Estatística II – Formulário

Modelos Probabilísticos
Modelos Probabilísticos Discretos
Distribuição Binomial
𝑛
𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛 , 𝑝) ; 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0, 1, … , 𝑛 ; 𝐸(𝑋) = 𝑛𝑝 ; 𝑉(𝑋) = 𝑛𝑝𝑞 ; 𝑞 = 1 − 𝑝
𝑥

Distribuição Hipergeométrica
𝑀
𝑋~𝐻𝑖𝑝𝑒𝑟𝑔𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎(𝑁 , 𝑀, 𝑛) ; 𝑝 =
𝑁
𝑀 𝑁−𝑀
( )( )
𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥 , 𝑚𝑎𝑥(0 , 𝑀 + 𝑛 − 𝑁) ≤ 𝑥 ≤ 𝑚𝑖𝑛(𝑀 , 𝑛) ; 𝐸(𝑋) = 𝑛𝑝 ; 𝑉(𝑋) = 𝑛𝑝𝑞 𝑁 − 𝑛
𝑁 𝑁−1
( )
𝑛

Distribuição de Poisson
𝑒 −𝜆 𝜆𝑥
𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) , 𝜆 > 0 ; 𝑃(𝑋 = 𝑥) = , 𝑥 = 0, 1, 2, … ; 𝐸(𝑋) = 𝑉(𝑋) = 𝜆
𝑥!

Distribuição Geométrica
𝑋~𝐺𝑒𝑜𝑚é𝑡𝑟𝑖𝑐𝑎(𝑝) , 0 ≤ 𝑝 ≤ 1 ; 𝑓(𝑥) = 𝑝(1 − 𝑝)𝑥−1 , 𝑥 = 1, 2, … ; 𝐹(𝑥) = 1 − (1 − 𝑝)𝑘 , 𝑘 ≤ 𝑥 < 𝑘 + 1
1 1−𝑝
𝐸(𝑋) = ; 𝑉(𝑋) = 2
𝑝 𝑝
Modelos Probabilísticos Contínuos
Distribuição Uniforme
0 , 𝑥<𝑎
𝑥−𝑎 𝑎+𝑏 (𝑏 − 𝑎)2
𝑋~𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒(𝑎 , 𝑏) ; 𝑎, 𝑏 ∈ ℝ (𝑎 < 𝑏) ; 𝐹(𝑥) = { , 𝑎 ≤ 𝑥 < 𝑏 ; 𝐸(𝑋) = ; 𝑉(𝑋) =
𝑏−𝑎 2 12
1 , 𝑥≥𝑏

Distribuição Exponencial
0 , 𝑥≤0 1 1
𝑋~𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙(𝜆) , 𝜆 > 0 ; 𝐹(𝑥) = { ; 𝐸(𝑋) = ; 𝑉(𝑋) = 2
1 − 𝑒 −𝜆𝑥 , 𝑥>0 𝜆 𝜆

Distribuição Normal
𝑋~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇 , 𝜎) , 𝜇 ∈ ℝ , 𝜎 > 0 ; 𝐸(𝑋) = 𝜇 ; 𝑉(𝑋) = 𝜎 2
𝑋−𝜇
𝑍= ~𝑁𝑜𝑟𝑚𝑎𝑙(0 , 1) ; 𝐸(𝑍) = 0 ; 𝑉(𝑍) = 1 ; Φ(𝑧) = 𝑃(𝑍 ≤ 𝑧) ; Φ(−𝑧) = 1 − Φ(𝑧)
𝜎

Distribuição 𝒕 − 𝑺𝒕𝒖𝒅𝒆𝒏𝒕
𝑛
𝑇~𝑡(𝑛) , (𝑛 𝑔𝑟𝑎𝑢𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑑𝑎𝑑𝑒) ; 𝐸(𝑇) = 0 ; 𝑉(𝑇) = ,𝑛 > 2
𝑛−2

Distribuição de Chi-quadrado (Qui-quadrado)

2
𝑄~𝜒(𝑛) , (𝑛 𝑔𝑟𝑎𝑢𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑑𝑎𝑑𝑒) ; 𝐸(𝑄) = 𝑛 ; 𝑉(𝑄) = 2𝑛
𝑛
2
𝑌 = ∑ 𝑍𝑖2 ~𝜒(𝑛) , com 𝑍~𝑁𝑜𝑟𝑚𝑎𝑙(0 , 1)
𝑖=1

Amostragem
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1
𝑛 𝑛
1 1 2 1 1 𝑛
𝑆 2 = ∑(𝑋𝑖 − 𝑋̅)2 = ∑ 𝑋𝑖2 − 𝑋̅ 2 ; 𝑆 ′ = ∑(𝑋𝑖 − 𝑋̅)2 = ∑ 𝑋𝑖2 − 𝑋̅ 2
𝑛 𝑛 𝑛−1 𝑛−1 𝑛−1
𝑖=1 𝑖=1
2
𝑛−1 2 2
𝑛
𝑆 = 𝑆′ ; 𝑆′ = 𝑆2
𝑛 𝑛−1

Licenciatura em Gestão – Ano Letivo 2023/2024 (SGC)

 Distribuições por Amostragem e Intervalos de Confiança para 𝝁
População Distribuição de 𝑿̅ Intervalo de Confiança (𝟏 − 𝜶) × 𝟏𝟎𝟎%
̅
𝑋−𝜇 𝜎 𝜎
1 𝑋~𝑁(𝜇 , 𝜎) ; 𝜎 2 𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑎 𝑍= ~𝑁(0 , 1) (𝑥̅ − 𝑧𝛼⁄2 , 𝑥̅ + 𝑧𝛼⁄2 )
𝜎⁄√𝑛 √𝑛 √𝑛
̅
𝑋−𝜇 𝑠′ 𝑠′
2 𝑋~𝑁(𝜇 , 𝜎) ; 𝜎 2 𝑑𝑒𝑠𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑎 𝑇= ~𝑡(𝑛−1) (𝑥̅ − 𝑡𝛼⁄2 , 𝑥̅ + 𝑡𝛼⁄2 )
𝑆′⁄√𝑛 √𝑛 √𝑛
𝑠′ 𝑠′
𝑋~𝑁(𝜇 , 𝜎) ; 𝜎 2 𝑑𝑒𝑠𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑎 𝑋̅ − 𝜇 (𝑥̅ − 𝑧𝛼⁄2 , 𝑥̅ + 𝑧𝛼⁄2 )
𝑍= ~̇𝑁(0 , 1) √𝑛 √𝑛
𝑛 ≥ 30 𝑆′⁄√𝑛
Aproximado
𝜎 𝜎
𝑋~? ; 𝜎 2 𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑎 𝑋̅ − 𝜇 (𝑥̅ − 𝑧𝛼⁄2 , 𝑥̅ + 𝑧𝛼⁄2 )
3 𝑍= ~̇𝑁(0 , 1) √𝑛 √𝑛
𝑛 ≥ 30 𝜎⁄√𝑛 Aproximado
𝑠′ 𝑠′
𝑋~? ; 𝜎 2 𝑑𝑒𝑠𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑎 𝑋̅ − 𝜇 (𝑥̅ − 𝑧𝛼⁄2 , 𝑥̅ + 𝑧𝛼⁄2 )
𝑍= ~̇𝑁(0 , 1) √𝑛 √𝑛
𝑛 ≥ 30 𝑆′⁄√𝑛
Aproximado

Distribuição por Amostragem e Intervalo de Confiança para 𝒑

𝑿
População ̂=
Distribuição de 𝒑 Intervalo de Confiança (𝟏 − 𝜶) × 𝟏𝟎𝟎%
𝒏

p̂ − 𝑝 𝑝̂ (1 − 𝑝̂ ) 𝑝̂ (1 − 𝑝̂ )
𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛 , 𝑝) ~̇ 𝑁(0 , 1) (𝑝̂ − 𝑧𝛼⁄2 √ , 𝑝̂ + 𝑧𝛼⁄2 √ )
𝑛 𝑛
𝑛 ≥ 30 √𝑝̂ (1 − 𝑝̂ )
𝑛
Aproximado

Distribuição por Amostragem e Intervalo de Confiança para 𝝈𝟐

População Distribuição de 𝑺′𝟐 Intervalo de Confiança (𝟏 − 𝜶) × 𝟏𝟎𝟎%

(𝑛 − 1)𝑆′2 (𝑛 − 1)𝑠′2 (𝑛 − 1)𝑠′2

𝑋~𝑁(𝜇 , 𝜎) 𝑄= 2
~ 𝜒(𝑛−1) ( , )
𝜎2 𝑞𝑠𝑢𝑝 𝑞𝑖𝑛𝑓

𝛼 𝛼
𝑃(𝑄 > 𝑞𝑖𝑛𝑓 ) = 1 − ; 𝑃(𝑄 > 𝑞𝑠𝑢𝑝 ) =
2 2

Testes de Hipóteses Paramétricos (de nível 𝜶)

Hipóteses Estatística de Teste (ET) Região Crítica
𝐻0 : 𝜃 = 𝜃0 𝑣𝑠 𝐻1 : 𝜃 ≠ 𝜃0 𝐸𝑇0 (−∞ , 𝑞𝛼⁄2 ) ∪ (𝑞𝛼⁄2 , +∞)
𝐻0 : 𝜃 ≤ 𝜃0 𝑣𝑠 𝐻1 : 𝜃 > 𝜃0 𝐸𝑇0 (𝑞𝛼 , +∞)
𝐻0 : 𝜃 ≥ 𝜃0 𝑣𝑠 𝐻1 : 𝜃 < 𝜃0 𝐸𝑇0 (−∞ , 𝑞𝛼 )

𝑃(𝐸𝑇 > 𝑞𝛼 ) = 𝛼 ; Rejeita-se 𝐻0 se 𝛼 > 𝑝 − 𝑣𝑎𝑙𝑢𝑒

𝛼 = 𝑃(𝑅𝑒𝑗𝑒𝑖𝑡𝑎𝑟 𝐻0|𝐻0 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑖𝑟𝑎)

Licenciatura em Gestão – Ano Letivo 2023/2024 (SGC)