1. Considerando as medidas utilizadas na estatística, explique o conceito de:
(d) Kurtosis

Passo 1

O enunciado pede explicitamente para explicar o conceito de kurtosis (curtose). Não foram dados outros dados numéricos nem restrições; a tarefa é conceitual e deve incluir definição matemática, interpretação e exemplos práticos. Vou descrever com calma o que é, como calcular (fórmulas), como interpretar na prática e um exemplo numérico passo a passo.

Passo 2

Começando pelo fundamento: momentos centrados. Para entender kurtosis precisamos primeiro saber o que é o momento central de ordem quatro. Para uma variável aleatória X com média \mu define-se o momento central de ordem r por
\mu_r = \mathbb{E}\big[(X-\mu)^r\big].
  • Aqui \mathbb{E}[\cdot] é a esperança (média) da variável.
  • Em particular, o segundo momento central \mu_2 é a variância e mede dispersão: \mu_2=\mathbb{E}\big[(X-\mu)^2\big].
  • O quarto momento central \mu_4=\mathbb{E}\big[(X-\mu)^4\big] mede a média das potências quartas das distâncias à média; é sensível a valores distantes (outliers) porque eleva a distância à quarta potência.
Explicando didaticamente: enquanto a variância \mu_2 dá uma medida quadrática da dispersão, \mu_4 “amplifica” ainda mais as contribuições das observações longe da média. Kurtosis usa exatamente essa propriedade.

Passo 3

Definição matemática de kurtosis. A curtose (kurtosis) é a quarta momento central padronizado:
\text{kurtosis} \;=\; \frac{\mu_4}{\mu_2^{2}}.
  • \mu_2 é a variância (como acima).
  • \mu_4 é o quarto momento central.
É comum trabalhar com a chamada excess kurtosis (curtose em excesso), que subtrai 3:
\text{excess kurtosis} \;=\; \frac{\mu_4}{\mu_2^{2}} - 3.
O motivo do -3 é que a distribuição normal tem \mu_4/\mu_2^2=3. Assim:
  • excess kurtosis =0 indica comportamento de caudas semelhante ao normal (nome: mesocúrtica ou mesokurtic);
  • excess kurtosis >0 indica caudas mais pesadas que a normal (leptocúrtica ou leptokurtic);
  • excess kurtosis <0 indica caudas mais leves que a normal (platicúrtica ou platykurtic).

Passo 4

Interpretação prática (linguagem simples, sem jargão):
  • Kurtosis NÃO mede “altura do pico” de forma isolada — essa idéia é enganosa. O que realmente importa para kurtosis é o peso das caudas (quantas observações muito distantes da média aparecem) e, em conjunto com isso, como a massa se distribui centralmente.
  • Valores altos de kurtosis (excess >0) significam presença relativamente maior de outliers / caudas pesadas — mais probabilidade de valores extremos.
  • Valores baixos de kurtosis (excess <0) significam caudas mais curtas — menos probabilidade de extremos.
    Em resumo: kurtosis é um resumo numérico do “quanto” a distribuição tem tendência a gerar valores extremos em comparação com a normal.

Passo 5

Fórmulas práticas para amostras (como você calcula na prova):
Suponha uma amostra x_1,\dots,x_n. Defina a média amostral
\bar{x}=\frac{1}{n}\sum_{i=1}^n x_i
e a variância amostral não-viesada
s^2=\frac{1}{n-1}\sum_{i=1}^n (x_i-\bar{x})^2.
Uma fórmula amplamente usada para o excesso de curtose amostral (com correção para vieses em amostras pequenas) é
g_2 \;=\; \frac{n(n+1)}{(n-1)(n-2)(n-3)}\;\frac{\sum_{i=1}^n (x_i-\bar{x})^4}{s^4}\;-\; \frac{3(n-1)^2}{(n-2)(n-3)}.
  • Aqui \sum (x_i-\bar{x})^4 é a soma das potências quartas das diferenças à média.
  • g_2 é o estimador de excess kurtosis com correção de viés; para n grande ele aproxima \mu_4/\mu_2^2 - 3.
Se quiser o valor “bruto” (sem subtrair 3), calcule primeiro
\hat{K}=\frac{n(n+1)}{(n-1)(n-2)(n-3)}\;\frac{\sum_{i=1}^n (x_i-\bar{x})^4}{s^4} \;-\;\frac{3(n-1)^2}{(n-2)(n-3)} \;+\;3,
ou simplesmente some 3 ao g_2.
Observação importante: para provas e interpretações rápidas muitas vezes basta usar a definição teórica \mu_4/\mu_2^2 e relatar excess kurtosis como esse valor menos 3; a correção acima é relevante se precisar de um estimador com menos viés em amostras pequenas.

