REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi"

Transcrição

1 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta todo o cojuto de dados, ou seja, dão a tedêca da cocetração dos valores observados. As prcpas meddas de posção são: a méda, a medaa e a moda. Méda Méda da população (µ, lê-se m): a méda de população fta é ecotrada somadose todos os valores da população e dvddo-se pelo tamaho da mesma. x µ Exemplo: Calcule o saláro médo dos ses empregados de uma pequea empresa: R$ 60,00 R$ 750,00 R$ 90,00 R$.00,00 R$ - R$ 790,00 R$ 950,00 Solução: Como a empresa possu apeas ses empregados podemos calcular a méda dos saláros cosderado todos os empregados. este caso, estamos trabalhado com toda a população. µ x , O saláro médo essa empresa é de µ R$ 9,67 A forma de calcular a méda é a mesma tato para uma população como para uma amostra, mas usamos uma otação dferete, para dcar que estamos trabalhado com uma amostra. O úmero de elemetos em uma amostra é deotado por e a méda da amostra por x. Méda da amostra (x, lê-se x-barra): a méda de um cojuto de dados é a medda de tedêca cetral ecotrada pela soma de todos os valores, e esta soma é dvdda pelo úmero total de valores. A méda é cosderada o poto de equlíbro o cojuto de dados. Se Aula 5 Pága

2 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad as observações em uma amostra de tamaho são x + x+ K + x, etão, a méda amostral é calculada pela segute expressão: x x + x + K + x que pode ser represetada por x x, ode x é o valor da observação, o úmero de observações e Σ a letra sgma maúscula do alfabeto grego que, a fórmula, dca o símbolo de somatóro. Exemplo: Para verfcar se o fabrcate está respetado o peso dcado as embalages de fejão, selecoou-se uma amostra de cco pacotes. Foram obtdos os segutes pesos em cada pacote da amostra: 495 g 50 g 49 g 500 g 496 g 49 g. Calcule a méda de peso das embalages de fejão. Solução: x x Como ressaltado acma podemos observar que a forma de obter o valor da méda da amostra é a mesma forma de obter a méda populacoal, dferdo apeas as omeclaturas. Para o estmador da méda da amostra usamos, para o parâmetro da méda da população usamos µ; para o úmero de elemetos da amostra usamos, e para o úmero fto de elemetos de uma populaçãoo usamos. Tudo que é calculado, a partr de uma amostra, é chamado de estmador, e o que é calculado baseado em toda a população é chamado de parâmetro. A mportâca a dstção das omeclaturas das estatístcas calculadas com base em dados amostras e populacoas se dá pelo fato de que a estmatva amostral é varável, pos depede da amostra coletada. O parâmetro populacoal é costate, pelo meos, até que a população mude. em sempre a méda é uma boa medda de posção dos dados, pos ela é fluecada por valores extremos. Observado a tabela, podemos verfcar que a turma A apreseta uma dstrbução smétrca, ou seja, os valores estão dstrbuídos de forma homogêea em toro do cetro do cojuto de dados, esse caso, a méda é uma boa medda de tedêca cetral. A turma B apreseta um valor extremo que desva a méda mas para a esquerda do cojuto de dados. Aula 5 Pága

3 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Tabela - a tabela abaxo, são apresetadas as otas de 9 aluos de duas turmas. Turma otas dos aluos x A 7 7,5 7,5,5,5 9 B 0 7 7,5 7,,,5 9 7, este caso, a medaa é mas dcada como medda de tedêca cetral, pos ela reflete melhor a tedêca dos dados. Veja a tabela Tabela - Comparação etre méda e medaa. Turma otas dos aluos x Me A 7 7,5 7,5,5,5 9 B 0 7 7,5 7,,,5 9 7, Essa é uma das dfereças marcates etre a medaa e a méda. Vejamos agora como obter a medaa de um cojuto de dados. Medaa Medaa (Me): é o valor cuja posção separa o cojuto de dados em duas partes guas, metade do úmero de elemetos está acma do valor medao e a outra metade abaxo do valor medao. Para obter o valor medao de uma dstrbução de dados, prmero ordee os valores. Isso poderá ser feto tato em ordem crescete quato em ordem decrescete. Depos, determe a posção que o valor medao ocupa pela segute expressão: + Pos Me Esta fórmula ão forece o valor medao, mas sm sua localzação o cojuto de dados. A forma de determar o valor medao depede se o úmero de observações que compõe o cojuto de dados é par ou ímpar. - úmero ímpar de elemetos: o valor medao é a observação que ocupa a posção (+)/ desse cojuto de dados. Exemplo: Vejamos como calcular a medaa das otas da Turma A da tabela ateror. otas da turma A 7 7,5 7,5,5,5 9 Solução: Como os dados já estão ordeados podemos partr para determar a posção do valor medao. O úmero de observações é ímpar (9), logo o valor medao é a observação cetral desse cojuto de dados. Pela fórmula da posção da medaa, tem-se: Aula 5 Pága 3

