o Olá meu nome é Alexandre gori Maia e essa aula de revisão de regressão linear simples aula corresponde a uma síntese dos Capítulos 1 2 3 e 5 do livro econometria conceitos e aplicações em estatística análise de regressão corresponde ao estudo de uma função relacionando uma variável denominada de variável Dependente com uma ou mais variáveis denominadas de variáveis Independentes por exemplo eu posso regredir a variável dependente renda do trabalho como uma função da variável independente anos de escolaridade um dos Desafios à econometria é encontrar a a forma de estimar os parâmetros essa função a estratégia
mais conhecida para cima desses parâmetros é o método de mínimos quadrados ordinários ou simplesmente e Michael nessa aula eu apresentarei o método de Henrique para o caso de um modelo de regressão linear simples ou seja para a regressão de uma variável dependente como uma função de apenas uma variável independente suponha uma população composta por 20 observações representadas pelos pontos laranjas no gráfico o meu objetivo seria a relacionar a variável dependente Y por exemplo a renda do trabalho como uma função de uma variável independente X por exemplo os anos de escolaridade e a regressão linear simples
assumir que a relação entre as variáveis x y e x seja dada por uma função linear definida por Alpha + Beta vezes x mais um erro de previsão e essa função é também denominada de função de regressar populacional e se baseia em pressupostos sobre a forma de relacionamento das variáveis na população seu definir os parâmetros alfa e beta eu posso representar a relação por uma reta a reta vermelha no gráfico e essa reta representa o valor esperado de Y para cada valor de X em outras palavras a função linear Alpha + Beta X5 vir o
erro de previsão aí representa a esperança condicional Y para x = um valor qualquer representado por x por exemplo a reta e identificar minha a renda esperada para pessoas que possuem dez anos de escolaridade o coeficiente Alfa é o intercepto do modelo que representa o valor esperado de y quando o valor de x for igual a zero por exemplo qual seria a renda esperada das pessoas sem escolaridade Oi Bete o coeficiente angular do modelo que representa a variação esperada em Y para cada variação monetária em X por exemplo Beta seria a variação esperada na renda
para cada ano adicional de escolaridade um para cada observação e da população Eu tenho dois valores Associados a y o valor observado Y A Renata a pessoa Y II representado pelo ponto verde e o valor esperado a renda média ou esperada das pessoas com a mesma escolaridade que a observação ir representada pelo ponto da reta de regressão que cruza com o valor de X na observação e o Chile esse ponto na reta corresponde a esperança condicional de Y para x = x e y e o erro de previsão será a diferença entre o valor observado
de Y ou Y II EA Esperança condicional de Y para x ou seja O Valor estimado pela função migração populacional é um pressuposto teórico da forma de relacionamento das variáveis na prática a relação é estimada a partir de dados de uma amostra ou seja de um subconjunto aleatório da população Nesse caso a função passa a ser denominada de função de regressão amostral além da função de regressão amostral estimadores Alpha chapéu evento a Chapéu representam os estimadores nos parâmetros populacionais alfa e beta e o resíduo e chapéu é o erro de previsão na função de regressão
amostral e se obter os valores de Alpha chapéu e beta chapéu eu terei uma reta de regressão amostral representando a relação linear entre y e x na mostra essa reta representa o valor previsto Y para cada valor de x e outras palavras a função enviar Alpha chapéu mais Beta chapéu fez o x sem incluir o resíduo e chapéu representa o valor previsto de Y para x = x por exemplo qual seria a renda prevista de pessoas que possuem dez anos de escolaridade encimado a partir de conjuntos de dados de uma amostra a poesia do e
chapéu ser a diferença entre o valor observado de y na mostra o y e o valor previsto pela função de regressão amostral ou y e chapéu o meu problema agora passa a ser como ensinar os parâmetros alfa e beta a estratégia mais utilizada é um método de mínimos quadrados ordinários os estimadores temos aqui ó são aqueles que minimizam a soma dos quadrados dos erros de previsão ou seja os estimadores tem aqui ó para alfa e beta serão aqueles que minimizam uma função denominada de erro quadrado total e essa função nada mais é que a soma
