:
x É
a b ]+ =
} ! =0 É−2
} ! =
K+
2
+
] =
( − K)+
12 distribuições (Esperança) (Variância)

(Esperança) (Variância)
contínuas
= DE PROBABILIDADE =
DISTRIBUIÇÃO EXPONENCIAL DISTRIBUIÇÃO F DE SNEDECOR
f(x)= á. u -H6 , se x ≥ 0 (J > 0) ä*+â Relaciona duas variáveis
0, se x<0 DISTRIBUIÇÃO QUI-QUADRADO ( χ² ) Å= + *
É aleatórias independentes
com distribuição qui-
1 1 = soma dos quadrados de k variáveis ä+â quadrado
} ! = +
] = + normais reduzidas e independentes É+
á á
(Esperança) (Variância) (Importante
de confiança e testes de hipóteses )
para o estudo de intervalos
É+
F k graus de } ! =
PROBABILIDADE
liberdade É+ − 2 (Esperança)
äF+ = ( ã!+
!I*
+
2É++ . (É* + É+ − 2)
] =
} ! =É ] + = 2. É É* . (É+ − 2)+ . (É+ − 4)
x
(Esperança) (Variância) (Variância)
 distribuições PROPRIEDADES DA CURVA NORMAL

contínuas
= DISTRIBUIÇÃO NORMAL =
área = 1,0
área = 0,5
(P(x<µ))

x x
µ µ

DISTRIBUIÇÃO NORMAL PADRÃO N(0,1)

Transformar uma normal qualquer em uma normal
padrão: Número a transformar
Ç−t É a distribuição usada na
ã= CAI MUITO!
tabela para consultas.
ASPECTOS GERAIS ]
= Número correspondente
= só depende da média (.) e desvio padrão (') na distribuição padrão
1 -* 6-M @

) ! = . u <+ . N CÁLCULO DA PROBABILIDADE DE INTERVALOS

] 2å
(
= /(., ' , ) Muitas bancas só colocam isso, você
tem que saber o que é cada termo! ) ATENÇÃO!

MÉDIA = MEDIANA = MODA DECORE! Área = probabilidade de a

variável estar entre n1 e n2
REPRESENTAÇÃO GRÁFICA
x
é simétrico µ n1 n2
em relação
à média µ: Determina a posição PASSO A PASSO
do máximo da curva
]A < ] B Transforme os valores nos correspondentes
,: Determina o formato aos da normal padrão
da curva
Consultar: P1 (z<n1) e P2(z<n2)

x n ** < ! < *+ = n+ ç < *+ − n* ç < **

µ
 AMOSTRAGEM SISTEMÁTICA
ASPECTOS GERAIS = ordenam-se os dados selecionam-se
= seleção de uma amostra a partir de uma população elementos igualmente espaçados
Ex.: de 7 em 7, de 10 em 10 ...
AMOSTRAGEM ALEATÓRIA SIMPLES
= todos os elementos têm a mesma
probabilidade de serem selecionados. AMOSTRAGEM POR CONVENIÊNCIA
Casos: = não há muito critério na seleção dos elementos
População infinita ou com reposição Amostragem não probabilística
os valores observados são Ex.: entrevistar as pessoas que passarem na rua
independentes
População finita ou sem reposição:
os valores observados
não são independentes

AMOSTRAGEM POR ESTRATIFICAÇÃO

amostragem AMOSTRAGEM POR JULGAMENTO
= escolha dos elementos conforme o
= divide-se a população em estratos e realiza-se julgamento do responsável
uma amostragem aleatória simples em cada um
Amostragem não probabilística
( Têm baixa )
Os estratos são homogêneos variabilidade , mas
entre os estratos há uma grande heterogeneidade.

AMOSTRAGEM POR COTAS

AMOSTRAGEM POR CONGLOMERADOS
= divide-se a população em subconjuntos,
(alta variabilidade dentro de cada subconjunto )
Com uma baixa variabilidade entre eles, mas
Sorteia-se um dos subconjuntos e analisa-se
todos os seus elementos
= selecionam-se os elementos de forma proporcional
às características semelhantes às da população
Amostragem não probabilística
Ex.: se a população é de 45% homens e 55% mulheres,
refletem-se essas proporções na amostra.
 estimadores DISTRIBUIÇÃO AMOSTRAL DA MÉDIA
População infinita ou amostragem com reposição
(valores de variáveis aleatórias independentes)
Os valores da amostra são considerados
média
amostral elementos da amostra
Ç* + Ç+ + ⋯ + Ç,
ÇA =
* (identicamente distribuídos)
São iid: independentes e

