lançamentos de moedas que a gente vai trabalhar agora é com a moeda hest e ela pode dar Cara ou Coroa 50% cada ou seja esse é o nosso histograma da nossa população e a gente consegue computar a média populacional usando aquela equação inha que a gente já tá habituado a média mi da população é meio e a gente pode calcular também o desvio padrão populacional Raí da variância variância daquelas dividida por n né desv o padrão populacional Sigma é meio agora a gente vai fazer uma demonstração da Lei das médias usando moedas e a gente vai fazer 1000 lançamentos então é uma amostra com essa nossa população zer e 1 com reposição você sempre joga a moeda sempre pode tirar Cara ou Coroa a cada lançamento daí você gera um vetor cara que tem 1000 valores né 0 1 0 0 vai aleatório esses valores zeros e uns imagina que esses lançamentos são sequenciais e você pode computar a porcentagem acumulada a cada lançamento dividindo soma acumulada pelo número de lançamentos e computar então a soma acumulada né então aqui se fizesse a soma acumulada daria um continuaria um continuaria um agora do 3 continuaria 3 4 5 6 7 só tô fazendo essa soma acumulada e dividindo pelo número de lançamentos com isso eu chego numa porcentagem de caras a do do do primeiro lançamento até aquele instante e depois eu tô plotando isso lançamentos pela porcentagem Eu quero um gráfico de linha vermelho com uma linha grossa grossura dois quero escrever lançamento como Label do eixo X no Label do eixo Y eu vou falar porcentagem de caras eu quero que o gráfico tenha todo o Range de lançamentos né então de 1 a 1000 e os limites no Y eu quero que seja de zero a 1 e pum Cheguei nesse gráfico na primeira vez deu cara né depois deu coroa coroa caiu num terç né de probabilidade depois começou a dar cara de novo e depois volta paraa coroa e depois e e quando vai fazendo esses vários vários e vários lançamentos o que acontece é que vai chegando mais e mais perto de 50% né a porcentagem de caras vai ficando cada vez mais próxima de 50% E se eu faço isso várias vezes isso acontece com uma regularidade extrema tem aquele vermelhinho que a gente já tinha feito antes mais outros 10 quase todos caíram 50% bem bonitinho lá Essa é a lei das médias né então quando você tem um n Grande a média da sua amostra se aproximar ao mi então a medida que o n aumenta o número médio de cara se aproxima mais e mais da Média populacional e a média amostral x Barra né converge pro parâmetro mi é um outro jeito de falar a mesma coisa né esses x Barras com n pequeno el geram uma distribuição mais larga mais dispersa mas quando você tem o seu n gigante as suas médias ficam muito mais centradas no Mi essa é a lógica básica que a gente vai ver agora mas a gente vai ver isso em diferentes exemplos Vamos retomar esse exemplo da moeda que tem uma média mi meio Sigma meio e agora a gente vai fazer os histogramas dessas distribuições de médias quando eu faço N1 eu faço amostras de N1 e tiro a média a média só vai poder ser zero e 1 Então vai manter o mesmo formato da distribuição original da população e eu chego no nos mesmos valores né do da média de X bar e do desvio de X barra mas isso aí é desinteressante né vou fazer com n maior a média de x Barra que continua no 05 só que o desvio ficou um pouquinho menor e repetindo essa simulação de amostragem com tamanhos de amostra de 4 9 e 25 observamos que a média das médias das 5000 amostras sempre fica bem perto do 0,5 Ou seja a média dos X Barras é sempre no mid da população já O desvio padrão das médias dessas 5000 amostras fica cada vez menor conforme aumentamos os tamanhos das amostras e outra coisa interessante é que quanto maior é o tamanho da amostra mais o formato da distribuição dos xbar se aproxima do formato de galciana ou seja quanto maior o tamanho da amostra mais normal fica a distribuição e eu vou plotar aqui agora Como que essa média está ao longo desses vários tamanhos aqui eu fui de 1 a 400 e a média dos Barras fica sempre lá no meio já O desvio ele cai dessa forma aqui tá então aqui cada pontinho é cada um dos experimentos que eu fiz e eu juntei uma linha vermelha ali mostrando como é que é a função que relaciona uma coisa a outra Ok moeda Vamos fazer outra coisa Super Criativa que estatístico adora dado né então vamos fazer experimento agora com os dados os dados tem seis lados é um dado honesto todos com a mesma chance a média mi é 3,5 certo é o centro de massa aqui no 3,5 eu posso botar um que ele vai ficar equilibrado e o desvio padrão é 1,71 só aplicar aquela mesma fulaz inha lá você chega nesse Sigma desvio padrão da população de 1. 