4 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Pos Me Pos Me 5 ª posção Me O valor que se ecotra a 5ª posção é o oto. O úmero oto possu quatro observações à sua esquerda e quatro observações à sua dreta, ou seja, 50% dos valores do cojuto de dados são ferores a oto e 50% dos valores são superores a oto. - úmero par de elemetos: quado o úmero de observações o cojuto de dados é par, a posção (+)/ ão será um úmero tero. A medaa será dada pela méda artmétca das duas observações cetras dos dados ordeados. Exemplo: Calcule a medaa do segute cojuto de dados:, 4, 7, 9,, 3. Solução: como o úmero de observações 6 é par, ão exste um valor cetral. Pela fórmula da posção da medaa, tem-se: 6 + PosMe 3,5ª posção. O valor medao está etre a 3ª e a 4ª posção. esses casos, o valor medao ão será um dos valores da dstrbução e sm a méda artmétca dos valores que se ecotram essas duas posções. A tercera posção é ocupada pelo valor sete e a quarta posção é ocupada pelo valor ove ª posção 4ª posção Me A medaa é o valor oto (Me ). Este valor possu três observações à sua esquerda e três observações à sua dreta, ou seja, 50% dos valores do cojuto de dados são ferores a oto e 50% dos valores são superores a oto. A vatagem da medaa é que ela ão é fluecada por valores extremos, pos ela depede da posção e ão dos valores das observações o cojuto de dados. Moda Moda (Mo): é defda como sedo aquele valor ou aqueles valores que ocorrem com maor freqüêca. Exemplo: Determe a moda de cada cojuto de dados abaxo: Aula 5 Pága 4

5 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad a-) 6, 39, 39, 4, 4, 4, 43, 47 Mo 4, e a dstrbução é umodal, pos possu apeas uma moda. b-), 7, 7, 3, 5, 5, 3 esta dstrbução apreseta duas modas, Mo 7 e Mo 5, sedo deomada de dstrbução bmodal. c-), 5, 7, 9, 33, 35, 4 este cojuto de dados ão possu moda, pos todos os valores ocorrem o mesmo úmero de vezes. esse caso, dzemos que o cojuto de dados apreseta uma dstrbução amodal. Quado o cojuto de dados apresetar três modas, deoma-se trmodal, e quatro ou mas, multmodal. os gráfcos da fgura abaxo, é apresetado o Hstograma da varável altura de uma turma de aluos. o prmero gráfco, observamos dos pcos, ou seja o cojuto de dados apreseta altas freqüêcas em dos tervalos de dados. Separado a turma de aluos pelo sexo: masculo e femo; podemos observar que para o sexo femo a moda ecotra-se etre 65 cm e 70 cm, já para os meos a moda está etre 75 e 0 cm. Portato, quado um hstograma apresetar dos ou mas pcos, sgfca que os dados apresetam modas dferetes depededo da forma que foram agrupados. Também podemos coclur que quado a dstrbução apresetar mas de uma moda, o hstograma terá mas de um pco. Hstograma da Altura da Turma 7 Moda da altura das meas úmero de aluos Moda da altura dos meos Altura (cm) Hstograma da Altura das Meas Hstograma da Altura dos Meos 5 5 úmero de Aluos 4 3 úmero de aluos Altura (cm) Altura (cm) Aula 5 Pága 5