n = número de elementos
,
_ da amostra
} ÇA = t `7, =
ASPECTOS GERAIS +

Parâmetro (é ): medida que descreve alguma

característica numérica de uma população.
FATOR DE CORREÇÃO PARA POPULAÇÕES FINITAS
é sempre uma constante (Não varia!) As variáveis x1,..., xn serão dependentes
Estimador (éè ): característica numérica determinada na ]+ à − * N= Número de elementos
amostra, é uma função matemática de seus elementos. `P+O = . da população
* à−1
O valor do estimador varia com cada amostra: é uma
variável aleatória com distribuição igual à da população
MÉDIA AMOSTRAL E DISTRIBUIÇÃO NORMAL
Erro amostral (ê ): ê = éè − é
Se a população tiver uma distribuição normal, a distribuição
SIMBOLOGIA IMPORTANTE!
amostral de )̅ também será normal (tamanho de amostra)
para qualquer

GRANDEZA PARÂMETRO ESTIMADOR CARACTERÍSTICAS DA MÉDIA AMOSTRAL

genérico é éè )̅ é um estimador:
média t !̅ Não viesado(E = (S)
R − S)

variância ]² S² De variância mínima

desvio padrão ] S ( Minimiza a soma dos )
De mínimos quadrados quadrados dos desvios
coeficiente de De máxima verossimilhança
~ r
( quando n tende ao infinito )
correlação Sua variância tende a zero
Consistente
 estimadores DISTRIBUIÇÃO AMOSTRAL DA PROPORÇÃO
Proporção p de sucessos da população CAI MUITO!

1, sucesso P(x=1)=p
0, fracasso P(x=0)=q
(
p+q =1 Adistribuição
população segue uma
de bernoulli )
} Ç =d {[e Ç = d(1 − d)
(_ , = b . p)
X= variável aleatória que representa o número
de sucessos em n ensaios independentes:
X = distribuição binomial
DISTRIBUIÇÃO AMOSTRAL DA VARIÃNCIA
Estimador não viesado da variância: (U V " = W " ) } Ç = * .d {[e Ç = * . d . Ü

A +
∑(Ç! − Ç) +
2] X Ç Proporção de sucessos em
+
` = {[e(` ) = d̂ = =
*−1 *−1 * uma amostra de n elementos
+−1
_,
,
. ` , = x'4$ (
= distribuição qui-quadrado
com n-1 graus de liberdade ) 3 )̂ = ) É um estimador:
• Não viesado (E(S)
R − S)
) .+ • De mínimos quadrados
567 )̂ =
8 • De máxima verossimilhança
Se X tem distribuição normal, o estimador de
máxima verossimilhança: FATOR DE CORREÇÃO PARA POPULAÇÕES FINITAS
A +
∑(Ç! − Ç) Mas é um estimador ) .Y &-, N= número de elementos
`+ = tendencioso {[e d̂ = . &-*
* , da população
DECORE!
 intervalos
de confiança
µ = Média populacional são constantes!
(não são variáveis
]² = Variância populacional aleatórias)

PARA µ QUANDO O ,² É CONHECIDO

INTERVALO DE CONFIANÇA
= PARA µ QUANDO ! ² É DESCONHECIDO
(ZO − [# . W$ ) ZO (ZO + [# . W$ )
INTERVALO DE CONFIANÇA
ÇA : valor específico obtido para a média amostral =
(ZO − `# . W$ ) ZO (ZO + `# . W$ )
ã/ : valor da distribuição normal padrão associada
à confiança pedida no intervalo Usamos a distribuição t de student:
No lugar de Z, usamos t e
]PO : desvio padrão da média amostral -, − 2 consultamos a tabela t de student
==
Amplitude do intervalo ; = 2. <y . .z8 >z8 n-1 graus de liberdade
[ ]²
erro máximo =
2
= ã/ . ]PO `P+O = (
População infinita ou
* amostragem com reposição )
= Erro máximo ]² ñ − ó
cometido na
estimativa de µ
= intervalo de
confiança
`P+O = . (
População finita ou
* ñ − ò amostragem sem reposição )
α/2 Amplitude do intervalo ; = 2. =y . .z8
α/2
área = 1- α A
x erro máximo = = t ] . σ_^
2
-Z0 Z0
 intervalos
de confiança

PARA UMA PROPORÇÃO PARA A VARIÂNCIA IMPORTANTE!