71 eu vou fazer a mesma brincadeira né Fazer a distribuição das médias de 5000 amostras tiro uma amostra tiro a média e vou colocando na minha tabelinha lá depois eu faço um histograma então com N1 eu chego nos mesmos valores né deu quase 3,5 desvio com 71 e faço com n2 continuou a mesma média desvio padrão começa a diminuir e começa a mudar a forma né dessa distribuição e com n4 menor desvio ainda vai surgindo a normal vai surgindo a normal tá então com n25 aqui eu tenho a minha média a média do x Barra muito próximo do Inicial e o desvio do X barra e em em 0,37 né que é mais ou menos 1/5 de 1. 71 E tá lá de novo aquela mesma coisa que a gente tinha visto a média sempre centrada no meio da população e o desvio caindo caindo caindo com aquele formato de curva igual que a gente tinha visto pra moeda mas ISO eu trabalhar com uma distribuição normal tem um monte de coisa no mundo que que a população Segue uma distribuição normal coloquei uma droga queria ver se mudava alguma coisa na expressão gên vamos supor que a população é acima do 3,5 mas na média sobe a expressão daquele daquele determinado gene em 35% isso poderia valer para oscilações da bolsa sei lá pega todas as empresas quanto que as ações da bolsa variaram Naquele dia quando você tem muitos efeitos juntos você tem muitos fatores né a economia é uma coisa complexa assim como o Genoma é uma coisa complexa depende da temperatura Depende de outros gênes que estão lá então eh todas essas coisas juntas tendem a fazer surgir uma distribuição que já Segue uma cara normal então é uma coisa que muitas vezes acontece tem várias distribuições que são normais tem várias que também não são mas essa é é uma distribuição comum de encontrar na natureza e eu fiz uma distribuição aqui com média 3,5 e Sigma 1.
71 você vê que é mesmo é o mesmo mi e o mesmo Sigma da anterior né só mudei a cara aqui né que antes aqui era uma distribuição uniforme discreta só podia ter um valor 1 2 3 4 5 6 e agora eu peguei uma distribuição contínua que os valores podem ficar até negativos muito mais positivos do que seis né então mudou o Range mudou tudo mantendo o mesma média e o mesmo desvio padrão tá isso aqui eu fiz no R né Eu só coloquei lá minha população é igual a 3,5 mais 1. 71 rnorm de 10. 000 né então esse R norme vai gerar 10.
000 números aleatórios com média zero e desvio 1 isso aqui é que o r faz de fábrica média zero mi z0 e Sigma 1 né des o padrão um e eu só multiplico esses valores que estão centrados em zero com com distância média 1 eu multiplico por 1. 71 agora a distância média vai ficar em 1. 71 depois eu desloco essa distribuição né a invés de o centro ficar no zero eu desloco ele pro 3,5 então eu fiz uma população e depois eu só fiz o histograma dela desse jeito que eu queri essa população com média 3,5 e desvio o padrão 1.
71 Mas enfim vamos lá el tem essa Distribuição e vamos fazer aquele mesmo experimento de 5000 amostras de diferentes tamanos tamanhos aqui com N1 bate com que a gente já tinha visto É uma boa estimativa do mi Sigma da população e com n2 continua normal o desvio padrão vai diminuindo quando eu aumento o n o desvio padrão vai ficando cada vez menor cada vez mais estreito a média do x Barra não varia com o tamanho do n mas o O desvio padrão do X bar cai cai bastante né O que que você tira a partir disso né então quando você faz uma amostra grande de uns 25 elementos por exemplo você sabe que o seu x Barra ele não vai cair num lugar muito extremo ele vai cair muito perto da sua média de fato porque o desvio padrão da distribuição das médias quando você faz uma simulação você vê que os valores de cada x Barra individualmente eles sempre caem perto do do do mi original desvio padrão cai muito quando você aumenta o n tá você tem um erro ali claro que é proporcional ao desvio do x Barra daquele tamanho de amostra Considerando o Sigma da população mas se você faz uma amostra e estima uma amostra só você estima O desvio padrão ali e você estima o x Barra ali com o tamanho da sua amostra você já sabe olha ela tá perto proporcional ao desvio padrão que eu consegui estimar e proporcionar o tamanho da minha amostra tá esse é o fundamento né da Lei das médias que é o fundamento depois a gente vai ver aí do do intervalo de confiança tá mas esse experimento que a gente fez aqui essa simulação que a gente fez aqui mostrando que existe uma maior dispersão com com tamanho de amostra Pequeno e Menor dispersão com tamanho de amostra grande é o teorema central do limite e o teorema central do limite Na verdade tem esse aspecto da redução do desvio padrão Mas ele também tem Esse aspecto de gerar uma distribuição que segue o formato de uma normal quando você tava trabalhando com as moedas ou com a média dos valores dos dados ela demorava um pouquinho para ficar normal Mas quando você vai aumentando n você faz com que a distribuição das médias x bar siga uma distribuição normal esse é um aspecto importante do teorema central do limite né então que é emergência de uma distribuição normal mesmo quando a população não é normalmente distribuída né então aqui aqui era uma distribuição normalmente distribuída Mas mesmo quando não era quando era aquela história do dado a distribuição normal também surgia eí aquele outro lance né de que muitas das das populações muitas das medidas na natureza são normalmente distribuídas ou aproximadamente normais então além de ter essa questão de surgir a curva normal você tem também que o a média do x Barra continua sendo umida a população e o desvio padrão das médias amostrais diminuem seguindo essa equação Sigma dividido por √ com N1 você vai ter um desvio padrão das médias que é 1/1 do Sigma da população Esses são os elementos que a gente tem que a média do X Barras se aproxima muito bem do mi se desvio padrão do X Barras se aproxima muito do Sigma dividido pela ra n e esse é o teorema central do limite e esse aqui vocês já devem ter visto falar né Sigma dividido por √ n é o erro padrão tá é o erro padrão Ou desvio o padrão da Média né faz todo sentido eu desvio o padrão da Média que você pensa que existe uma distribuição da das médias e essa distribuição das médias tem um desvio padrão que é dado por esse valor vamos ver no R rapidinho como que foi feito isso aqui é só para revisar vamos rodar linha a linha isso aqui é para limpar todas as variáveis a gente definiu a nossa população aqui a gente consegue definir aquelas outras populações a gente volta aqui pro script para rodar essas coisas o histograma da população com os limites no x que são os limites da população numa cor cinza os Breaks desse histograma né onde que eu vou cortar cada categoria do histograma vai seguir essa regra aqui né então que ele vai do valor mínimo da população até o valor máximo da população dividindo em 30 pedaços e do mesmo tamanho né E tá aí desenhado o histograma nosso grafic a nossa população e depois a gente extrai a média nossa média é meio nosso desvio padrão aqui a gente tem que fazer na mão né a gente não pode usar o sd se fizesse o sd da população Paria 07 né o sd ele sempre coloca o n-1 lá embaixo o r é para trabalhar com amostras né para trabalhar com mundo real ali então ele já vem preparado para fazer desvio padrão de amostra só clico o F1 em cima dele ele vai aparecer aqui Standard deviation aqui ó com uma variância isso aqui usa o denominador n - 1 mas a gente quer fazer o Sigma né então a gente tem que fazer na mão e o nosso Sigma não é 07 ele é meio também vamos fazer a nossa simulação para 25 elementos vou criar um vetor onde vou onde vou salvar os meus valores de x Barra e vou fazer minhas 5000 amostragens para cada amostragem então vou fazer amostragem um né mostr agem um aí eu vou procurar na minha população que tem 0 e 1 25 elementos e faço isso com reposição e daí ele me gera lá um vetor de zeros e uns isso aqui eu vou chamar de minha amostra toda vez que eu seleciono aqui eu colo uma linha eu tô dando control enter só para relembrar a aí tiro a média dessa amostra e eu tô associando isso ao x Barra na posição um eu faço isso lá minhas 5000 vezes né vou rodar rodar de novo ele vai rodar a mostragem um de novo e já tá aí lá agora el tem um x Barra com um montão de valores fizemos o histograma na mesma lógica lá que a gente tinha feito antes tá lá o meu histograma do x Barra a média no meu x Barra deu 05 né então que é perto do meu Mi tá batendo e o desvio padrão do x Barra deu 0. 099 que eu imagino que seja o quê o nosso Sigma dividido pelo pela raiz quadrada né do n né então n elevado a me Então o que eu esperava era que desse 01 deu 0. 999 a gente conseguiu chegar bem no que a teoria diz sobre aleatoriedade né então eu quero fazer essa brincadeira de amostragem para tamanho de amostra 1 2 3 4 falei que meus n estão num vetor né nvec né vetor de de tamanho de amostra e para cada tamanho de amostra eu vou colocar um valor de média e um valor de desvio então eu vou criar vetores onde eu vou salvar a média dos X Barras e o desvio dos X Barras e daí eu vou rodar um loop aqui o loop que ele vai rodar essa variável count do valor um até o tamanho do vetor de nes né vetor de nes tem 14 elementos então meu o count vai de 1 a 14 então quando eu rodo o count na primeira vez ele já computa todo aquele eu preciso fazer um count aqui count igual a um vai fazer amostragem aqui a primeira amostragem que ele vai fazer vamos falar amostragem igual a 1 a primeira amostragem ele vai criar uma amostra daquela população com o nvec daquela posição da posição um né o count é um o nvec que a gente vai caçar primeiro é um né esse valor aqui e vai fazer com reposição Então tá lá a nossa amostra de um elemento né E quando você pede a média de uma amostra de um elemento ela retorna aquele valor mesmo e tá salvando isso no nosso x bar amostragem a gente faz isso aqui das nossas 5000 vezes e depois tira a média dos X Barras tá e desvio o padrão do X Barras tá vamos rodar esse treco inteiro aqui então agora a gente tem um uma média x Barra para cada um desses valores de tamanho de amostra sempre aqui no meio né E aqui um desvio padrão do X bar para cada tamanho dessas amostras também e aí você vê caindo né e agora a gente só plota né o tamanho pela média exp plotamos os nossos valores de média então tamanho de amostra no x a média dos 5000 x Barras né Para aqueles tamanhos de amostra no Y aí o que eu quero fazer também é plotar um outro gráfico por cima desse segura o gráfico que eu quero plotar coisa por cima né daí você roda esse esse comando aqui par New iG true e o que eu pedi para colocar lá foi para todo aquele meu Range de de m para ele escrever o meu Mi no o valor X1 para o y5 e o outro ponto é x400 para y52 também então ele desenhou essa linha né tipo é linha a cor é vermelho eu falo para ele plotar exatamente o mesmo xlink que já tava o mesmo Y link que já tava né e eu falo Ah não plota De novo sen não fica feio depois que a gente plotou as médias vamos plotar os desvios né que a mesma coisa o mesmo caminho só que a gente mudou a variável a gente vai colocar o desvio x bar o primeiro gráfico é só dos pontinhos né Olha só o segundo gráfico o que que é é o Sigma dividido pela raiz do n o gráfico em vermelho já é o que a teoria diz pra gente o teorema central do limite né E você vê que cai bem um bem em Cinha do outro mesmo né e a gente pode checar se esse caiu bem em Cinha do outro faz uma razão entre o desvio x Barra e o que a teoria o teorema citado do limite diz paraa gente se der um exatamente em cima do outro tem que dar quanto um certo você pode tá dando exatamente o um aqui né então você pode rodar e olhar os valores que deram né tudo valor muito próximo de um né eu posso fazer o gráfico agora plota aqui as razões e plota a linha né A constante um só para mostrar que tá funcionando para todos os casos muito bem né Tá fizemos esse primeiro caso eu só quero rodar agora paraa população de dados pron tá aqui o histograma da população tem 1 2 3 4 5 6 parece uma distribuição inha normal bonitinho fáil aquele mesmo ento pros diferentes tamanhos de amostra né plotas médias tudo no 3,5 o mid dado o desvio padrão cai bem em Cinha do Sigma dividido por ra n quando eu faço aquela razão entre desvio e Sigma tá tudo em cima do um funciona igualzinho o outro caso aqui só fazendo de novo mostrando que funciona né aqui nossa população o mi e o Sigma né novo aquele experimento de amostragem com 25 elementos a gente vê que fica muito mais magrinha normal né o Sigma da população dividido pela raiz do n e dividido por 5 né que o nosso n é 25 Sigma er 0.
