Medidas de Tendência Central

Quando analisamos dados estatísticos, precisamos de valores que resumam o conjunto. Estas são as principais medidas de tendência central:

A moda (Mo) é o valor que aparece com maior frequência na amostra. Quando temos dados agrupados em classes, identificamos a classe modal (aquela com maior frequência absoluta), pois não é possível determinar um valor exato.

A média aritmética (x̄) representa o valor "típico" dos dados e calcula-se dividindo a soma de todos os valores pelo número total de observações. Dependendo de como os dados estão organizados, usamos fórmulas específicas:

• Para dados não agrupados: x̄ = $X₁ + X₂ + ... + Xₙ$/N
• Para dados agrupados em tabelas: x̄ = $n₁X₁ + n₂X₂ + ... + nₖXₖ$/N
• Para dados agrupados em classes: x̄ = $n₁x'₁ + n₂x'₂ + ... + nₖx'ₖ$/N, onde x' é a marca da classe (ponto médio)

A mediana (Me) divide a amostra ordenada em duas partes iguais. Para encontrá-la:

• Se N for ímpar, a mediana é o valor central (posição $n+1$/2)
• Se N for par, a mediana é a média dos dois valores centrais (posições n/2 e n/2+1)

💡 Dica prática: Para dados contínuos, podes usar o gráfico da função cumulativa para determinar a mediana - é o valor correspondente a 50% na escala de frequência acumulada!

Quartis e Percentis

Os quartis são medidas que dividem a amostra ordenada em quatro partes iguais, cada uma com aproximadamente 25% dos dados:

• O primeiro quartil (Q₁) é o valor abaixo do qual estão 25% dos dados
• O segundo quartil (Q₂) corresponde à mediana
• O terceiro quartil (Q₃) é o valor abaixo do qual estão 75% dos dados

Os percentis funcionam de forma semelhante, mas dividem a amostra em 100 partes. O percentil k (Pₖ) é um valor tal que k% dos dados são menores ou iguais a ele. Nota que P₂₅ = Q₁, P₅₀ = Q₂ (mediana) e P₇₅ = Q₃.

Diagrama de Dispersão e Correlação

O diagrama de dispersão (ou nuvem de pontos) é uma representação gráfica onde cada par de dados (x,y) aparece como um ponto num referencial cartesiano. Este gráfico permite visualizar a relação entre duas variáveis.

O coeficiente de correlação linear $r$ quantifica a intensidade e direção da associação linear entre duas variáveis. Varia entre -1 e 1:

• r = 1: correlação linear positiva perfeita
• r = -1: correlação linear negativa perfeita
• r ≈ 0: ausência de correlação linear

💡 Importante! Quanto mais próximo o valor de r estiver de 1 ou -1, mais forte é a correlação entre as variáveis. Isso é especialmente útil para prever comportamentos em estudos estatísticos.

Interpretando o Coeficiente de Correlação

A interpretação do coeficiente de correlação linear $r$ é fundamental para entenderes a relação entre variáveis. Aqui está um guia prático:

Para correlação negativa (r < 0):

• r ≈ -1: correlação negativa forte (quando uma variável aumenta, a outra diminui proporcionalmente)
• r entre -0,5 e 0: correlação negativa fraca (relação menos consistente)

Para correlação positiva (r > 0):

• r entre 0 e 0,5: correlação positiva fraca (relação menos consistente)
• r ≈ 1: correlação positiva forte (quando uma variável aumenta, a outra também aumenta proporcionalmente)

Quando r = 0 ou próximo de zero, não existe uma associação linear entre as variáveis - isto significa que conhecer o valor de uma variável não nos ajuda a prever o valor da outra.

Nos casos extremos $r = 1 ou r = -1$, todos os pontos do diagrama de dispersão estão alinhados exatamente sobre uma reta, indicando uma relação matemática perfeita entre as variáveis.

💡 Na prática: Ao analisares dados reais, raramente encontrarás correlações perfeitas $r = 1 ou r = -1$. Valores acima de 0,7 ou abaixo de -0,7 já são considerados indicativos de forte correlação na maioria dos estudos científicos!