FORMULÁRIO MATEMÁTICA II

Indicadores para dados univariados Regressão linear simples

amostra observada x1 , x2 , · · · , xn ybi = b0 + b1 xi
yi = b0 + b1 xi + ei
amostra ordenada x(1) ≤ x(2) ≤ · · · ≤ x(n)
 b = cov(x, y) = r sy ,
 
 x( n+1 n ímpar 1 sx 6= 0
s2x

2 ) sx
mediana x̃ =
 x(n/2) + x(n/2+1) b0 = y − b1 x

n par

2
Quantil de ordem θ (0 < θ < 1)
Probabilidade de acontecimentos
se nθ inteiro
(
1


2 x(nθ) + x(nθ+1) P (A − B) = P (A ∩ B) = P (A) − P (A ∩ B)
Qθ =
x([nθ]+1) se nθ não inteiro
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B)
[nθ] a parte inteira de nθ
−P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C)
barreira inferior BI = Q1 − 1.5(Q3 − Q1 )
P (A|B) = 1 − P (A|B), se P (B) 6= 0
barreira superior BS = Q3 + 1.5(Q3 − Q1 )
Pn
(xi − x)
2 Pn Pn
n i=1 x2i − ( i=1 xi )2 Parâmetros (de funções) de uma v.a. X
i=1
s2x = =
n−1 n(n − 1) Quantil de probabilidade p, χp , de uma v.a. X é o menor
se x∗i = a + bxi então x∗ = a + bx, s2x∗ = b2 s2x valor x tal que F (x) ≥ p (se X contínua F (χp ) = p)
s
CV = × 100%
se X discreta
( P
x
i ϕ(xi )pi ,
E[ϕ(X)] =
ϕ(x)f (x)dx, se X contínua
R +∞
regra de Sturges (divisão em classes)
 
−∞

ln n σ 2 = V ar(X) = E[(X − µ)2 ] = E[X 2 ] − µ2 (µ = E[X])

número de classes próximo de 1 +
ln 2
V ar(a + bX) = b2 V ar(X)
Indicadores para dados agrupados em c classes
ni , x0i frequência absoluta e ponto médio da classe i Pares aleatórios (X, Y ) discretos com f. massa de
probabilidade conjunta P [X = xi , Y = yj ] = pij
Pc 0
Pc
1
fi x0i
P P
x0 = nP i=1 ni xi = i=1
pi· = j pij p·j = i pij
c 0
Pc pij
2
0 2
i=1 (xi − x ) ni x02 ni 2 P [X = xi |Y = yj ] =
s0 x = = i=1 i − x0 p·j
n n
Seja k a primeira classe tal que Fk ≥ θ Parâmetros de funções de um par aleatório (X, Y )

θ − Fk−1
Q0θ = xmin
k + xmax
k − xmin
k
fk σX,Y = Cov(X, Y ) = E[(X − µX )(Y − µY )]
Seja k a classe com maior frequência = E[XY ] − E[X]E[Y ] (µX = E[X], µY = E[Y ])
fk+1 V ar(X ± Y ) = V ar(X) + V ar(Y ) ± 2Cov(X, Y )
moda0 = xmin
k +h
fk−1 + fk+1
Cov(a + bX, c + dY ) = bdCov(X, Y )
σX,Y
ρ = ρX,Y = , σX 6= 0, σY 6= 0
Indicadores para dados bivariados σX σY
ρa+bX,c+dY = ρX,Y se bd > 0
(x1 , y1 ), (x2 , y2 ), · · · , (xn , yn )
Pn
cov(x, y) = i=1
(xi − x) (yi − y) Distribuição binomial
Pn n − 1 Pn Pn X ∩ B(n, p) ⇔ n − X ∩ B(n, q), com q = 1 − p
n i=1 xi yi − i=1 xi i=1 yi  
= n x n−x
n(n − 1) P [X = x] = p q , x = 0, 1, . . . , n
x
|cov(x, y)| ≤ sx sy
cov(x, y) E[X] = np V ar[X] = npq
r = rxy = se sx 6= 0, sy 6= 0
sx sy
Distribuição Poisson
se x∗i = a + bxi e yi∗ = c + dyi
X ∩ P (λ)
cov(x∗ , y ∗ ) = bd cov(x, y) e−λ λx
P [X = x] = , x = 0, 1, 2, . . .
rxy se bd > 0
(
x!
rx∗ y∗ =
−rxy se bd < 0 E[X] = λ V ar[X] = λ
Distribuição uniforme contínua Krigagem normal
X ∩ U (a, b) Pn
Z ∗ (x0 ) = i=1 λi Z(xi )
 1

a<x<b V ar[Z ∗ (x0 ) − Z(x0 )] =
Pn
λi γ(xi , x0 ) + α
f (x) = b−a i=1
 0 o.v. com (λ1 , . . . , λn , α) solução do sistema linear
a+b (b − a)2     
E[X] = , V ar[X] = γ11 . . . γ1n 1 λ1 γ10
2 12     
. . . . . . . . . . . . . . . . . .  . . . 
  =  
Distribuição normal

γ
 n1 . . . γnn 1 λn  γn0 
   
X ∩ N (µ, σ) " 1 ... 1 0 α 1
 2 #
1 1 x−µ
f (x) = √ exp −
σ 2π 2 σ
E[X] = µ V ar[X] = σ 2
Expressões úteis
Teorema Limite Central Combinações de n elementos k a k, n, k ∈ N0 , k ≤ n
Sejam X1 , . . . , Xn v.a.'s independentes e identicamente
 
n n!
Ckn = =
distribuidas com valor médio µ e variância σ 2 (nita), k k!(n − k)!
Xi
Xi e X n = , então
Pn Pn
Sn = i=1 i=1
n
Algumas (regras de) primitivas
P (xe−x ) = −e−x (x + 1) + C
Sn − nµ Xn − µ
√ ∼ N (0, 1) e √ ∼ N (0, 1) P (f g) = F g − P (F g 0 ), com F = P f
σ n σ/ n f α+1
P (f 0 f α ) = α+1 + C , com α ∈ IR \ {−1}
0 f f
P (f e ) = e + C
Aproximações das distribuições 0
P ff = log |f | + C
X ∩ B(n, p), np > 5 e nq > 5 ⇒ X ∼ N (µ, σ), com
√
µ = np e σ = npq
√
X ∩ P (λ) e λ > 12 ⇒ X ∼ N (µ, σ), com µ = λ e σ = λ

Estimação
T estimador de um parâmetro θ
centrado se E [T ] = θ
 
EQM = E (T − θ)2

Fórmula geral de interpolação

Pm
w z(xi )
z(x0 ) = Pm i
i=1
i=1 wi

Variograma
γ[Z(xi ), Z(xi + h)] = 12 V ar[Z(xi ) − Z(xi + h)] = γ(h)
Pn(h)
∗ [z(xi ) − z(xi + h)]2
γ (h) = i=1
2 n(h)
γ(h) = C(0) − C(h)

Modelo 
esférico
h i
 C 1.5 h − 0.5( h )3 , 0 ≤ h ≤ φ
φ φ
γ(h) =
 C , h>φ
Modelo exponencial
γ(h) = C 1 − e−h/φ , h ≥ 0

modelo Gaussiano
 2

γ(h) = C 1 − e−(h/φ) , h ≥ 0