= d̂ − ã/ . ])̂ ≤ d ≤ d̂ + ã/ . ])̂
Usamos a distribuição qui-quadrado é uma ( )
distribuição
assimétrica

d. Ü d. Ü +
*−1
d̂ − ã/ . ≤ d ≤ d̂ + ã/ . ä,-* = . `² n-1 graus de liberdade
* * ]²
Sendo p desconhecida, também não *−1 *−1
= + . `+ ≤ ]+ ≤ + . `+
sabemos _28 , usamos: GÎ =
I.̂ KJ ä+ ä*
L

Amplitude do intervalo [ = 2. ã/ . `)̂

[
erro má!wNL = = ã/ . `)̂
2 x
Usamos a distribuição normal ä*+ ä++
 ASPECTOS GERAIS
TIPOS DE ERROS IMPORTANTE!
= método para realização de inferências
Aceitaremos ou rejeitaremos H0 com ERRO TIPO I = rejeitar H0, quando for verdadeira

HIPÓTESES:
um determinado grau de risco
(
P(erro tipo I)= α Nível de significância
do teste )
Nível de confiança: 1- α
H0: Hipótese nula
ERRO TIPO II = aceitar H0, quando for falsa
H1: Hipótese alternativa
P(erro tipo II) = β
Funcionamento:
Poder do teste: 1- β (Probabilidade
H , quando for falsa )
0
de rejeitar

1. começamos com um valor suposto

hipotético para o parâmetro populacional PEGADINHA!

Não há relação

testes de
2. coleta-se uma amostra aleatória
entre α e β.
3. A partir de resultado obtido, decide-se
se aceitamos ou não H0

RESULTADO
Região de não
rejeição (RNR)
H0
Aceitamos H0
hipóteses NÍVEL DE SIGNIFICÂNCIA (α)
Área da região crítica = nível de significância
Resultado da amostra Taxa tolerável de erro
Região crítica (RC) Rejeitamos H0
foi discrepante
Ex.: nível de significância = 10%

TIPO DE TESTES DECORE!

MA : N = NA teste bilateral
MB : N ≠ NA (ou bicaudal) 5%
REGIÃO DE (região
MA : N = NA 5% ACEITAÇÃO crítica)
teste unilateral à direita
MB : N > NA (ou monocaudal) x
MA : N = NA
MB : N < NA teste unilateral à esquerda
(ou monocaudal)
TESTES DE HIPÓTESES PARA A MÉDIA
POPULAÇÃO NORMAL COM .² CONHECIDO
testes de hipóteses
Passo a passo:
Determinar os valores críticos de z, de modo
que a área da região crítica = nível de
significância (α)
Calcular a estatística de teste padronizada
POPULAÇÃO NORMAL COM ]² DESCONHECIDO
Média observada
Procedimento análogo ao anterior, mas usamos
ÇA − t a distribuição t de student:
ã2b32b = Média populacional ÇA − t
]PO ô2b32b =
`PO
ÇA − t `7, =
_²
( População infinita ou
) n-1 graus de
ã2b32b = ] + amostragem com reposição liberdade
s *
_² t − + População finita ou
`7, = .
+ t−1 (
amostragem sem reposição )
Verificamos onde Zteste cai:

P-VALOR
= área delimitada pela estatística de teste DECORE!

Probabilidade de, sendo H0 verdadeira, a variável

reduzida ser maior/igual que a estatística de teste
Zcrítico
REGIÃO DE α/2
ACEITAÇÃO HIPÓTESE H0
Região crítica
x p-valor > α Aceitamos H0
Zteste Zteste
(Decisão
rejeitar H )
=
0
(Decisão = NÃO
rejeitar H 0
) p- valor < α Rejeitamos H0 (caiu na região crítica)
Estatística de teste
 testes de hipóteses
TESTE PARA VARIÂNCIA
Usamos a distribuição qui-quadrado
Procedimento análogo aos anteriores com a
seguinte estatística de teste:

+
*−1
ä2b32b = . `²
TESTES DE HIPÓTESES PARA PROPORÇÕES ]² n-1 graus de
liberdade
Uso da distribuição binomial
(aproximadamente normal, assim como p )
Para n suficientemente grande, x será
Distribuição
assimétrica
Procedimento análogo aos anteriores com a seguinte Região
estatística de teste: crítica REGIÃO DE Região
d̂ − d ACEITAÇÃO crítica
ã2b32b = x
d .Ü χ²teste
(Decisão
χ²teste
*
(Decisão
rejeitar H )
=
0
= NÃO
rejeitar H 0
)
análise de variância
VALORES OBSERVADOS
Erro aleatório
Ç!c = t! + ê!c (tem distribuição normal)
ASPECTOS GERAIS
Visa testar a hipótese de que as médias de k populações i: população
j: elemento
distintas são iguais:
H9 : µ9 = µ$ = ⋯ = µ: SUPOSIÇÕES PARA O ERRO ALEATÓRIO
H1: pelo menos uma delas é diferente das demais Média dos erros aleatórios em cada grupo é 0
(não especifica qual) Eij são independentes
Selecionam-se k amostras independentes de cada uma
das populações A variância de Eij é a mesma em todos os grupos
(homocedascia)
n1: elementos da primeira população, ... ,
nk: elementos da k-ésima população SOMA DOS QUADRADOS
`ö;<;=> = `ö+u*;?< + `öu*ô?@
F

