1

RESUMO DE FÓRMULAS – MAT 2214

Estatística descritiva para dados não agrupados:

k

 fx i i k
Média aritmética: X  i 1
, n   fi
n i 1

f i é a frequência absoluta (simples)

k
Média geométrica: mg  n
xi 1
i
fi

n
Média harmônica: mh  k
fi
x
i 1 i

 x n 1  , se n é ímpar
 2



Mediana: Med = 

 (x n2   x n2 1 )
 , se n é par
2

x   é a amostra ordenada

Moda: Mo é o elemento na amostra com maior freqüência simples

Amplitude: h  xmax  xmin

k 2
2

 i i 
f x  n  X 
Variância: S 
2  i 1  , Desvio padrão: S = S2
n 1

S
Coeficiente de variação: CV = 
 100%
X

1
 2

Índice de concentração de Gini (ICG)

n 1 n

X
i 1 j i 1
i Xj
ICG  n
(n  1) X i
i 1

Estatística descritiva para dados agrupados por intervalos:

 l  Li 
Nas fórmulas para a média e variância use xi   i  , onde l i é o extremo inferior

 2 
do intervalo e Li o extremo superior.

Mediana: para localizar a classe mediana procuramos na coluna das frequências

n
acumuladas a 1ª Fi tal que Fi  . Após localizar a classe mediana aplicamos
2
n 
 2  Fm 1 
a seguinte fórmula: Med = l m  hm    , onde
 fm 
 
l m é o limite inferior da classe mediana
hm é a amplitude da classe mediana
f m é a frequência simples da classe mediana
Fm1 é a frequência acumulada da classe anterior à mediana

Moda: a classe modal é a classe com maior frequência simples

 f m1 
Mo = l m  hm    , onde
 f m1  f m1 

l m é o limite inferior da classe modal

hm é a amplitude da classe modal
f m1 é a frequência simples da classe posterior à modal
f m1 é a frequência simples da classe anterior à modal

2
 3

Propriedades da média e variância

Seja {x1 , x2 ,, xn } uma amostra onde foi observada a variável X :

 
(i) yi  xi  c , c  R  Y  X  c e SY2  S X2
 
(ii) yi  cxi , c0  Y  c X e SY2  c 2 S X2
 
(iii) yi  cxi  b , c  0 , b  R  Y  c X  b e SY2  c 2 S X2

Números-Índice

Índices de Laspeyres

 p (i)q (i) 
t 0
L p
 i
 índice de preços
 p (i)q (i) 
0 ,t
0 0
i

 p (i)q (i) 
0 t
Lq
 i
 índice de quantidades
 p (i)q (i) 
0 ,t
0 0
i

 p (i)q (i) 
t t
Lv
 i
 índice de valores
 p (i)q (i) 
0 ,t
0 0
i

Índices de Paasche:

 p (i)q (i) 
t t
P p
 i
 índice de preços
 p (i)q (i) 
0 ,t
0 t
i

3
 4

 p (i)q (i) 
t t
P q
 i
 índice de quantidades
 p (i)q (i) 
0 ,t
t 0
i

 p (i)q (i) 
t t
P v
 i
 índice de valores
 p (i)q (i) 
0 ,t
0 0
i

Resultados de Cálculo:

Propriedades do valor absoluto: | x | a  a  x  a

| x | a  x  a ou x  a

d
(c)  0; c constante real
dx

d n
dx
( x )  nx n 1 ;
d 1 1
  2 ;
dx  x  x dx

d ax
e   ae ax ;
d x
dx
b   b x ln(b)

d
ln( x)  1 ; d log b ( x)  1 log b (e) ; d sen( x)  cos( x) ; d cos( x)  sen( x)
dx x dx x dx dx

derivada do produto de funções:

d
 f ( x)  g ( x)   d  f ( x)   g ( x)  f ( x)  d  g ( x) 
dx dx dx
df df dg
regra da cadeia:  
dx dg dx

df ( x)
ponto crítico de uma função: 0
dx
d 2 f ( x)
ponto de máximo de uma função: 0
d 2x
d 2 f ( x)
ponto de mínimo de uma função: 0
d 2x
d 2 f ( x)
ponto de inflexão: 0
d 2x

df ( x) df ( x)
função crescente:  0 ; função decrescente: 0
dx dx

4
 5

b
dF ( x)
Teorema fundamental do cálculo:  f ( x)dx  F (b)  F (a) ;
a
f ( x) 
dx
n 1
x 1 e ax
 kdx  kx  c ;  x dx   c , n  1 ;  x dx  ln( x)  c  e dx  c
n ax

n 1 a

1 1 cos(ax)  sen(ax)
 ax dx  a ln(ax)  c ;  sen(ax)  a
c ;  cos(ax)  a
c


Integral imprópria:  f ( x)dx  lim

x  F ( x)  lim x F ( x)

Métodos de enumeração:
Fatorial de um número inteiro não negativo: n! n  (n  1)  (n  2)  1
Por convenção: 0!=1

nN

N!
Arranjos: ANn 
( N  n)!

Permutações: ANN  N  ( N  1)  .....  1  N!

ANn N!
Combinações: C  n

n! ( N  n)!n!
N

Arranjos com elementos que aparecem mais de uma vez: N n

Probabilidade

Operações com eventos: Ac  B c  A B ;  c

A Bc
 Ac  B c ;

Ac  B  B  A B  
Propriedades:

(1ª) 0  P( A)  1 , para A evento no espaço amostral 

(2ª) P()  1
(3ª) P(Ø)  0

5
 6

(4ª) P(i 1 Ai )  i 1 P( Ai ) , para Ai  A j  Ø , i  j

n n

(5ª) P( Ac )  1  P( A)
(6ª) A  B  P( A)  P( B)
(7ª) A  B  P( B  A)  P( B)  P( A)
(8ª) P( B  A)  P( B)  P( A B) ; P( A  B)  P( A)  P( A B)

 
Regra da adição: P A B  P( A)  P( B)  P( A B) para A, B eventos quaisquer

Regra do produto: P( A B)  P( A)  P( B) se A e B forem independentes

P( A B)
Probabilidade condicional: P( A | B)  , se P( B)  0
P( B)

P( A B)  P( A)  P( B | A)

P( A B C )  P( A)  P( B | A)  P C | A B   
Partição do espaço amostral: A1 , A2 ,...., An é uma partição do espaço amostral  se:

(1) Ai  A j  Ø , i  j
n
(2) A i 
1

Teorema da probabilidade total: : para A1 , A2 ,...., An partição do espaço amostral  e

n
B evento qualquer em  , tem-se que PB    P( Ai ) P( B | Ai )
i 1

Fórmula de Bayes: para A1 , A2 ,...., An partição do espaço amostral  ,

P( Ak ) P( B | Ak )
P Ak | B   n
, k  1,2,, n
 P( A ) P( B | A )
i 1
i i

6
 7

Variáveis aleatórias discretas

função massa de probabilidade (fmp): para X v.a. f ( x)  P( X  x)

0  f ( x)  1
x f ( x )  1

Esperança: E ( X )   xf ( x) ,
x

 
Variância:  2  Var ( X )   x 2 f ( x)  EX 2
 x 
Desvio padrão:    2


Coeficiente de variação: C.V   100%
EX

Modelo Uniforme discreto: X ~ U{N}

1
f ( x)  ; x  {1,2,, N }
N

1 N N 2 1
EX  ; Var ( X ) 
2 12

Modelo binomial: X ~ Bin (n, p) , f ( x)  Cnx p x q n x , q=1-p, x  0,1,..., n

EX  np , Var ( X )  npq

Modelo de Poisson: X ~ Pois (t ) , t  0

( t ) x
f ( x)  exp{t} , x  0,1,....
x!
EX  Var ( X )  t

Modelo hipergeométrico: X ~ H ( N , n, r )

C rx  C Nn xr
f ( x)  , x {0,1,...., min( n, r )}
C Nn
 N n r
E ( X )  np , Var ( X )  np(1  p) , p
 N 1  N

7
 8

Variáveis Aleatórias contínuas

Função densidade de probabilidade (fdp): f ( x)  0 e a área sob a curva é 1

Função acumulada: F é tal que F ( x)  P( X  x)  P( X  x) , x  R

P( X  x)  P( X  x)  1  F ( x)

P(a  X  b)  P(a  X  b)  P(a  X  b)  P(a  X  b)  F (b)  F (a)

Modelo uniforme contínuo: X ~ U [a, b]

0, x  a
0, x  (a, b) x  a
 
f ( x)   1 F ( x)   ,a  x  b

b  a
,a  x  b b  a
1, x  b

( a  b) (b  a) 2
EX  , Var ( X ) 
2 12

Modelo exponencial: X ~ Expon ( ) ,   0

0, x  0 0, x  0
f ( x)   F ( x)  
 exp{x}, x  0 1  exp{x}, x  0

1 1
EX  , Var ( X ) 
 2

8
 9

Modelo Gaussiano (normal): X ~ N ( , )

EX   , Var ( X )   2
X 
Z ~ N (0,1)


 a a  a a

P( X  a)  P Z     ; P( X  a)  1  P Z    1   
           

a b b  a

P(a  X  b)  P Z       ,
         

sendo  a função de distribuição acumulada da normal padrão

Observação: para obter z tal que P(Z  z)  p utilize a função inversa  1 ( z ) da

normal padrão na tabela da normal padrão inversa.

Análise Bidimensional

Função massa de probabilidade conjunta:


f ( x, y)  P X  xY  y ,  x   X e y  Y

0  f ( x, y)  1 , x, y
x y f ( x, y)  y x f ( x, y)  1

Função massa de probabilidade marginal

f X ( x)  P X  x    f ( x, y) , x   X
y

f Y ( y)  PY  y    f ( x, y) , y  Y
x

9
 10

Função massa de probabilidade condicional


P X  x Y  y 
f ( x | y )  P X  x | Y  y  
f ( x, y)
 , f Y ( y)  0
P(Y  y) f Y ( y)


P X  x Y  y 
f ( y | x)  PY  y | X  x  
f ( x, y)
 , f X ( x)  0
P( X  x) f X ( x)

Variáveis aleatórias independentes

f ( x, y)  f X ( x)  fY ( y) , para quaisquer x, y

Covariância de duas variáveis aleatórias

Cov( X , Y )  E X  EX   (Y  EY )  E( XY )  E( X )  E(Y ) ,

E  XY    xy  f ( x, y) , E  X    x  f X ( x) , E Y    y  f Y ( y)
x y x y

Coeficiente de correlação linear de Pearson

Cov( X , Y ) E ( XY )  E ( X )  E (Y )
 ( X ,Y )   ,
Var ( X )  Var (Y ) Var ( X )  Var (Y )

10