Passo 6

Exemplo numérico passo a passo (faça na prova se pedir cálculo): considere a amostra pequena
\{1,1,1,1,5\}.
  1. Calcule a média:
\bar{x}=\frac{1+1+1+1+5}{5}=\frac{9}{5}=1,8.
  1. Calcule as diferenças à média e suas potências:
    diferenças: -0,8,-0,8,-0,8,-0,8,3,2.
Quadrados:
( -0,8)^2=0,64\quad\text{(quatro vezes)},\qquad (3,2)^2=10,24.
Soma dos quadrados:
\sum (x_i-\bar{x})^2 = 4\cdot 0,64 + 10,24 = 12,8.
Variância populacional (se usar \frac{1}{n}) seria \mu_2=\tfrac{12,8}{5}=2,56. (Para variância amostral use s^2=\tfrac{12,8}{4}=3,2. Aqui usamos \mu_2 populacional para seguir a definição teórica.)
Quartas potências:
(-0,8)^4=0,4096\quad\text{(quatro vezes)},\qquad (3,2)^4=104,8576.
Soma:
\sum (x_i-\bar{x})^4 = 4\cdot 0,4096 + 104,8576 = 106,496.
Quarto momento populacional:
\mu_4=\frac{106,496}{5}=21,2992.
Kurtosis (populacional):
\frac{\mu_4}{\mu_2^2}=\frac{21,2992}{(2,56)^2}=\frac{21,2992}{6,5536}\approx 3,25.
Excess kurtosis \approx 3,25-3=0,25, ou seja, ligeiramente leptocúrtica — sinalizando presença de um outlier que “puxa” as caudas.
Esse exemplo mostra o procedimento: calcular média, variância (ou \mu_2), quarto momento \mu_4 e então \mu_4/\mu_2^2.

Passo 7

Comparações rápidas com distribuições conhecidas (para intuição):
  • Normal: \text{kurtosis}=3 e \text{excess}=0.
  • Distribuição uniforme contínua: \text{kurtosis}= \tfrac{9}{5}=1,8 \text{excess}=-1,2 (platicúrtica).
  • Distribuição Laplace (mais ‘pontuda’ e caudas pesadas): \text{excess}=3 (kurtosis =6) — caudas muito pesadas.
Dica prática: kurtosis é uma pista sobre caudas e propensão a outliers, mas não substitui gráficos. Sempre confira histogramas, boxplots e quantis ao interpretar curtose.

Passo 8

Armadilhas e recomendações para a prova:
  • Não interprete curtose apenas como “pico mais alto” — enfatize caudas ao justificar a resposta.
  • Se for calcular em amostras pequenas use a fórmula corrigida ( g_2) mostrada no Passo 5.
  • Se a questão pedir “o que significa kurtosis alta?”, responda: “mais probabilidade de valores extremos do que a normal (caudas mais pesadas)”.
  • Se pedirem diferença entre kurtosis e variância: diga que variância mede espalhamento típico (segundo momento) e curtose mede a propensão a extremos (quarto momento padronizado).

Resposta

Kurtosis é a razão entre o quarto momento central e o quadrado do segundo momento central, isto é, \dfrac{\mu_4}{\mu_2^2}; o valor mais usado é o excess kurtosis \dfrac{\mu_4}{\mu_2^2}-3. Interpretação: excess >0 (leptocúrtica) indica caudas mais pesadas que a normal (mais probabilidade de extremos), excess =0 (mesocúrtica) corresponde à normal, e excess <0 (platicúrtica) indica caudas mais leves; para amostras pequenas use a fórmula corrigida g_2 para reduzir vieses.

Exercícios relacionados