6 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Dspersão As meddas de dspersão são meddas estatístcas que caracterzam o quato um cojuto de dados está dsperso em toro de sua tedêca cetral. ão há razão alguma para se calcular a méda de um cojuto de dados, ode ão haja varação desses elemetos (Exemplo: , a méda 6). o etato, se a varabldade dos dados for muto grade, sua méda terá um grau de cofabldade tão pequeo que será útl calculá-la. Portato, ão é possível aalsar um cojuto de dados apeas através de uma medda de tedêca cetral, também é ecessáro aalsar de que forma os valores observados estão espalhados em toro de seu cetro. Além dsso, dos cojutos de dados podem possur a mesma méda e, o etato, os valores podem estar dstrbuídos de forma dferete. Por exemplo, cosdere os resultados das otas de oto aluos de duas turmas: Exemplo Tabela 3 otas de oto aluos de duas turmas Turma A Turma B 4 4, ,5 6 Embora as duas turmas de aluos possuam a mesma méda, 5, dferem bastate a varabldade das otas. Equato a turma A apreseta otas mas dspersas, a turma B, observam-se pequeas varações as otas obtdas pelos aluos. Dessa forma, para descrever adequadamete um cojuto de dados, além de uma medda que descreva sua tedêca cetral, é ecessáro uma medda que descreva sua dspersão. Para avalar o grau de dspersão ou varabldade dos valores de um cojuto de dados, usaremos dos tpos de meddas de dspersão: absoluta (desvo médo, varâca e desvo padrão) e relatva (coefcete de varação de Pearso). Ampltude total Para uma rápda medda da varabldade, podemos calcular a ampltude total (AT), que é a dfereça etre o mas alto e o mas baxo valor em uma dstrbução. AT Vmax Vm A ampltude total cosdera apeas o valor máxmo e o valor mímo, gorado todos os outros valores o cojuto de dados. Além dsso, esses valores podem ser valores extremos Aula 5 Pága 6

7 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad ou atípcos. Podemos aperfeçoar ossa descrção da dspersão, através de outras meddas como o desvo médo. Exemplo: Calcule a méda e a ampltude total para os dados abaxo: Cojuto de dados A µ 3 e AT 4 Cojuto de dados B µ 3 e AT 4 Os dos cojutos de dados possuem mesma méda e AT, o etato são dferetes. O cojuto de dados A apreseta maor úmero de dados em toro da méda do que o cojuto de dados B. Com sso cocluímos que a AT ão é uma boa medda de dspersão, pos apeas avala os valores que estão os extremos. Desvo Médo Para levar em cosderação todos os valores da dstrbução, além dos extremos, subtra-se a méda artmétca de cada elemeto do cojuto de dados e somam-se as dfereças, calculado, dessa forma, o desvo de cada elemeto a méda. Como essa soma é sempre gual a zero, pos algus valores são egatvos e outros postvos, cosdera-se apeas o módulo das dfereças. abaxo. Exemplo: Calcule o desvo médo para as otas dos aluos da Turma A da tabela Solução: Prmero calcula-se a méda do cojuto de dados: µ x A segur calcula-se o desvo médo. Podemos utlzar a própra tabela para desevolver os cálculos e substtur o valor do somatóro dreto a fórmula ou podemos desevolver os cálculos a própra fórmula. Usado a tabela para desevolver os cálculos: Tabela 4 - otas dos aluos da turma A. Aluo ota ( µ ) x x µ Σ 40 0 Aula 5 Pága 7

8 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Como o desvo médo é defdo como a méda artmétca dos desvos em módulo, basta dvdr o valor obtdo a tabela do x µ pelo úmero de elemetos do cojuto de dados. DM,5 Portato, o desvo médo é defdo pela segute expressão: DM x µ Desevolvedo os cálculos a fórmula : x µ DM DM,5 Apesar de ão ser muto utlzado a ferêca estatístca, o desvo médo é cosderado uma boa medda de dspersão, quado o objetvo é apeas descrever um cojuto de dados. Etretato, o uso de valores absolutos cra dfculdades algébrcas os métodos de ferêca estatístca. Assm, em vez de usarmos os valores absolutos, obtemos uma melhor medda de varação fazedo os desvos ao quadrado, obtedo-se a varâca. Varâca Para o cálculo da varâca, ao vés de cosderar o módulo da dfereça, eleva-se esta dfereça ao quadrado, elmado-se, assm, o problema do sal egatvo sem fazer uso da fução módulo. A varâca é defda como a méda artmétca dos quadrados dos desvos. Varâca populacoal (x µ ) σ Aula 5 Pága