7 o padrão 03 S vamos dividir o Sigma pelo des padrão tem que dar cinco percebeu aí 5. 03 então exatamente o que teia disso sonica Maravilha is funa Maravilha tá a média sempre no no valor que tinha colocado desvio desir n e e a razão sempre um chega de R um pouquinho Tera central do limite distribuição das médias Segue uma distribuição normal que tem dois parâmetros um parâmetro média que ele cai em cima do mi e um parâmetro desvio padrão que cai em cima do Sigma da população dividido pela raiz do e e porque raiz esse nome né teorema central do limite o Central se refere a fundamental ele tá como ele é base para fazer um monte de coisa n est e no limite porque ele só funciona no limite né quando você tem um n é grande o suficiente né se você tiver um n muito pequeno você não tem essa propriedade fundamental válida o teorema central do limite só funciona quando você tem um n grande quando você tem uma distribuição normal a sua população Segue uma distribuição normal ele já funciona de cara a distribuição das médias vai ser normal mesmo que você use um n ridiculamente pequeno mas quando você tem uma distribuição que não segue uma distribuição normal uma distribuição uniforme uma distribuição bimodal enfim daí você eh tem que fazer um n muito maior para conseguir observar eh essa emergência da normalidade a gente tá vendo que ela tem uns probleminhas né ela funciona no infinito tô mostrando a ferramenta com problemas mas depois a gente vai fazer ela ficar mais poderosa ainda tá próximas aulas mas esse que é o princípio básico né distribuição das médias amostrais quando você tem um n Grande a sua distribuição das médias amostrais é sempre as mesmas é sempre uma normal ou galciana d na mesma Ela tem os parâmetros lá né Sigma que entra aqui e aqui e ela tem o mi que entra aqui aí o x que é a coisa que a gente varia no eixo X né e o resto é tudo número né enfim são dois parâmetros que a gente tem nessa função o mi e o Sigma e a gente pode usar essa escala de valor bruto valor em centímetro quilo que a gente mediu de fato Ou a gente pode fazer uma escala em erro padrão uma escala de desvio padrão da Média que aqui vira o zero aí um desvio padrão da média para lá e para cá essa a escala Z né se vê aquela tabela Z que tem tudo quanto é livro de estatística que associa valores de Z que é os que estão em aqui com valores de probabilidade né para cada valor de Z ela vai ter um valor de probabilidade e num caso aqui como esse a gente pode procurar agora eu quero procurar na minha tabela qual que seria a probabilidade Então essa área nesse pedaço aqui para um Z = 0 como é que eu acho isso aqui na minha tabela eu já sei que isso aqui é 50% né a distribuição normal é simétrica unimodal então eu sei que se eu colocar lá no pico dela eu vou ter meu Z = 0 isso aqui tem que dar 50% tem lá na minha tabela para um z0 né 0. 0 Na primeira casa decimal e na segunda casa decimal zero também esse aqui é a segunda casa decimal que tá colocado em cima o 50% ele tá no z0.
00 e o que ele tá mostrando pra gente aqui é a integral do valor de menos infinito até o valor de Z essa tabela no final Então ela mostra a área acumulada né o integral do menos infinito até os valores de z o que tem nessa tabela no fundo é essa curva associando valores de Z que é o que tão embaixo Aqui com valores de probabilidade acumulada então isso aqui é a distribuição normal com as áreas essa área tem 0. 1% essa área tem 2. 1% 13.
6 por 34% se você somar tudo isso aqui vai dar o 50 né E se você somar com o outro lado dá um né que a probabilidade é sempre um sempre tem que somar 100% Qual que é a área do menos infinito até o -4 que estaria aqui mais ou menos né -4 desvio padrão Aí é zero aí ó o 3 tá no zero quase ali né mas daí você vai subindo para o -2 aí ele já tem 2. 2 e quando você chega no z0 você chega na integral 50% né a área acumulada é 0. 5 e assim você segue até chegar no 100% que quando você pegou ual a integral do menos infinito até o 5 e é isso que tá mostrado aqui nessa tabela tá então essa essa área né a integral do menos infinito até o valor de z eu queria saber quais são os valores Associados a esse 2,5 desse lado e esse 2,5 desse lado para ter uma área no meio de 95% eu consigo achar isso nessa tabela é só eu procurar Onde tá o 2,5 e o 2,5 não tem porque ela começa no 50 né no z0 não tem valor negativo Tá mas ela é simétrica então isso não é um problema eu posso procurar então o 97,5 que é o 2,5 daqui mais os 95 daqui tá 80 e tanto 90 e tanto 97,5 achei aqui ó ele tá associado a qual valor de z 1.
96 eu posso botar lá integral do menos infinito até 1. 96 é o 97,5 Mas como eu sei que isso aqui é simétrico né o Men 1. 96 tá por outro lado ali eu só ponho um negativo para ter 95% de probabilidade numa distribuição normal com média zero desvio padrão um eu tenho que pegar entre o - 1.
