Medidas de Posição (ou medidas de

tendência central)
 Medidas de Posição (ou medidas de tendência
central): Essas medidas estabelecem valores em
torno dos quais os dados se distribuem. Dizemos
ainda que esse nome é dado pelo fato dos dados
observados tenderem, em geral, a se concentrar em
torno de valores centrais.
 Exemplo:
TM

 média

PDF Editor
 mediana
 moda.
 

TM

PDF Editor
  Se os dados que foram distribuídos (dados
classificados) em tabelas com c classes de
intervalos, então a média é:
Intervalo
de classe
1-2 1.5 17
2-3 2.5 26
3-4 3.5 6
4-5 4.5 12 TM

5-6 5.5 29

PDF Editor
6-7 6.5 20
7-8 7.5 0
8-9 8.5 1
 Mediana (dados não classificados)


TM

PDF Editor
 Mediana dados classificados


TM

PDF Editor
 Medidas de tendência central

TM

PDF Editor
 Medidas de tendência central

TM

PDF Editor
 Medidas de tendência central

TM

PDF Editor
 Medidas de Variabilidade


TM

PDF Editor
 Medidas de Variabilidade


TM

PDF Editor
 

TM

PDF Editor
 TM

PDF Editor
 

TM

PDF Editor
 

TM

PDF Editor
 Exemplo


TM

PDF Editor
 

TM

PDF Editor
 

TM

PDF Editor
 Variância e covariância

TM

PDF Editor
 Distribuição Normal Univariado–N (, 2)
• A variável aleatória x tem distribuição normal com
média população μ e variância população 2, e
escrevemos : X  N (, 2) , se tiver a função
densidade de probabilidade que apresentamos de
seguida:
𝟏 𝟏 𝒙−𝝁 𝟐
−
𝒇 𝒙 = 𝒆 𝟐 𝝈 ,𝒙 ∈ ℝTM
𝟐𝝅𝝈𝟐

PDF Editor
em que e = 2, 71828… é numero de Napier
e  = 3, 14159…
 TM

PDF Editor
 As razões da importância da
distribuição normal
 Um modelo adequada para representar
muitos dos fenómenos do mundo real,
(exemplo: altura, o peso, resultado teste e
etc.)
 Usa-se na na inferência estatística (média e
TM
variância etc.)

PDF Editor
 Um modelo para representar quantidade
que sejam a soma de um grande número.
 Características da função densidade de
probabilidade normal
1. Tem forma de sino e um único máximo
para X = 
2. Simétrica relativamente a um eixo vertical
que passa por X =  (média)
3. Tem pontos de inflexão para X =    e
aproxima-se assimptoticamente do eixo das
TM

abcissas, isto é,

PDF Editor 𝒍𝒊𝒎

𝒙 → ∓∞
𝒇 𝒙 =𝟎
 4. A área total entre a função densidade de
probabilidade e o eixo das abcissas é 1, isto é:
+∞
𝒇 𝒙 𝒅𝒙 = 𝟏
−∞
5. A área sob a função densidade de probabilidade
entre os pontos de abcissa a e b é probabilidade
da variável aleatória normal tomar valores entre a
e b:
TM
𝒃
𝑷 𝒂<𝑿<𝒃 = 𝒇 𝒙 𝒅𝒙

PDF Editor
𝒂
 6. Aproximadamente 68% da população difere da
média menos de 1 desvio padrão.

TM

PDF Editor

 7. Aproximadamente 95% da população difere da
média menos de 2 desvio padrão.

TM

PDF Editor

 8. Aproximadamente 97,7% da população difere da
média menos de 3 desvio padrão.

TM

PDF Editor

 Distribuição normal estandarizada
 A distribuição N(, 2), onde  = 0 e  = 1 é
chamada distribuição normal estandarizada.
 Se X N (, 2), e tomamos:
𝒙−𝝁
𝒁= , 𝒁∈ℝ
𝝈
(tem-se que x = Z + , E(X) =  e Var (X) = 2)
então Z  N (0,1)
TM
 Uma variável aleatória Z com distribuição normal
reduzida, Z ∼ N (0,1), tem f.d.p. dada por:

PDF Editor
𝟏 𝟏
− 𝒁𝟐
𝒇 𝒙 = 𝒆 𝟐 ,𝒁 ∈ℝ
𝟐𝝅
 Tabulação da distribuição normal
 Suponha que X N (, 2) e que se pretende calcular
𝟏 𝒙−𝝁 𝟐
𝟏 𝒃 −𝟐 𝝈
P(a ≤ X ≤ b ) = 𝟐 𝒂
𝒆 𝒅𝒙
𝟐𝝅𝝈

Como vimos anterior, se X N (, 2), e

𝒙−𝝁
Z= ~𝑵 𝝁, 𝝈𝟐 , temos:
𝝈

𝒂−𝝁 𝒃−𝝁
P(a ≤ X ≤ b ) = ≤𝒁≤ TM
𝝈 𝝈

e portanto, podemos calcular as probabilidade

PDF Editor
referentes à variaável aleatória X, a partir da tabela que
nos dá as probabilidadeds da variável aleatória Z.
 TM

PDF Editor
p = P(Z≤ Zp) é representa o quantil de ordem p. As
tabelas foram obtidas no excel.
  Exemplo:
Concidere a variável aleatória Z N (0,1).
Determina a probabilidade P(Z<–1,05).
Solução:
P(Z<–1,05)= 0, 14686, onde
0, 14686 é o valor da célula localizada na
intersecção da linha –1,0 com a coluna –0,05
“Note que – 1,05 = –1,0 – 0,05”
TM
 De forma análoga:

PDF Editor
P(Z<1,08) = 0, 85993.
P(Z>1,08) = 1 – P(Z<1,08) = 1 – 0, 85993 = 0, 14007
P(0,50< z < 1,09) = P(z < 1,09) – P (z < 0, 50)
= 0,86214 – 0,51994 .= 0,3422
 P(Z<1,267) = …?
P(Z<1,267) não faz parte da tabela, então começamos
por obter da tabela:
P(Z<1,26) = 0,8962 e P(Z<1,27) = 0,8980
0,8980 − 0,8962 𝑃 𝑧 < 1,267 − 0,8962
=
1,27 − 1,26 1,27 − 1,26
P(Z<1,267) = 0,8975

Exemplo: TM

Concidere a variável aleatória Z N (0,1). Determina

PDF Editor
a valor de Zp tais que:
a. P(Z< Zp) = 0,3336
b. P(Z< Zp)= 0,94408
 c. P(Z> Zp) = 0,0436
d. P(Zp< Z < 1,64)= 0, 6480
e. P(–Zp< Z < Zp)= 0,5284
Solução
a. P(Z< Zp) = 0,3336; logo zp = – 0,43.
b. P(Z< Zp)= 0,94408; logo zp = 1,59.
c. Devido à simetria da curva normal, então
P(Z> Zp) = P(Z< -Zp) = 0,0436; logo –zp = –1,71
logo, zp = 1,71 TM

d. P(Zp< Z < 1,64) = P(z<1, 64) – P(Z< Zp)

PDF Editor
0, 64 80 = 0,9495 - P(Z< Zp), logo P(Z< Zp) = 0,3015
Zp=– 0,52.
 e. P(–Zp< Z < Zp)= 0,5284
P(–Zp< Z < Zp)= 1 – 2P(Z < –Zp) = 0,5284
Assim, P(Z < –Zp) = 0,2358
Logo, Zp = 0,72.

TM

PDF Editor
 Distribuição
Qui – Quadrado – X2(v)
New Text

A distribuição qui–quadrado
 Tem um papel fundamental na inferência
estatística, proprocionando os elementos
necessário para fazer inferências sobre a
variância de uma população a partir de uma
amostra. TM

 Usada para representar quantidades que

PDF Editor
sejam o quadrado de outras quantidades
com distribuição normal estandarizada
 Definição
 A distribuição qui–quadrado, com v (inteiro
positivo) graus de liberdade, escrever: x2(v)
 A variável aleatória X x2(v) “indica: X tem
distribuição qui–quadrado com v graus
de liberdades” pode tomar qualquer valor
real positivo. TM

 Tem um único parâmetro (de forma) v

PDF Editor
 Média “E(X) = v.
 Variância V(X) = 2v.
  Aproximação Normal
 Se X x2(v), então, quando v aumenta, a
função de distribuição da v.a
𝟐
𝒁+ 𝟐𝒗−𝟏
𝒁 = 𝟐𝑿 − 𝟐𝒗 − 𝟏 Ou 𝒙 =
𝟐

aproxima-se da função normal estandarizada

P 𝑿 ≤ 𝒙 ≈P 𝒁 ≤ 𝟐𝒙 − 𝟐𝒗 − 𝟏
TM

em que Z ∼ N (0,1)

PDF Editor
JUVINAL DOS REIS SOARES
TURMA : A/V
A PASIENSIA MAK XAVE BA SUSESU