9 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Exemplo: Calcule a varâca para as otas dos aluos da Turma A Solução: Utlzado a tabela para auxlar o cálculo: Tabela 5 - otas dos aluos da Turma A. Turma A ota ( x µ ) ( x ) µ Total σ (x µ ) Desevolvedo os cálculos a fórmula: 70,75 σ ( + ( 5) + (4 5) + (5 5) + (6 5) + ( 5) + (0 5) x µ ) (0 5) + (5 5) σ ,75 Usamos o símbolo σ para represetar a varâca calculada com base em dados em todos os elemetos da população, portato, a varâca populacoal é um parâmetro. Quado usamos uma amostra para calcular a varâca, o símbolo usado é s, a varâca amostral é um estmador da varâca populacoal. Varâca amostral s (x x) Se fosse usado o deomador da fórmula da varâca amostral, estaríamos estmado uma medda de varabldade meor do que a varâca da população. Portato, o cálculo da varâca amostral, utlza-se (-) o deomador. Exemplo: Para verfcar se o fabrcate está respetado o peso dcado as embalages de fejão, selecoou-se uma amostra de cco pacotes. Foram obtdos os segutes pesos em cada pacote da amostra: 495 g 50 g 49 g 500 g 496 g 49 g Calcule a varâca do peso das embalages de fejão. Aula 5 Pága 9

10 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Solução: o exemplo da méda de uma amostra já calculamos a méda deste cojto de dados que é 49 s (x x) ( ) + ( 50 49) + ( 49 49) + ( ) + ( ) + ( 49 49) 6 s 44,6667g Desvo padrão A desvatagem da varâca cosste o fato de suas udades ormalmete ão terem setdo. A varâca para as otas dos aluos, por exemplo, é medda em otas ao quadrado. o exemplo acma a varâca do peso dos pacotes de fejão estão em gramas ao quadrado. Pode-se retomar a udade orgal dos dados, extrado-se a raz quadrada da varâca, deomada de desvo padrão. O Desvo Padrão é defdo como a raz quadrada da méda artmétca dos quadrados dos desvos, ou seja, a raz quadrada da varâca. Desvo padrão populacoal σ (x µ ) Desvo padrão amostral s (x x) O desvo padrão calculado usado todos os elemetos da população é smbolzado por σ, o desvo padrão populacoal é um parâmetro. Se o desvo padrão é calculado a partr de uma amostra, este é represetado pelo símbolo s, chamado desvo padrão amostral e é cosderado uma estmatva. Exemplo : Calcule o desvo padrão para as otas dos aluos da Turma A. Solução: Como o exemplo ateror a varâca já fo calculada, basta extrar a raz quadrada da varâca: σ σ,75,95 Aula 5 Pága 0

11 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Exemplo : Calcule o desvo padrão para os segutes dados amostras: Solução: Como trata-se de uma amostra pequea usaremos a segute fórmula: s (x x) (5 7) + (6 7) + (33 7) 5 + ( 7) + (30 7) ,5 4, 64 4 s 4,64 Coefcete de varação de Pearso O coefcete de varação de Pearso (CV) é uma medda de dspersão relatva que mede a dspersão dos dados em relação à méda artmétca. É calculado, dvddo-se o desvo padrão pela méda, multplcado-se por 00, para expressar o resultado em porcetagem, em vez de se utlzar a udade de medda da varável em aálse. σ População CV. 00 Amostra s CV. 00 µ x Exemplo : Calcule o coefcete de varação de Pearso das otas dos aluos da turma A e B do exemplo ateror. Turma A Turma B 4 4, ,5 6,96 0,56 CV A.00 59,% CV B.00, % 5 5 A turma B apreseta meor dspersão relatva do que a turma A, o que dca que o desempeho dos aluos da turma B fo mas homogêeo. A dspersão relatva também permte comparar duas ou mas dstrbuções, mesmo que essas se refram a dferetes feômeos e sejam expressas em udades de medda dferetes. Aula 5 Pága

12 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Exemplo : a tabela abaxo, são apresetados os valores do desvo padrão e da méda da altura e peso de um grupo de pessoas. Altura Peso Méda 74 cm 7 kg Desvo padrão 7 cm kg Embora a dfereça as udades de medda tore mpossível comparar o desvo padrão de 7 cm com o desvo padrão de kg, podemos comparar os coefcetes de varação, que ão têm udades de medda. A varável altura apreseta CV 4% e a varável peso CV 5,4%. Portato, a varável peso apreseta maor dspersão relatva do que a varável altura. Observação: Para facltar a terpretação do coefcete de varação, usaremos os segutes tervalos: CV 30% Alta dspersão 5% < CV < 30% Méda dspersão CV 5% