Regressão e Correlação linear Regressão e Correlação linear 1. Introdução: regressão versus correlação
1. Introdução: regressão versus correlação
Em experimentos que procuram determinar a relação existente entre duas Em experimentos que procuram determinar a relação existente entre duas variáveis, por exemplo, a dose de uma droga e a reação, concentração e variáveis, por exemplo, a dose de uma droga e a reação, concentração e densidade ótica, peso e altura, idade da vaca e a produção de
densidade ótica, peso e altura, idade da vaca e a produção de leite, etc., doisleite, etc., dois tipos de situações podem ocorrer:
tipos de situações podem ocorrer:
(a) uma variável (X) pode ser medida acuradamente e seu valor escolido (a) uma variável (X) pode ser medida acuradamente e seu valor escolido pelo
pelo experimentadorexperimentador. . !or !or exemplo, exemplo, a a dose dose de de uma uma droga droga a a ser ser ministradaministrada no ani
no animal. mal. Esta Esta variável variável " " aa variável independentevariável independente. . # # outra variável outra variável ($),($),
dita
dita variável variável dependdependente ou ente ou resprespostaosta, está su%eita a erro experimental, e, está su%eita a erro experimental, e
seu valor depende do valor escolido para a variável independente. #ssim, seu valor depende do valor escolido para a variável independente. #ssim, a resposta (reação, $) " uma variável dependente da variável independente a resposta (reação, $) " uma variável dependente da variável independente dose (X). Este " o caso da
dose (X). Este " o caso da RegressãoRegressão..
(&) as duas variáveis quando medidas estão su%eitas a erros experimentais, (&) as duas variáveis quando medidas estão su%eitas a erros experimentais, isto ", er
isto ", erros de naturros de nature'a aleatória inere'a aleatória inerentes ao experimento. entes ao experimento. !or exemplo,!or exemplo, produção
produção de de leite leite e e produção produção de de gordura gordura medidas medidas em em vacas vacas em em lactação,lactação, peso do
peso do pai e pai e peso do peso do ilo, comprimento e ilo, comprimento e a largura do a largura do crnio de crnio de animais,animais, etc. Este tipo de associação entre duas variáveis constitui o pro&lema da etc. Este tipo de associação entre duas variáveis constitui o pro&lema da
Correlação Correlação..
#tualmente, se dá * t"cnica de correlação uma importncia menor do que a #tualmente, se dá * t"cnica de correlação uma importncia menor do que a da regressão. +e duas variáveis estão correlacionadas, " muito mais til da regressão. +e duas variáveis estão correlacionadas, " muito mais til estudar as posições de uma ou de am&as por meio de curvas de regressão, estudar as posições de uma ou de am&as por meio de curvas de regressão, as quais permitem, por exemplo, a predição de uma variável em unção de as quais permitem, por exemplo, a predição de uma variável em unção de outra, do que estudá-las por meio de um
outra, do que estudá-las por meio de um simples coeiciente de correlação.simples coeiciente de correlação.
2. Regressão linear simples 2. Regressão linear simples
termo regressão " usado para designar a expressão de uma variável termo regressão " usado para designar a expressão de uma variável dependente ($) em
dependente ($) em unção de outunção de outra (X), ra (X), considerada independente. considerada independente. /i'-se/i'-se regressão de $ em (so&re) X. +e a relação uncional entre elas " expressa regressão de $ em (so&re) X. +e a relação uncional entre elas " expressa por
por uma uma equação equação do do 01 01 grau, grau, cu%a cu%a representação representação geom"trica geom"trica " " uma uma linalina reta, a regressão "
!ara introdu'ir a id"ia de regressão linear simples, consideremos o seguinte exemplo:
2a&ela 0. 2empo, em minutos, e quantidade de procaina0 idroli'ada, em
03-4 moles5litro, no plasma canino.
2empo (X) 6uantidade idroli'ada ($) X .$ X7 $7 7 8,4 9,3 ,3 07,8 8 4,9 09,0 ;,3 87,4 4 ;,; ;,4 74,3 ;<,3 < 0=,8 083, =,3 7=4,9 03 0;,8 0;8,3 033,3 897,4 07 74,9 83<, 0,3 ==3,4 0 7<,7 8;,< 0;=,3 9;4,7 04 87,= <;,3 774,3 03=7,< 2otal =; 00,7 04<;,7 9=9,3 87;;,4 0anest"sico local
# simples o&servação dos dados apresentados na 2a&ela 0, mostra que no intervalo estudado a quantidade de procaina idroli'ada varia em unção do tempo.
>a resolução de pro&lemas de regressão, o primeiro passo " traçar o
diagrama de dispersão correspondente, marcando, em um sistema
cartesiano &idimensional, os diversos pares de valores o&servados (xi , ?i).
s dados da 2a&ela 0 estão apresentados na @igura 0.
@igura 0. /iagrama de dispersão dos dados da 2a&ela 0.
0 5 10 15 20 25 30 35 0 5 10 15 20 X Y
A ácil ver o&servando essa igura, que os pontos relativos aos dados de tempo e quantidade de procaina idroli'ada estão praticamente so&re uma reta. !arece então ra'oável esta&elecer que a variação da quantidade de procaina idroli'ada ($) pode ser considerada como uma unção linear do
tempo (X).
!ostulada a existBncia de uma relação linear entre duas variáveis, pode-se representar o con%unto de pontos (xi,?i) pela equação da reta:
x ?
que expressa o valor de $ como unção do valor de X, onde C, conecido como erro ou resíduo, " a distncia que um resultado ? em particular se
encontra da lina de regressão da população, representada pela equação:
x ) x 5 ? ( E ,
em que indica o intercepto da lina com o eixo do $ e o coeiciente angular ou inclinação da reta.
+e C D? E(?5x)F " positivo, ? " maior do que E(?5x)G se " negativo, ? " menor do que E(?5x)G e a soma dos His " igual a 'ero ( 3
i ). Iogo, a
m"dia dos erros " nula, isto ", E(i) 3.
Jomo veremos a seguir, os parmetros K e L da lina de regressão da população são estimados a partir da amostra aleatória de o&servações
) ? , x
( i i .
Regressão linear: estimação de parâmetros
Jonsiderando, então, que o&servações x0,x7,...,xM se%am o&tidas so&re a
variável independente x, tal que ?0,?7,...,?M se%am as o&servações eitas
so&re a variável dependente ?, todas su%eitas a erros experimentais, pode-se querer sa&er como " que ? varia, em m"dia, para um dado x. u se%a, como os H
s
? variam aleatoriamente, dese%a-se conecer a distri&uição do ?
quando x " conecido. Nsto " eito por meio da esperança condicionada de y dado x, sim&oli'ada por Ey!x", que depende em geral de x. E(?5x) "
tam&"m camada de #unção de regressão de y em x.
# @igura 7 mostra as distri&uições de ? dados certos valores de x, supondo a unção de regressão de ? em x linear.
$odelo. # reta da @igura 7 " sim&oli'ada por E(?5x) x, onde K e L
são os parmetros a serem estimados.
@igura 7. >ormalidade dos resultados ? para determinado valor de x.
# partir de agora, se o modelo acima or desenvolvido num contexto param"trico, uma ipótese simpliicadora e muito simples deve ser eita, a sa&er: a distri&uição da variável aleatória ?, para um dado x, " normal. Oais especiicamente, ixado um xi(X não " uma variável aleatória), os
H s
?
constituem variáveis independentes normais >( x , 7)
i
G o que eqPivale di'er que as m"dias das distri&uições de ?5x estão so&re a verdadeira reta
x
ou se%a, E(?i) Q E() R E(xi) R E(i) Q R xi, onde E(i) Q 3, e que
para um dado valor de x, a varincia do erro " sempre 7, denominada
varincia residual, isto ", ED?i E(?i5xi)F7 Q E(i)7 Q 7 (propriedade
omocedástica). Estes conceitos estão ilustrados na @igura 7. S parte do ato que 7 " desconecido, a reta na qual as m"dias estão locali'adas "
tam&"m desconecida. #ssim, um o&%etivo importante da análise estatTstica " estimar os parmetros K e L para que se coneça totalmente a unção de regressão Ey!x". # teoria mostra que a melor maneira de estimá-los " por
meio do m%todo dos &uadrados m'nimos, que consiste em minimi'ar a
soma dos quadrados das distncias yi y(i, onde y(i a )xi representa a
equação de regressão estimada, tal que a ( e ) ( são os estimadores de
K e L, respectivamente.
+endo, então, ?i ?Ui a dierença entre o valor o&servado e o estimado pela
equação de regressão para cada o&servação, a qual " rotulada por ei,
procura-se estimar e , de modo que ei7 (?i ?Ui)7 se%a o menor
possTvel. #s dierenças ei Q ?i ?Ui são camadas Vdesvios da regressãoW ou
Verros de estimativasW. +e todos os desvios (ei) são iguais a 'ero, implica
que cada ponto (xi, ?i) se encontra diretamente so&re a lina a%ustadaG os
pontos estão tão próximos quanto possTveis da lina.
Estimadores. /ado um con%unto de n pares de o&servações (x0, ?0), (x7,
?7), ... , (xn, ?n), pode-se mostrar, usando m"todos de cálculo ininitesimal
não utili'ado aqui, que os estimadores de quadrados mTnimos são:
" y (
) a ( y )x
/ividindo-se o numerador e o denominador de & por (n − 0), vB-se que
& " denominado coeiciente de regressão de $ em XG sim&oli'a-se por &$.X
@órmulas de cálculo: n ) ? )( x ( ? x ) ? ? )( x x ( i i i i i i n ) x ( x ) x x ( 7 i 7 i 7 i
>ote-se que, al"m da suposição da normalidade do ?, outras ipóteses usadas pelo m"todo de mTnimos quadrados são:
(a) para qualquer valor especTico de x, ?5x, o desvio padrão dos
resultados ?, não se modiica. Esta ipótese de varia&ilidade constante em todos os valores de x " conecida como homoscedasticidade, e
(&) a relação (verdadeira) entre ? e x " suposta linearG mais claramente, E(?5x) Q K R Lx.
e%amos agora o cálculo da equação de regressão usando como exemplo os dados apresentados na 2a&ela 0:
0= , 7 << , 090 84 , 890 < ) =; ( 9=9 < 7 , 0:0 . =; 7 , 04<; n ) x ( x n ? x x? & 7 7 7 X . $ ) < =; 0= , 7 ( < 7 , 0:0 x & ? a 09,=4 (7,0= . <,=8) Q - 3,;< 1 1 s " , - Cov ) 2 2 i i i " x x y " x x n ! * " x x + n ! "* y y " x x + 2 i i i
!ortanto, a e&uação de regressão linear ":
i i -0 2-1/.x
y( (0)
ou, como a ? &x e ?U ? &x &x,
" x x ) y y(i i Q 13-/4 5 2-1/ xi 6 -/7" (7)
>ote que as equações (0) e (7) são equivalentesG entretanto, em (7) ica mais evidente que a reta de regressão passa pelo ponto (x, ?).
coeiciente angular da reta (&) " positivo, tal como sugerido pelo próprio diagrama de dispersão.
!ara traçar a reta de regressão, &asta dar valores quaisquer para X dentro do intervalo estudado e calcular os respectivos valores de $U (@igura 8). s
valores calculados de $U não coincidem necessariamente com os valores
o&servados de $. # curva resultante " denominada de regressão de $ para X, visto que $ " avaliado a partir de X.
0 5 10 15 20 25 30 35 0 5 10 15 20 X Y
@igura 8. 6uantidade de procaina idroli'ada ($U ) em unção do tempo
(X).
mais importante o&%etivo de um estudo de regressão " usar o modelo linear desenvolvido para estimar a resposta esperada correspondente a um nTvel especTico da variável controlada. /e acordo com o modelo linear, a resposta esperada para um valor x da variável controlada " dada por
x ) x 5 ? (
E e a estimada, por ?U a &x, que " um estimador não
viciado para a m"dia E(?5 x). Nsto ", como pode ser mostrado,
x ) & ( E x ) a ( E ) x 5 ?U ( E .
Interpretação do coe#iciente de regressão )"
;<4 , 3 x 0=3= , 7 ?U
&tida uma reta de regressão, o primeiro passo na sua interpretação " veriicar o sinal de &. +e or positivo, indica que, quanto maior o valor de X, maior o valor de $G se negativo, indica que quanto maior o valor de X, menor o valor de $.
Yma interpretação mais inormativa para o coeiciente de regressão (&) " que ele representa em quanto varia a m"dia de $ para o aumento de uma unidade da variável X. Esta variação pode ser negativa, situação em que para um acr"scimo de X corresponde um decr"scimo de $. Esse
coeiciente, %untamente com o intercepto (a), o qual determina o ponto em que a reta corta o eixo de $, estão representados na @igura .
@igura . Zepresentação do modelo ?U a &x
>o exemplo: ?Ui 3,;< 7,0=xi para x Q 0, ?U Q 7;,7= e para x Q 04,
?U Q 80,7. # dierença entre os valores de ?U " 7,0=, exatamente o valor
de &G ou se%a, para cada acr"scimo de 0 em X, ?U acresce de 7,0=.
intercepto a Q -3,;< representa a quantidade de procaina idroli'ada para o tempo 'ero, o qual, neste caso, não possui signiicado &iológico.
8)servaç9es: ) & ) & & a R &x R & a R &x &x a ?U x x R 0 0 a
(0) # regressão de ? em x, E(?5x) 3,;< 7,0=.xi, representa, no caso do
exemplo, a reta de regressão da quantidade de procaina idroli'ada so&re o tempo. u se%a, E(?5x) nada mais " do que a m"dia da distri&uição de todas as quantidades de procaina idroli'ada em um dado tempo (x).
(7) estimador de mTnimos quadrados da varincia de ? dado x (7),
reerido como quadrado m"dio residual, " dado pela órmula
7 n ) x x ( )F ? ? ( )( x x ( D ) ? ? ( U s 7 i 7 i i 7 i 7 7 , cu%a estimativa,
no exemplo, " 3,<7. que está se supondo " que esse valor " constante para cada x ixado (propriedade omoscedástica)
(8) [á situações nas quais X tam&"m aparece como uma variável aleatória. >esses casos, pode ser que este%amos tam&"m interessados na regressão de
X em $. 2Bm-se: ) ? ? ( & x xUi X.$ i , onde 7 $ . X ) ? ? ( ) ? ? )( x x ( &
Exemplo de regressão linear em planta
2a&ela 7. \rea oliar ($) e comprimento vs. largura (X) de 73 olas de &rom"lia selecionadas ao acaso:
X 3,3< 3,04 3,3< 3,34 3,3< 3,00 3,3< 3,03 3,3= 3,34 $ 3,39 3,07 3,3= 3,3 3,3= 3,3; 3,3= 3,3< 3,34 3,3
X 3,3= 3,38 3,0= 3,3; 3,34 3,3< 3,00 3,0 3,3; $ 3,34 3,38 3,08 3,39 3,38 3,3= 3,3; 3,00 3,3<
;<:; , 3 r 3337 , 3 <34: , 3 ?U 7 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0,16 0,18 X $
@igura 4. \rea oliar ($) em unção do comprimento x largura (X) da ola de &rom"lia.
7. Correlação
imos que numa análise de regressão linear simples, se determina, por meio de estimativas dos parmetros, como uma variável X exerce, ou parece exercer eeito so&re uma outra variável $.
6uando X e $ são am&as variáveis aleatórias, pode ser til o conecimento de uma medida que relacione as duas variáveis quando elas mantBm entre si uma relação dada por uma lina reta. 2al medida " dada pelo coeiciente de correlação ( ). #ssim, correlação " deinida como a quantiicação do relação se%a linear.
>a análise de correlação se procura, então, determinar o grau de relacionamento entre as duas variáveis, ou se%a, se procura medir a covaria&ilidade entre elas.
>a análise de regressão " necessário distinguir a variável dependente e a variável independenteG na de correlação, tal distinção não " necessária.
>o que segue, os dados são supostosnormalmente distri)u'dos.
e#inição: +e%am x0, x7, ..., xnG ?0, ?7, ..., ?n os valores o&servados de X e $,
respectivamente. Jama-se coe#iciente de correlação (amostral" entre X e
$, o nmero dado por:
2 " y " " , ;ar ". ;ar " , - Cov r
Yma órmula equivalente de cálculo de r, de ácil manuseio, ":
) ? n ? )( x n x ( ? x n ? x F n 5 ) ? ( ? FD n 5 ) x ( x D n 5 ) ? x ( ? x r 7 7 i 7 7 i i i 7 i 7 i 7 i 7 i i i i i !ropriedades
(0) nmero r varia entre -0 e R 0
@igura =. Zetas de regressão e o coeiciente de correlação linear.
valor num"rico de r mede a intensidade da relação linear e o sinal de r indica o sentido da relação. >as @iguras (a) e (e) á correlação pereita: o valor de $ " determinado exatamente por uma reta linear em X, ou se%a, os pontos estão dispostos de orma tal, que as retas de regressão de $ so&re X
e de X so&re $ coincidem. Em (c), caso em que r Q 3, o qual " interpretado como ausBncia de relação linear, os dois coeicientes de regressão &$.X
($ em X) e &X.$ (X em $) são tam&"m 'ero e, portanto, as retas de
regressão são perpendiculares.
A importante assinalar que r Q 3 não implica em ausBncia de relação entre duas variáveis. Nsto " mostrado na @igura 9, onde apesar de r Q 3, " evidente que existe uma relação para&ólica entre X e $. !ortanto, r Q 3 somente implica ausBncia de relação linear entre as duas variáveis.
$ so&re X X so&re $ X X $ i 2 i i i 2 i 2 i i i y " x x x x " y y 1 n " y y . 1 n " x x 1 n ! " x x " y y $ X X so&re $ $ so&re X $ $ r Q 3 (c) X so&re $ $ so&re X X r Q0 (a) 3 ] r ] 0 (&) -0 ] r ] 3 X (d) r Q -0 (e) X $ $ X $ so&re X X so&re $ $
@igura 9. Zelação para&ólica entre X e $, onde: r Q 3.
(7) r2 " igual ao coe#iciente de determinação da regressão linear simples
(?Ui a &xi). >ote que 3 r 7 0.
coeiciente de determinação pode ser interpretado como a proporção da varia&ilidade total o&servada entre os valores de $, explicada pela regressão linear de $ so&re X ou se%a,
7 $ 7 X 5 $ 7 $ 7 s s s r onde: 7 n ) ?U ? ( s n 0 i 7 i i 7 X 5 $
" a variação dos valores de $ que ainda
permanece, depois de se levar em conta a relação linear entre $ e X (devido ao ato que nem todos os pontos estão so&re a reta de regressão), que " parte não explicada pela regressãoG e (s7$ s7$5X) " a variação em $
explicada pela regressão. >ote que 7 X 5 $
s envolve a soma dos desvios
elevados ao quadrado das o&servações reais (?i) dos valores a%ustados (
i ?U ), isto ", n 0 i 7 i
e , a qual " a quantidade minimi'ada ao se a%ustar a lina de
mTnimos quadrados (ve%a @igura <).
coeiciente de determinação ", portanto, uma medida descritiva da qualidade do a%ustamento o&tido pela equação de regressão estimada. A particularmente importante quando " usado para a'er previsões e será tanto mais til quanto mais próximo de um (0,3) estiver o seu valor. +e r 7 Q 0, todos os dados na amostra situam-se na lina de mTnimos quadradosG
se r 7 Q 3, não á uma relação linear entre X e $.
!ara o exemplo apresentado na 2a&ela 0, pode-se mostrar que r 7 Q (3,;;9)7 Q 3,;;. Esse valor implica em uma relação linear orte entre
o tempo e a quantidade de procaina idroli'adaG em particular ;;, ^ da varia&ilidade entre os valores o&servados de procaina idroli'ada "
explicada pela relação linear entre essa variável e o tempo. restante 0 3,;; Q 3,33= (3,= ^) da variação não " explicada por essa relação. (8) /as órmulas do coeiciente de regressão e de correlação tBm-se:
X $ X . $ s s r & $ X $ . X s s r &
onde: sX e s$ são os desvios padrão de X e $, respectivamente.
Retas de regressão e o coe#iciente de correlação linear
# equação da reta $U a0 &0X ou a reta de regressão de $ em X, como
visto, pode ser escrita so& a orma:
) X X ( & $ $U ou ) X X ( & $ $U 0 0 Jomo X $ X . $ 0 s s r & & ) 0 ( x s s r ? ou ) X X ( s s r $ $U X $ X $
/e modo semelante, a reta de regressão de X em $, XU a7 &7$, pode ser
escrita como: ) 7 ( ? s s r x ou , s s r & & onde ), $ $ ( s s r X XU $ X $ X $ . X 7 $ X
#s declividades das retas (0) e (7) somente serão iguais quando r Q 0.
>este caso, as duas retas serão idBnticas e á correlação linear pereita entre as variáveis X e $ D+e r Q 0, a equação (7) pode ser o&tida da de (0)
ou se%a, s ?F s x ou s s ? x $ X X $
. 6uando r Q 3, as retas de regressão
estão em ngulo reto e não á correlação linear entre X e $. 2ais atos estão ilustrados na @igura =. /essa orma, o coeiciente de correlação linear mede o aastamento angular entre as duas retas de regressão.
>ote que: 7 $ X X $ 7 0 r s s r s s r &
& , onde: r 7 Q coeiciente de determinação.
A importante salientar que o coeiciente de correlação deine apenas o sentido da variação con%unta das variáveis. # o&servação que duas variáveis tendem variar simultaneamente em uma direção ou em direções contrárias, onde os dados provavelmente indicariam uma correlação, positiva ou negativa, alta, não implicaria necessariamente na presença de uma relação de causa e eeito entre elas. #ssim, na @igura ;, nota-se que existe uma correlação negativa entre o consumo de proteTnas e o coeiciente de natalidade. Entretanto, isto não implica em airmar que um aumento no consumo de proteTnas determina redução da ertilidade. !ortanto, uma correlação o&servada pode ser alsa (correlação esp<ria), isto ", pode ser
devido a uma terceira e desconecida variável causal.
@igura ;. /iagrama de dispersão para o consumo individual diário de proteTnas de origem animal e a natalidade, em 7< paTses.
Exemplo de correlação
2a&ela 7. #mostra de pares de valores reerentes aos pesos (Mg) ao nascer (X) e aos 07 meses ($) de 03 animais da raça >elore:
X 7; 87 7< 78 7< 8 79 7 79 73 $ 70; 7=7 737 08< 0;3 704 0<< 0= 0<4 043 ) 8 , 0;0 . 03 9:8 . 899 )( 7 , 79 . 03 9447 ( 03 0;08 . 797 48737 ) ? n ? )( x n x ( n ? x x? r 7 7 7 7 7 7 r Q 3,<9
!ortanto, o grau de associação linear entre X e $ está quantiicado em <9^.
# ipótese [3: Q 3, pode ser testada usando a estatTstica: ) & ( Xar & ) & ( Xar & , que tem distri&uição t com n 7 graus de li&erdade,
onde: 7 i 7 i 7 i i 7 i ) x x ( 7 n ) x x ( )F ? ? )( x x ( D ) ? ? ( ) & ( var . n ) ? ( ? ) ? ? ( 7 i 7 i 7 i
Exemplo. 2estar [3 : Q 3 contra [0 : 3 empregando os dados
apresentados na 2a&ela 0. +olução: n Q < & Q 7,0= <39,7: < ) 73 , 0:0 ( :7 , 7;; . 8 n ) ? ( ? ) ? ? ( 7 7 7 7 33:< , 3 << , 090 <7 , 3 << , 090 = << , 090 ) 84 , 890 ( 7: , <39 ) & ( Xar 7 83 , 80 33:< , 3 3 0= , 7 ) & ( Xar & to&s Q 4^ gl Q n - 7 Q = tc (3,34G =)Q 7,9 ZJ Q _t ` 7,9 ou t ] -7,9
Jonclusão: como to&s ZJ, re%eita-se [3, com nTvel de signiicncia de
4^. +endo & Q R7,0=, á evidBncia de que os valores de $ realmente crescem com os valores de X.
) r ( Xar r
que, para amostras retiradas de uma população para a qual Q 3, segue
uma distri&uição t com n 7 graus de li&erdade, onde:
7 n r 0 ) r ( ar 7 . #ssim, 7 r 0 7 n r t
Exemplo. /os dados da 2a&ela 7,
37 , 4 :; , 3 := , 7 ) <9 , 3 ( 0 7 03 <9 , 3 t 7 o&s +e Q 3,30, tc (3,30G <) Q 8,844.
Jomo to&s ` tc, a ipótese nula " re%eitada ao nTvel de signiicncia de 0^.
!ortanto, á evidBncia de que as variáveis X e $ são correlacionadas. &s.: pode-se mostrar que
7 r 0 7 n r ) & var( &
#ssim, para se testar a ipótese L Q 3, pode-se usar a estatTstica
) 7 n ( t r 0 7 n r 7
, que " de cálculo mais ácil. >o exemplo apresentado na 2a&ela 0, 83 , 80 ) ;;9 , 3 ( 0 7 < ;;9 , 3 r 0 7 n r ) & var( & 7 7
?i)liogra#ia
b[#22#J[#Z$$#, . .G [>+>, Z. #. Statistical concepts and methods. >ef $orM: on ile? h +ons, Nnc., 0;99.
bY++#b, ..G OZE22N>, !.#. Estatística básica. +ão !aulo:
+araiva, 7338.
EI#>/2-[>+>, Z. J. Probability models and statistical methods in Genetics. >ef $orM: on ile? h +ons, Nnc., 0;90.
O##I[E+, O. >.G INO#, #. J. !. Noções de probabilidade e estatística. +ão !aulo: Edusp, 7337.
Z#, !. . Statistical research methods in the life sciences. !aciic rove:
brooMs5Jole !u&lising Jompan?, 0;;<.
+#ZE+, .@.G @#ZN#+, #.#.G JE+#Z, J.J. Introdução à estatística
2[O!+>, +. . Samplin! . >ef $orM: on ile? h +ons, Nnc., 0;;7.