à = ( *! Total de elementos SQdentro: soma dos quadrados dos erros/resíduos

das amostras
!I* SQentre: soma dos quadrados dos tratamentos

SUPOSIÇÕES NECESSÁRIAS Sqtotal: soma dos quadrados total (Entre

grupos )
os

GRS;LTUV GR;LTU; GRTVT4,

As populações devem ter distribuição normal + as As variáveis , e
W² W² W²
variâncias das populações devem ter a mesma variância têm distribuição qui-quadrado.
(homocedascia)
 análise de variância
GRAUS DE LIBERDADE
õ#2/21d = õ#.b,2e/ + õ#b,2eb
õ#2/21d = à − 1 TESTE F
õ#b,2eb = É − 1
F DE SNEDECOR
õ#.b,2e/ = à − É
äF+? äF+? e äF+@ são variáveis
â
É aleatórias com distribuição
QUADRADO MÉDIO ÅF? ,F@ = + *
äF@ de qui-quadrado, com k1 e
â
= quociente entre a soma dos quadrados e É+ k2 graus de liberdade
o respectivo número de graus de liberdade:
`öB@A;?< `ö@A;?@s
öWB@A;?< = É−1 öW@A;?@
à−É Å= ou Å2b32b =
`öB@A;?<s öWB@A;?<
`ö@A;?@ à−É
utilizada para testar
öW@A;?@ =
É−1 =9 : .9 = .$ = ⋯ = .C
HIPÓTESE H0 H1: pelo menos uma delas
`ö;<;=> Fteste> Fcrítico Rejeitamos H0 é diferente das demais
öW;<;=> =
à−1 Fteste< Fcrítico Aceitamos H0
 ASPECTOS GERAIS
regressão linear
= calcular a expressão matemática que relaciona duas
variáveis x e y:
p= coeficiente linear Δi MODELO ESTATÍSTICO
û = d + N .! g=
m= coeficiente angular Δj û! = ú + ùÇ! + t!
Exemplo:
y x = variável independente
reta y = variável dependente
ajustada n = número de pares de valores observados
t! = erro ou desvio
dados ú + ùÇ! = componente de y que varia linearmente com x

x
RETA DE REGRESSÃO ESTIMADA
ü!
ûè = K + Çw u = û! − û desvio
COEFICIENTE DE CORRELAÇÃO LINEAR DE PEARSON
∑ Ç! − ÇA . û! − ûA Mede a força da MÉTODO DOS MÍNIMOS QUADRADOS
g= relação linear entre
∑ Ç! − ÇA + . û! − ûA + 2 variáveis x e y = determina as estimativas de a e b dos parâmetros
minimizando a soma dos quadrados dos desvios
Mais próximo Correlação Após calcular b,
mais forte basta substituir na ∑ Ç! − ÇA . û! − ûA
de -1 ou 1 M = a+b } M =
−1 ≤ g ≤ 1: equação |
Correlação para determinar a
∑ Ç! − ÇA +
Mais próximo
de zero mais fraca

Em questões, é útil usar:

(nãoentrehá relação
as variáveis )
linear
RETA QUE PASSA PELA ORIGEM
∑ Ç. û
( Ç! − ÇA . û! − ûA = ( Ç! . û! − * . ÇP . ûA ?=0 û! = ùÇ! + ê! ù=
∑ Dz
 ANÁLISE DA VARIÂNCIA DA REGRESSÃO
`ö† = `öW + `öe Soma dos quadrados
dos resíduos
regressão linear
Soma dos quadrados
Soma dos do modelo
quadrados total

FÓRMULAS IMPORTANTES
Soma dos
quadrados do
`öW = . ( Ç! − ÇA . û! − ûA modelo de
regressão

ou `öW = + . ( Ç! − ÇA +

É a parte do desvio
`öe = ( û! − ûA +
total não explicada pelo
modelo de regressão
COEFICIENTES IMPORTANTE!
TABELA DA ANOVA DECORE!
`öW
Coeficiente de correlação: e=
FONTE DE GRAUS DE SOMA DE QUADRADOS `ö†
F
VARIAÇÃO LIBERDADE (gl) QUADRADOS MÉDIOS
GDE Vll
MODELO 1 SQM DEE =
1
k%&'%& =
mln `öe
+
RESÍDUOS n-2 SQR DEH =
GDH
Coeficiente de determinação: e = 1 − `ö†
A−2
GDJ Exprime a proporção da
TOTAL n-1 SQT variação total de y que é
(0 ≤ e² ≤ 1)
DEJ =
A−1
explicada pela reta de
n = tamanho da amostra ( QMR = Estimativa de
variância σ² residual ) regressão