The Normal Distribution, Revisited · A Distribuição Normal, Revisada
| English | Português |
|---|---|
| normal distribution/ˈnɔːml ˌdɪstrɪˈbjuːʃn/ | distribuição normal |
| z-score/zed skɔː/ | escore-z |
| standard normal/ˈstændəd ˈnɔːml/ | normal padrão |
| statistical inference/stəˈtɪstɪkl ˈɪnfərəns/ | inferência estatística |
The bell curve returns
- Many sampling distributions are well modeled by the normal distribution 正态分布.
- It's the familiar symmetric bell, described by a mean and a standard deviation.
- When a statistic's sampling distribution is normal, we can compute probabilities for it.
- This is why the normal model is the workhorse of inference.
A curva de sino retorna
- Muitas distribuições amostrais são bem modeladas pela distribuição normal 正态分布.
- É a clássica curva de sino simétrica, descrita por uma média e um desvio padrão.
- Quando a distribuição amostral de uma estatística é normal, podemos calcular probabilidades para ela.
- É por isso que o modelo normal é a ferramenta fundamental da inferência.
z-scores for a statistic
- A $z$-score 标准分数 says how many standard deviations a value sits from the mean:
-
$$z = \frac{\text{statistic} - \text{mean}}{\text{standard deviation}}$$
- For a sample statistic, the "standard deviation" is that of its sampling distribution.
- The $z$-score converts any normal value onto one common scale.
escores-z para uma estatística
- Uma $z$-pontuação escore padrão indica quantos desvios-padrão um valor está em relação à média:
-
$$z = \frac{\text{statistic} - \text{mean}}{\text{standard deviation}}$$
- Para uma estatística amostral, o "desvio padrão" é aquele de sua distribuição amostral.
- A pontuação $z$ converte qualquer valor normal para uma única escala comum.
The standard normal
- The standard normal 标准正态 distribution has mean $0$ and standard deviation $1$.
- Every $z$-score lives on it, so one table (or calculator) handles all normal problems.
- Probabilities: area under the curve left/right of a $z$.
- Critical values: the $z$ that cuts off a chosen tail area (e.g. $z^* = 1.96$ for the middle $95\%$).
A normal padrão
- A normal padrão 标准正态 distribuição tem média $0$ e desvio padrão $1$.
- Cada $z$-score vive nele, então uma tabela (ou calculadora) resolve todos os problemas normais.
- Probabilidades: área sob a curva à esquerda/direita de um $z$.
- Valores críticos: o $z$ que corta uma área de cauda escolhida (ex. $z^* = 1.96$ para o meio $95\%$).
Why it matters for inference
- Inference asks: "how surprising is my sample, if a claim were true?"
- The normal model turns that into an area (a probability) under the bell.
- A statistic far out in the tail (large $|z|$) is surprising evidence.
- Every confidence interval and test in Units 6–9 runs on this machinery.
Por que isso importa para inferência
- Inferência pergunta: "quão surpreendente é minha amostra, se uma afirmação fosse verdadeira?"
- O modelo normal transforma isso em uma área (probabilidade) sob a curva de sino.
- Uma estatística muito na cauda (grande $|z|$) é evidência surpreendente.
- Todo intervalo de confiança e teste nas Unidades 6–9 operam com esse mecanismo.
The $z$-score's denominator is the standard deviation of the sampling distribution, not the spread of one sample's raw data. Mixing these up is a classic slip. And remember the empirical rule benchmarks — about $68\%$ within $1$ SD, $95\%$ within $2$, $99.7\%$ within $3$ — for a quick sense of how extreme a $z$ is.
O denominador da pontuação $z$ é o desvio padrão da distribuição amostral, não a dispersão dos dados brutos de uma única amostra. Confundi-los é um erro clássico. E lembre-se dos pontos de referência da regra empírica — aproximadamente $68\%$ dentro de $1$ DP, $95\%$ dentro de $2$, $99.7\%$ dentro de $3$ — para ter uma ideia rápida do quão extrema é uma $z$.
A statistic is normal with mean $50$ and SD $4$. You observe a value of $58$.
- $z = \dfrac{58 - 50}{4} = 2$ — two standard deviations above the mean.
- By the empirical rule, only about $2.5\%$ of values exceed $z = 2$.
- So a value of $58$ is fairly surprising under this model.
Uma estatística é normal com média $50$ e DP $4$. Você observa um valor de $58$.
- $z = \dfrac{58 - 50}{4} = 2$ — dois desvios padrões acima da média.
- Pela regra empírica, apenas cerca de $2.5\%$ de valores excedem $z = 2$.
- Então um valor de $58$ é relativamente surpreendente sob este modelo.
The normal distribution models many sampling distributions. A $z$-score $z = \frac{\text{stat} - \text{mean}}{\text{SD}}$ maps a value onto the standard normal (mean $0$, SD $1$), where probabilities are areas and critical values cut off tail areas. This normal machinery powers all statistical inference.
A distribuição normal modela muitas distribuições amostrais. Uma $z$-pontuação $z = \frac{\text{stat} - \text{mean}}{\text{SD}}$ mapeia um valor para a normal padrão (média $0$, DP $1$), onde as probabilidades são áreas e os valores críticos cortam as áreas de cauda. Essa estrutura da normal sustenta toda a inferência estatística.
The standard normal, shaded by z · A normal padrão, sombreada por z
Areas under the curve give probabilities; z marks the cutoff. · Áreas sob a curva dão probabilidades; z marca o corte.
A statistic is normal with mean 50 and SD 4. Find the z-score of the value 58. · Uma estatística é normal com média 50 e DP 4. Encontre a pontuação z do valor 58.
z = (58 − 50)/4 = 2.
The standard normal distribution has... · A distribuição normal padrão tem...
By definition, mean 0 and SD 1. · Por definição, média 0 e DP 1.
The critical value z* for the middle 95% of the standard normal is about... (two decimals) · O valor crítico z* para os 95% centrais da normal padrão é aproximadamente... (duas casas decimais)
z* = 1.96 leaves 2.5% in each tail. · z* = 1.96 deixa 2.5% em cada cauda.
The z-score for a sample statistic uses the standard deviation of its sampling distribution. · O escore z para uma estatística amostral usa o desvio padrão de sua distribuição amostral.
Not the spread of one sample's raw data — the sampling distribution's SD. · Não a dispersão dos dados brutos de uma única amostra — o DP da distribuição amostral.
Under a normal model, a statistic with a large |z| is... · Sob um modelo normal, uma estatística com |z| grande é...
Large |z| = far from center = surprising evidence. · |z| grande = longe do centro = evidência surpreendente.