de todos os resíduos ao quadrado e aproveita desenvolvimento algebrico eu compro que essa função depende tanto dos valores de y e x que são observados em uma mostra quanto das estimativas de Alpha chapéu e beta chapéu ou seja uma vez que os valores de y ex são Dados amostra o erro quadrático total variará em função das estimativas de alta chapéu e beta chapéu definida a função de erro quadrático Total mccobb tem as estimativas para Alpha chapéu e beta chapéu e tal forma que a soma dos quesitos ao quadrado da mostra seja a mínima possível a
rocha Erica mente isso significa igualar as derivadas parciais da função de erro quadrático Total a 0 para o Inter o estimador de Alpha chapéu que minimiza a função eu igualo as ervas derivada parcial da função de um quadrado com o total em relação ao chapéu os detalhes desse desenvolvimento algébrico com são livro em cima do oral para chapéu dele aqui ó será dado pela média dos valores de y menos a estimativa liberta chapéu vezes a média de x é o chamado Beta chapéu dele aqui ó será dado para o desenvolvimento análogo eu igual a zero
a derivada parcial da função de um padrasto total em relação ao Beta Chapéu a partir de desenvolvimento algébrico eu chego então a equação para obter o estimador Beta chapéu indienne qui ó a função de regressão populacional representa o pressuposto teórico da falar de relacionamento entre as variáveis na população a função de regressão amostral é a representação equivalente para conjunto de dados da amostra em outras palavras os parâmetros alfa e beta da regressão populacional serão estimados por alface hotel e beta chapéu da função de regressão amostral e os estimadores de Michael são aqueles que minimizam a
soma dos quesitos ao quadrado A partir de desenvolvimento algebrico eu chego as equações para os estimadores alta chapéu e beta chapéu dele aqui ó e para facilitar os cálculos eu posso ainda desenvolver algebricamente a expressão do estimador Beta chapéu e representá-la como uma função dos vizinhos de y e x você se os dymx representados por y e x minúsculos são Dados pela pelas diferenças entre os valores originais as variáveis e seus respectivos valores médios é a expressão mais utilizada para o estimador Beta chapéu é dada pelo somatório dos vizinhos de X os desejos de y
dividido pelo somatório dos vizinhos de x ao quadrado como exemplo eu vou supor que a relação entre a renda do trabalho Y em salários mínimos e os anos de escolaridade x seja dada por uma função linear representada por Alpha + Beta x mais um erro de previsão aí Oi seleciona uma mostra de quatro ocupados e observe os seus valores para a renda EA nos escolaridade a função de regressão amostral para essas variáveis será então Y = Alpha chapéu mais Beta chapéu x mais o resíduo e chapéu eu aplico o mestre de um dele aqui ó
para estimar os valores de alfa e beta com base nos valores da amostra para y e x primeiro eu calculo a estimativa de Beto chapéu será dada por 1,29 em seguida eu calculo a estimativa de alça chapéu que será 2,71 e o a Jucilene aqui ó para a função de regressão amostral será então dado por y = 2,71 mais 1,29 x mais o e resido e chapéu a estimativa de Alpha chapéu indica que a renda prevista quando x = 0 será igual a 2,71 ou seja essa seria estimativa da renda esperada para as pessoas sem
escolaridade mas a interpretação os momentos mais importantes em uma análise de regressão e a do coeficiente angular Nesse caso a estimativa de Beto a Chapéu indica que a renda aumentar ia em média 1,20 nove salários mínimos para cada ano adicional de escolaridade o passo da análise é realizar inferências com as estimativas e Michael Ou seja eu preciso tirar conclusões sobre os valores de alfa e beta na população a partir das estimativas que obtenham na mostra primeiro eu preciso entender que esse e aqui ó é uma variável aleatória ou seja seus valores variam aleatoriamente dependendo da
morte se você deixou nada se opõe à regressão populacional de Y como uma função de X em si exemplo minha população contém 20 observações e se você deixa eu dar uma amostra aleatória dessa população por exemplo as observações em azul e aplicar o método dele aqui ó aos valores da mostra eu tirei uma estimativa da função de regressão amostral representada pela reta tracejada Azul todavia caso a amostra se deixou nada fosse outra por exemplo amostra representada pelas observações em rosa eu teria uma outra Estimativa de Michael para a função de regressão amostral representada pela reta
tracejada rosa e outras palavras enquanto os parâmetros alfineta são constantes na população as estimativas de que variam aleatoriamente em função dos valores selecionados da amostra Ou seja eu não posso simplesmente afirmar que uma Estimativa de Berta chapéu obtida de uma amostra aleatória seja exatamente igual ao parâmetro populacional Beta e com os estimadores Alpha chapéu e beta chapéu que variam aleatoriamente em função da amostra selecionada eu posso fazer inferências para os parâmetros alfa e beta que são constantes na população uma dessas referências é o teste de hipóteses para os parâmetros alfa e beta por exemplo eu
posso testar a hipótese nula de que o parâmetro o alfa = 0 contra a hipótese alternativa ver que o parâmetro o alfa é diferente de zero na população e para testar essas hipóteses eu utilizo esse madural faz chapéu de Hip ó obtido da mostra que apresentará uma distribuição normal para rejeitar um dão a hipótese nula eu me baseio no valor P que a probabilidade de erro ao rejeitar h0 Ou seja a probabilidade de erro ao afirmar que o padrão que o alfa é diferente de zero da população para calcular o valor P em uma distribuição
normal eu preciso saber quantos erros padrão a minha Estimativa de alta chapéu está afastado do centro da distribuição que é zero nesse teste de hipóteses o Ou seja eu preciso conhecer a variância de cima dor Alpha chapéu dele aqui ó antes de calcular o valor p um raciocínio análogo é válido para testar a hipótese nula de que o paramos o Beta é igual a zero contra a hipótese Alternativa de que o parâmetro Beta é diferente de zero o primeiro eu assumo que eu em cima do Beta chapéu tem uma distribuição normal com média zero Pois
é o valor esperado de Alpha chapéu Caso h0 seja válido em seguida eu calculo o valor ter que é a probabilidade de erro ao afirmar que o parâmetro Beta é diferente de zero na população e para calcular a esse valor eu preciso saber quantos erros padrão a estimativa de Beta chapéu está afastado no centro da distribuição Ou seja eu preciso antes conhecer a variância do estimador Beta chapeu.de Mix as variâncias dos estimadores Alpha chapéu e beta chapéu são obtidas a partir de desenvolvimento algébrico detalhe do desenvolvimento o podem ser obtidos no livro e aqui eu
apenas apresentarei e as equações as equações para as variâncias dos estimadores de mqo são funções e os valores de x e de uma constante e Sigma 2 essa constante e a denominada de variância dos erros ou variância da regressão na população O problema é que para eu conhecer o valor de ser uma dois Eu precisaria conhecer os valores nos erros na população que não são observados a alternativa é trabalhar com o estimador de em cima dois representado por cima dois chapéu estimado a partir dos resíduos da mostra e as ondas equações para as variâncias dos
estimadores de Michael são denominadas ds2 de alta chapéu es2 e beta chapéu essas equações representam os estimadores das variâncias de Alpha chapéu e beta chapéu substituindo o parâmetro Sigma 2 pelo ensinar em cima dor cima do Chapéu é da mesma forma que eu tenho o estimador Beta chapéu para o parâmetro Beta agora eu tenho o estimador S2 liberta chapéu para a variância de Beta chapéu e eu vou agora ensinar a variância dos estimadores de Michael no exemplo da regressão da renda do trabalho Y como a função dos anos de escolaridade X a amostra possui quatro
observações e eu Já ensinei os coeficientes alfa e beta Porém Aqui ó e agora eu esse marey as variâncias de Alpha chapéu e beta chapéu utilizando os estimadores de mqo para resolver as equações dos estimadores das variâncias eu preciso conhecer o valor de cima do chapéu que a estimativa da variância dos erros bom então eu preciso antes estimar o valor de cima do chapéu que será igual a zero 1,1429 ou 0,37 80 ao quadrado em que 0,37 80 é o é o erro padrão dos resíduos em qual a estimativa do signo do Chapéu eu posso
então desenvolver as expressões dos estimadores das variâncias dos estimadores alça chapéu e beta Chapéu a estimativa para a variância do Beta chapéu será igual a zero, 17:35 Ou seja a estimativa do erro padrão do Alfa chapéu será igual a 0,4 165 EA estimativa para a variância do Bessa chapéu será = 0,001 69 Ou seja a estimativa de ser o erro padrão será igual a 0,08 25 ensinado as variâncias dos estimadores Alpha chapéu e beta chapéu eu posso agora resolver os testes hipóteses para os parâmetros alfa e beta e para testar a hipótese nula de que
o intercepto é igual a zero eu utilizo a estatística aqui E aí só tem isso aqui é uma padronização da distribuição normal substituindo a real variância da distribuição pelo seu respectivo e cima dor no caso o estimador da variância da distribuição será o S2 do Beta Chapéu a estatística te medir a quantos erros padrão amostrais O valor está afastado do centro da distribuição nesse exemplo a estatística te né de quantos erros padrão amostrais a estimativa do Alfa Está afastada do zero que é o valor esperado de Alpha Caso h0 seja verdadeiro com a estimativa de
Alfa = 2,71 EA Estimativa de ser o erro padrão é 0,42 a estatística te será então igual a 2,71 / 0,42 que é igual a 6,52 e em seguida eu preciso calcular a probabilidade de eu encontrar o valor tão extremo quanto 6,52 em uma distribuição ter com dois graus de liberdade os graus Liberdade desse teste são os mesmos graus de liberdade dos resíduos do modelo ou seja iguais a n menos dois em que ele é o tamanho da Mota com a minha mostra possui quatro observações eu tirei dois graus de liberdade e Nordeste e eu
devo considerar a probabilidade de erro nos dois lados a distribuição no extremo superior eu estarei encontrando evidências para afirmar que o alfa na população é maior que zero no extremo inferior eu estarei encontrando evidências para afirmar que alça da população é menor que zero nas duas situações eu estaria rejeitando a galera nesse exemplo a probabilidade de erro associada a esta a estimativa 6,52 é igual a 2,2 por cento o ou seja se eu afirmar que o intercepta o alfa é diferente de zero na população maior ou menor que zero estarei sujeito a uma chance de
erro igual a 2,2 por cento o desenvolvimento análogo deve ser realizado para testar a hipótese nula de que o coeficiente angular aberta é diferente de zero eu utilizo a estatística ter que mede quantos erros padrão amostrais a estimativa de Beta que é 1,20 29 Está afastada de zero que é o valor esperado de Beto acaso h0 Seja verdadeiro a estatística teve esse teste será então é igual aqui nesse, seis e em seguida eu calculo a probabilidade de Eu encontrava o valor tão extremo quanto 15,6 em uma distribuição T com dois graus de liberdade e eu
também considero os dois lados da distribuição pois nas duas situações eu estaria rejeitando a hipótese nula de que o Beta é diferente de zero na população Oi e a qualidade de erro associado a esse teste é igual a 0,4 por cento ou seja se eu afirmar que o coeficiente angular Beta é diferente de zero na população estarei sujeito a uma chance de erro de apenas 0,4 por Centro São evidências fortes para afirmar que o coeficiente angular seja diferente de zero na população como coeficiente angular expressa a relação entre y e x na função de regressão
linear Eu posso também afirmar que a relação linear significativa entre a renda EA escolaridade o próximo passo da análise de regressão linear simples é analisar a qualidade do ajuste ou seja com próximos os dados se encontram de uma relação linear antes eu preciso definir uma medida de qualidade do ajuste quando eu trabalho com ele aqui ó a medida de qualidade se baseia na soma dos quadrados para compreender essa medida eu comparei dois exemplos o exemplo da esquerda representa e são entre y e x que se aproxima muito de uma relação linear negativa o exemplo da
direita representa uma relação entre y e x que não se aproxima de uma relação linear o objetivo da regressão é explicar o comportamento de y uma medida simples desse comportamento é dada pela distância quadrática entre o valor observado de Y ou Y II e sua média aritmética foi Y mar E se eu fumar essas instâncias quadráticas em todos os valores de y da mostra eu terei a soma total dos quadrados será a medida estatística do comportamento de Y é o próximo passo é medir o comportamento de y é explicado pelo ajuste de regressão primeiro eu
ajudo Eu eu estive um ajuste de Michael que representa os valores esperados de y y chapéu para cada valor controlado de X na figura esse ajuste é representado pela reta vermelha e em seguida eu calculo a distância quadrática entre o valor previsto do ajuste EA média aritmética de y as uma dessas distâncias quadráticas para todas as observações da mostra será denominada de soma dos quadrados da regressão a soma dos quadrados da regressão representa o comportamento de y que é explicado pelo ajuste de regressão e finalmente eu calculo uma medida para o comportamento de y que
não é explicado pelo ajuste de regressão essa medida é dada pelo quadrado da distância entre o valor observado de Y ou Y aí e o valor previsto pelo Ajuste o y Chapéu a soma dessas distâncias quadráticas será denominada de soma dos quadrados dos resíduos que representa o comportamento de Y não explicado Pelo modelo o seu calcular a soma dos quadrados para o exemplo da direita Eu chegarei à conclusão que nesse exemplo a soma dos quadrados dos resíduos representa a maior parcela do comportamento total de y dado pela soma total dos quadrados por exemplo da esquerda
O que representa uma relação linear mais forte a soma dos quadrados da regressão representa a maior parcela da variabilidade total de Y ou seja quanto maior a soma dos quadrados da regressão e consequentemente menor a soma dos quadrados dos resíduos melhor a qualidade do ajuste e mais forte a relação linear entre as variáveis no membro eu tenho três medidas de variabilidade quadrática em um ajuste de regressão a soma total dos quadrados mede a variabilidade total de y é a medida do comportamento de y pode ser calculada pelo somatório dos desvios de y ao quadrado a
soma dos quadrados da regressão mede a variabilidade de y que é explicada pelo ajuste de regressão Ou seja a parcela do comportamento de y explicado Pelo modelo e pode ser calculada pelo valor do Beta chapéu vezes o somatório do produto entre o desvio de x e o desvio de y finalmente a soma dos quadrados dos resíduos representa a variabilidade de y que não é explicada pelo ajuste de regressão é dada pela diferença entre a soma total dos quadrados EA soma dos quadrados da regressão quadrados é possível calcular uma medida muito simples e intuitiva da qualidade
do Ajuste o coeficiente de determinação ou R2 o R2 é dado pela razão entre a soma dos quadrados da regressão e a soma total dos quadrados ou seja representa a proporção do corpo do comportamento total de y que é explicada pelo ajuste de regressão e o R2 varia entre 0 e 1 será igual a zero quando ajuste não explicar qualquer parcela do comportamento de y e será igual a um quando houver uma relação linear exata entre as variáveis y e x Ou seja todos os pontos observados de y estariam exatamente sobre a reta de regressão
Mas essa é apenas uma situação hipotética pois um R2 = 1 significaria Muito provavelmente uma falha na especificação teórica do modelo de regressão na prática nós seremos valores de R2 entre 0 e 1 ficam mais próximos de um melhor a qualidade do ajuste também utilizo a soma dos quadrados para realizar inferências sobre a qualidade do modelo na população Ou seja a partir do comportamento observado na mostra eu posso inferir se o modelo contribui de fato para explicar o comportamento de y na população é o primeiro passo é elaborar uma tabela denominada nova ou análise de
variância além da soma dos quadrados a tabela nova apresenta os graus de liberdade os quadrados médios EA estatística F os nossos liberdade de mexer ou não a variabilidade aleatória presente em cada soma dos quadrados na soma dos quadrados da regressão eu tenho apenas um grau de liberdade associado a único coeficiente angular da regressão linear simples na soma dos quadrados dos resíduos eu tenho ele menos dois graus de liberdade em que ele é o tamanho da amostra no total eu tenho n - 1 grau de liberdade os graus os quadrados de médios são Dados pelas razões
entre as somas dos quadrados e os respectivos graus de liberdade e como os nomes sugerem são medidas de variabilidade média e finalmente a estatística F é uma razão entre os quadrados médios da regressão do numerador e dos resíduos no denominador e a estatística F da tabela nova é utilizada para testar a hipótese nula de que o modelo não contribui para explicar o comportamento de Y em casa modelo não contribua para explicar y o R2 será igual a zero mas se o R2 = 0 então o coeficiente angular será necessariamente igual a zero e em outras
palavras da regressão linear simples testar a hipótese nula de que o modelo não contribui para explicar a variabilidade de y é o mesmo que testar a hipótese nula de que o coeficiente angular aberta é igual a zero E aí Isso aqui scaef tirar uma distribuição F com 1 grau de liberdade no numerador associado ao quadrado médio da regressão e ele - 2° liberdade e não denominador associados ao quadrado médio dos resíduos e a distribuição F varia de 0 no extremo inferior até infinito no extremo superior quanto maior o valor da estatística F mais evidências teremos
para rejeitar h0 ou seja afirmar que o modelo contribui para explicar a variabilidade de Y é o valor que será a probabilidade de erro ao afirmar que o modelo contribui para explicar o comportamento de Y em locais específicos da regressão linear simples o TST para o coeficiente angular da reta e o PSF para a contribuição do modelo se equivalem os valores te serão idênticos a diferença ocorre apenas um caso da regressão múltipla que será o tema de estudo das próximas aulas para reproduzir Ei o mesmo exercício apresentado no vídeo agora sendo resolvido no r o
primeiro passo é definir os vectores y e x com os valores da mostra para a variável dependente renda e para a variável independente anos de escolaridade e em seguida eu defino algumas variáveis que serão úteis nas expressões para os estimadores de Michael primeiro eu definirei os vetores com os desvios de x e y eu criarei a os vetores x minúsculo e y minúsculo com os respectivos desvios das variáveis X e Y e em seguida eu definirei algumas variáveis para as somas dos produtos dos vizinhos EA variável n que receberá o tamanho da amostra é o
próximo passo é obter as estimativas de Nick para os parâmetros alfa e beta primeiro e obtém uma estimativa para o parâmetro Beta será dada pelo somatório dos vizinhos de x x os rios de y dividido pelo somatório dos rios de x ao quadrado eu já que as variáveis auxiliares anteriormente que recebem esse somatórios a estimativa de Beta será 1,285 7 e em seguida e obtenho a estimativa de Michael para o alfa será dada pelo ipe com barra menos o Beta chapéu vezes o x/ quem será 2,71 43 o próximo passo é realizar inferências para os
parâmetros alfa e beta na população a partir das estimativas e Mix Alpha chapéu e beta chapéu e é antes de mais nada aqui eu preciso estimar a variância da regressão é o estimador S2 o estimador do Sigma 2 chapéu é uma vez estimado o estimador S2 eu posso estimar as variâncias dos estimadores de Michael Alpha chapéu e beta chapéu 1 e com essas variâncias eu posso realizar os testes te ou se a sisters estarão as hipóteses que os parâmetros alfa e beta na população são iguais a zero a estatística T é dada pelo Alpha chapéu
dividido pela estimativa do erro padrão do álcool chapéu em seguida eu utilizo a função PT do R com os parâmetros a estatística ter calculado anteriormente e os graus de liberdade que são ele menos dois para calcular o valor P associado a esse TST o valor por nós já vimos é de aproximadamente 2,3 por cento Isso significa que se eu afirmar que o parâmetro Alpha na população é diferente de zero eu tenho aproximadamente 2,3 porcento de chance de estar enganado em seguida eu calculo a estatística t para testar a hipótese de que o parâmetro Beta na
população a = 0 o e calcula o valor que associado a essa estatística que também utilizando a função PT do r e o valor que vai ser de aproximadamente 0,4 por cento ou seja se eu rejeitar h0 e afirmar que o coeficiente angular é diferente de 0 a minha chance de erro rebaixa de 0,4 por sempre último passo é fazer a análise de qualidade do ajuste e o primeiro cálculo a soma dos quadrados a soma total do dos quadrados será dada pelo somatório dos vizinhos de y ao quadrado da soma dos quadrados a regressão é
o Beta chapéu vezes o somatório dos rios e x e y e a soma dos quadrados dos resíduos ser a diferença entre a soma total dos quadrados EA soma dos quadrados da regressão e em seguida e o cálculo os respectivos quadrados médios da regressão e dos resíduos dividindo a soma dos quadrados pelos graus de liberdade a estatística R2 será igual à soma dos quadrados da regressão dividida pela soma total dos quadrados é igual a 0,99 indicando que aproximadamente noventa e nove porcento da variabilidade quadrática da renda é explicada pela variável anos de escolaridade o e
finalmente eu posso realizar o tsf para a hipótese nula de que o modelo não contribui para explicar o comportamento de y na população no caso da regressão linear simples isso equivale afirmar que meu beta o presidente angular é igual a zero e essa dica é igual ao quadrado médio da regressão sobre o quadrado médio dos resíduos Eu tenho um grau de liberdade no numerador e ele menos dois graus de liberdade no denominador eu utilizo a função PF do Erre para calcular a probabilidade de uma distribuição f e o valor que eu encontrei é de 0,4
como nós vimos é o valor é idêntico ao do TST para o coeficiente Beta E aí [Música] E aí [Música]