96 até o mais 1. 96 mas isso aqui cara é ano 70 raivoso assim tabela horrível não queremos brincar com isso a gente quer fazer isso no R né que é muito mais fácil bom primeiro a gente já tinha visto como é que fazia números aleatórios vindo de uma distribuição normal que era o r enorme aqui eu tô plotando no x de 1 a 100 e aqui os ele vai me dar 100 valores aleatórios que vem de uma distribuição normal com média zero desvio padrão um daí ele plotou valores aleatórios ali você vê que é mais mais pesado né Tem mais número perto do um e pouquinho número acima do dois não tem quase nada né Esse é para gerar números aleatórios mas eu quero fazer a distribuição de densidade de probabilidade essa equação tá eu só tenho que usar a função d norme d de densidade né Eu quero fazer a função de densidade de probabilidade na normal e eu quero fazer isso aqui pros valores de Z né valores de Z que vão de -4 até 4 o Sec eu posso usar o by eu posso usar o length né Vocês já viram que dá para usar de dois jeitos eu quero então do do menos 4 até o 4 por pulinhos de 01 né Então isso que eu vou botar no x aqui aí no Y eu vou botar o dorme desses valores de x né então eu botei a mesma coisa aqui aqui e daí eu tenho minha distribuição normal que vai do Z - 4 até o mais 4 eu podia botar mais né normal vai de menos infinito até mais infinito só que só tem variação aí enfim tá aí desenhado a nossa função densidade de probabilidade tá esse é um pedaço da coisa isso aqui não é o que a tabela faz né O que a tabela faz é mostrar Z e probabilidade acumulada né a integral né do menos infinito até o valor de Z E para isso a gente usa o outro o p de probabilidade né probabilidade vindo de uma distribuição normal então quero a função densidade de probabilidade acumulada probabilidade embaixo de cada ponto aqui é é nada né você não consegue fazer integral de um ponto você tem que colocar o intervalo né Aqui tem um intervalo eu fiz aqui eu quero integral do menos infinito até cada valor de Z aqui colocando mesma aquela mesma sequência de -4 a 4 e falando quero probabilidade acumulada de menos infinito até cada um desses valores aqui e daí ele desenha aquela função densidade de probabilidade acumulada no zero dá o 50% né esse é um pedaço eu quero fazer a função inversa né Ou seja eu quero o quanti eu quero colocar valores entre 0 e 1 né entre 0 e 100% e ele vai me dar Qual que é o valor do Z esse aqui então é o quanti né o q enorme isso aqui é a mesma coisa que é só que com os estos invertidos então eu dou um valor de zero a 1 e ele me retorna Qual que é o z ou seja com essas coisas todas aqui eu tenho tudo que tem naquela tabela só que prático é sempre legal dar uma olhada nessa tabela que você pega um pouco de intuição mas na hora do vamos ver é R né então R enorme D enorme P enorme e q enorme como é que eu trabalharia naquele caso ali né então o p enorme daquele Z Qual que é a probabilidade de menos infinito até zero 50% e qual que é o quanti associado a área de 50% qual que é o z associado a probabilidade de 50% daí me retorna O Z 0 Qual que é a probabilidade associada ao - 1. 96 e 1.
96 daí ele vai me dar lá os valores de probabilidade né e o que enorme Qual que é o z associado a probabilidade de 2,5% e 97,5 e daele me solta o quanti - 1. 96 e mais 1. 96 então Tom aí a gente já viu que a normal é importante pelo teorema central do limite né sabe o formato da curva e sabe os parâmetros dessa curva e a gente viu que tem esse jeito de trabalhar mas é sempre com uma distribuição normal padrão Poxa cara eu não quero trabalhar com a distribuição normal padrão né alturas das pessoas a O Mi é é por volta de 1,70 O desvio padrão é 15 cm mas o que vocês estão me dando é uma normal padrão de mi0 e Sigma 1 mas daí é só transformar né multiplica primeiro pelo desvio padrão e depois soma a média e aqui o que a gente tem que fazer é o caminho inverso pegar a distribuição subtrair a média e depois dividir pelo desvio padrão exatamente o processamento inverso do que tá ali então a gente consegue fazer de uma distribuição qualquer chegar na distribuição padrão por esse procedimento aqui a gente faz o oposto sair de uma distribuição padrão e chegar numa distribuição com a média e desvio padrão de interesse pesado leve tranquilo fácil Tá então vamos ver se funcionou mesmo vamos usar esses zores teorema central do limite vamos fazer essa coisa toda vamos supor que a gente saiba que a distribuição de QI é uma distribuição normal com média Mi sem desvio padrão Sigma 15 a população é assim aí eu seleciono 100 crianças e avalio os qis Qual é a chance de obtermos a média da amostra 104 ou mais tá então a gente tem uma população de q com mi 100 Sigma 15 selecionamos um n de 100 crianças Qual que é a chance de obter uma média da amostra 104 ou mais alta né Lembrando que use score era desse jeito vamos lá como é que a gente faz isso primeiro a gente pega esse 104 que é a nossa medida ali né subtrai do mi e divide pelo Sigma certo e daí a gente pegou aqui então deu 4 dividido pelo 15 que é o nosso Sigma e deu 0,27 então o nosso Z deu 0,27 é só procurar na tabela onde que tá o 0,27 que dá 0,60 que faz o p enorme lá da função dá 0,60 também e depois a gente chega lá que a probabilidade deu 0.
4 Então pega aqui aplica o valor não precisa nem pensar né Tá certo isso Por que que não tá certo não tá certo porque a gente não tá trabalhando com uma observação a gente está trabalhando com 100 isso aqui a gente tá colocando o Sigma que a gente pegou da população o 15 a gente não usou o teorema central do limite a gente não botou o nosso Sigma dividido pela raiz do n a gente botou só o Sigma aqui não pode pegar é só aplicar fórmula né esse Sigma aqui ele não é o Sigma da população ele é o erro padrão o Sigma de dividido pela raiz do n porque a gente tá trabalhando com uma média dessas várias crianças Então a gente tem que pegar esse Sigma e dividir por raiz 100 dividir por 10 ou seja a gente tem que calcular o erro padrão e depois jogar lá naquele cálculo do Z Então você coloca o seu 104 subtrai O Mi da população e divide pelo erro padrão 1,52 e daí tá um z de 2. 7 e depois você procura o 2. 67 e daí dá o 0.
99 olha só deu lá na frente né 0. 99 deu lá pra frente área de 9 % então fazer essa continha do Z dividindo pelo erro padrão e depois você calcula essa área tinha visto que dá o 0. 9962 maior do que isso é só o 0.
4% tá então é super raro de achar uma média de 100 crianças com Q igual ou maior a 104 vamos rodar isso aqui no resse exercício de q das crianças né então limpar tudo esseo cara e quero limpar aqui tá então vou fazer na unha a gente viu que a tem esse mi e esse Sigma certo 100 deq com Sigma 15 tá Daí a gente faz uma amostra de 100 crianças daí a pergunta é Qual que é a chance de encontrar uma amostra desse tamanho com uma média maior ou igual a 104 tá então a gente tem o nosso x Barra o que a gente tá perguntando é isso aqui como é que a gente faz essa conta tá primeiro é fazer aquele Z né que é pegar o seu x Barra subtrair do Mi né então tenho aqui quatro e divide pelo erro padrão que é o sig dividido pela ra do n então aqui deu 1,52 né então o nosso Z deu 2. 67 lá depois a gente usa a tabela ou usa o r para fazer essa conta então o p norme do Z é 0. 99 da gente faz 1 menos P que daí dá os 0 4% né beleza essa essa é a conta para resolver aquele exercic aqui né né distribuição normal com 100 15 uma m amra maior ou igual 104 isso aqui é fazendo na unha usando teoria né usando teorema central do limite né a gente pode resolver por simulação sem usar teorema central do limite ele o teorema central do limite sempre tá rodando por no fundo né Ele é só uma um uma lei que que governa a natureza né e o o e a gente só que a gente não vai precisar colocar aquela equação Zinha a gente botou essa equação zinha aqui né a gente falou olha Então tá usando tá usando seu teorema central do limite taxa sabendo que é uma distribuição normal por isso que a gente tá colocando PME aqui porque a gente sabe que isso aí que ser uma distribuição normal que tem esses parâmetros mi e Sigma dividido por ra de n Essa é a distribuição das médias né Então essa essa é o desvio padrão da distribuição das médias e a gente só tá vendo onde que tá aquele Z nessa distribuição normal e calculando a probabilidade ali mas a gente poderia Não nem pensar em teorema central do limite né não é mais prático Tá mas é um jeito mais fácil de entender talvez tá mas só para ver que isso aqui funciona mesmo você não precisa o teorema Central limite ele surge na tua mão população de crianças lá ela tem média 100 desvio padrão 15 produziu a nossa população de de 100.
000 crianças aqui começamos lá construimos a nossa população e temos o nosso histograma da nossa população tá então a nossa população tem média 100 O desvio padrão 15 né Então essa é a nossa população de que de criança tá e a gente vai fazer amostras de tamanho 100 e vai construir o x Barra vai fazer um vetor de X barras para n = 100 e daí a gente vai fazer amostragens de novo a gente quer fazer a distribuição das médias das amostras né então fazemos várias amostras que a gente pega aquela população amostra elementos aqui tanto faz botar o true ou falsa nesse caso aqui é é precioso só peguei copiei colei do de baixo né e e depois tira a média dessa amostra e fazemos o histograma dos nossos x Barra a média das das nossas 10. 000 amostras ficou bem mais magrinha ali né deu para ver que saiu do desvio padrão 15 foi pro desvio padrão o quê 1,5 né né então tá funcionando e depois a gente procura ó onde que o x Barra é maior ou igual a a a 104 tá tudo aqui deu false né É raro achar um true aí ó tem um true aqui tem um true aqui né De vez em quando o o ao acaso né acontece de ser maior ou igual a 104 então isso aqui a gente tem um vetor de True ou false e agora a gente pode fazer uma média desse vetor de True ou false que é uma coisa feia mas que funciona tá então imaginar que o true é um e o false é zero Então você faz uma média de zeros e um né então assim aqui a gente tem essa esse vetor de TR false Mas se a gente faz uma média disso a gente chega na no valor de probabilidade quando você tinha feito a conta no na unha ou pelo teorema dado do limite dava lá o 0. 4% e aqui deu lá o 0.
4% também tá então a gente consegue resolver isso aqui e ver que isso aqui acontece de fato se a gente tem uma população desse tamanho e faz amostras ao acaso ali olha as médias a gente procura quando que aquela média deu maior do que 104 e aparece exatamente aquele valor previsto pela teoria lindo demais né funciona você faz uma amostra só de 100 crianças vamos pegar uma amostra vou pegar esse caso aqui vamos supor que a gente pega uma amostra aqui né amostrou nossa população sem elementos pum e daí eu calculo a minha média dessa amostra deu 99 já sabia que ia dar perto né e eu desvio o padrão calculo o desvio padrão da minha amostra me deu 16 eu sei que meuu estimador é não enviesado minha amostra tem um tamanho grande né então eu tenho uma estimativa muito boa da minha média e meu desvio do meu desvio padrão n Eu sabia que lá era era 1115 né mas eu fiz uma amostra e deu bom né deu 99. 74 e 16. 4 olhando essa média e esse desvio padrão sabendo que meu n é tanto isso aqui eu faço a minha raiz quadrada do tamanho do meu n né que é que se aí olha eu eu eu eu já sei que o meu desvio padrão da média vai ser ao redor de 1.
6 eu falo Nossa deve ser bem pertinho do do 99. 3 com um desvio padrão perto disso essa ideia que tá por trás do intervalo de confiança você conseguir estimar por uma amostra estimar o seu Sigma e estimar o seu mi e sabendo que o seu n é gigante você fala olha ele vai est mais ou menos por ali eu tô estimando por uma amostra Como que é o desvio padrão das médias das amostras olhando Uma amostra consigo fazer uma previsão muito boa sobre a a a média das minhas 10. 000 amostras lá que eu tinha feito Essa é ideia intervalo de confiança só tô tentando construir a intuição disso e tá e aqui a gente tá então resolvendo um problema Um dos problemas básicos da inferência estatística que é a parte de estimação né eu estimo que a média da minha população seja tal com o intervalo de confiança tal falta ainda falar que que o intervalo de confiança né a gente já sabe que tem uma coisa ali que acontece quando você faz uma amostra grande que você fica com estimativas de média tudo muito pertinho do seu parâmetro mi a gente já sabe que isso acontece que ele segue uma distribuição normal é Sigma dividido por √ n né esse eu desvio padrão centrado na média a gente já sabe essas coisas todas e a gente agora consegue estimar o o nosso mi a gente estima pelo x Barra o nosso desvio padrão da população o nosso Sigma a gente estima pelo s pelo desvio padrão da amostra e o nosso n a gente tem que é o tamanho da nossa amostra isso aqui é isso aqui é um é um número fácil né daí a gente consegue fazer esse intervalo de confiança eu quero fazer o intervalo de confiança de 95% e daí eu coloco lá o quê o x Barra eu tiro da Média da minha amostra o s divido por ra do N é isso aqui que a gente já tinha visto e o z a gente tira daqui para conseguir ter os 95% Isso aqui vai ter em escala de de erro padrão e daí a gente corrige esse esse erro padrão pelo valor de Z Então a gente vai quase dobrar aqui o intervalinho de colocando 1.
96 né quase dobrar o intervalo do desvio padrão para ter um intervalo de confiança 95% tem que colocar vezes 1.