Estatı́stica Aplicada à Psicologia I

Formulário

ESTATÍSTICA DESCRITIVA:

Medidas Amostrais Dados não agrupados Dados agrupados Classe i=[ci , ci+1 [

n
X k
X
xi ni xi
i=1 x1 + x2 + · · · + xn i=1 n1 x1 + n2 x2 + · · · + nk xk
Média x= = x= =
n n n n

Média para valores xi com frequência ni :

Xk
ni xi
i=1 n1 x1 + n2 x2 + · · · + nk xk
x= = k=no de classes; xi = ponto médio da classe i
n n

n1 + n2 + · · · + nk = n n1 + n2 + · · · + nk = n

n k
xi − nx2 ni x2i − nx2
X P 2 X P
2 1 2 2 1 2
Variância s = n−1 (xi − x) = s = n−1 ni (xi − x) =
i=1
n−1 i=1
n−1

x21 + x22 + · · · + x2n − nx2 n1 x21 + n2 x22 + · · · + nk x2k − nx2

= =
n−1 n−1

Variância para valores xi com frequência ni :

n1 x21 + n2 x22 + · · · + nk x2k − nx2

s2 =
n−1
√ √
Desvio padrão s = s2 s= s2

Moda m0 = valor xi com maior frequência Classe modal = [ci , ci+1 [

m0 = ponto médio da classe modal

 x
 (np) + x(np+1) , se np é inteiro np − Ni−1
Quantil-p qp = 2 qp = ci + h, Fi−1 ≤ p < Fi
 ni
x(int(np+1)) , se np não é inteiro

Momento central de ordem r:

1
(xi − x)r
P
 mr = n


Simétrica (Média=Mediana=Moda)





 Coef. de assimetria:
 
Distribuição  Positiva (Média > Mediana > Moda) b1 = √m3
( m2 ) 3
Assimétrica




Negativa (Média < Mediana < Moda)

 
Coef. de achatamento:



m4
b2 = m2 2

x(n) − x(1)
Regra de Surges: no de classes = k ≈ [log2 n] + 1; (ou 2k−1 ≈ n) Amplitude das classes: h =
k
Amplitude interquartil: AIQ = q3/4 − q1/4
s s
Coeficiente de dispersão: Coeficiente de variação: CV = × 100%
x x
Barreiras Internas: q1/4 − 1.5(q3/4 − q1/4 ) e q3/4 + 1.5(q3/4 − q1/4 )

Barreiras Externas: q1/4 − 3(q3/4 − q1/4 ) e q3/4 + 3(q3/4 − q1/4 )

PROBABILIDADES:

ˆ P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

ˆ Independência entre A e B: P (A ∩ B) = P (A)P (B)

P (A ∩ B)
ˆ Probabilidade de A condicionada por B: P (A | B) =
P (B)

P (A ∩ B)
ˆ Probabilidade de A condicionada por B: P (A | B) =
P (B)
ˆ Teorema da Probabilidade Total: P (B) = P (B | A1 )P (A1 ) + P (B | A2 )P (A2 ) + · · · + P (B | An )P (An )
P (B | Ai )P (Ai ) P (B | Ai )P (Ai )
ˆ Teorema de Bayes: P (Ai | B) = =
P (B) P (B | A1 )P (A1 ) + · · · + P (B | An )P (An )

VARIÁVEIS ALEATÓRIAS (v.a.):

v.a.’s discretas v.a.’s contı́nuas
Função distribuição (f.d.) Função distribuição (f.d.)
X Rx
F (x) = P (X ≤ x) = pi F (x) = P (X ≤ x) = P (X < x) = −∞ f (t)dt
i:xi ≤x
P (a < X ≤ b) = F (b) − F (a) P (a < X ≤ b) = F (b) − F (a)
X R +∞
Valor médio: µ = E[X] = xi pi Valor médio: µ = E[X] = −∞ xf (x)dx
i

Variância: σ = Var[X] = E[X ] − E[X]2

2 2
Variância: σ 2 = Var[X] = E[X 2 ] − E[X]2

E[aX + b] = aE[X] + b e V ar[aX + b] = a2 V ar[X] com a e b constantes e X variável aleatória.

DISTRIBUIÇÕES:
1 n+1 n2 − 1
Uniforme, U{1, 2, · · · , n}: P (X = i) = , i = 1, 2, ..., n. E[X] = , Var[X] = .
n 2 12
Bernoulli, Ber(p): P (X = k) = pk (1 − p)1−k , k = 0, 1. E[X] = p, Var[X] = p(1 − p).

n


Binomial, Bi(n,p): P (X = k) = k pk (1 − p)n−k , k = 0, 1, 2, ..., n. E[X] = np, Var[X] = np(1 − p).
1 x−µ 2
e− 2 ( ) , x ∈ R.
1
Normal, N(µ, σ): f (x) = √ σ E[X] = µ, Var[X] = σ 2 .
2πσ 2

n
X
ˆ Se Xi ⌢ N (µi , σi ) com i = 1, . . . , n são v.a.’s independentes, então Xi = X1 + · · · + Xn ⌢ N (µ1 , σ1 ), com
i=1

µ1 = µ1 + µ2 + · · · + µn e σ12 = σ12 + σ22 + · · · + σn2 .

√
ˆ Se Xi ⌢ N (µ, σ) com i = 1, . . . , n, são v.a’s i.i.d.’s então X ⌢ N (µ, σ/ n)

X −µ
ˆ Se X ⌢ N (µ, σ), então Z = ⌢ N (0, 1)
σ

TEOREMA DO LIMITE CENTRAL: Sejam X1 , X2 , ..., Xn v.a.’s i.i.d. com valor médio µ e variância σ 2 .
n
X
Xi − nµ
i=1 X −µ
quando n → ∞ : √ ∼ N (0, 1) ⇔ √ ∼ N (0, 1)
σ n σ/ n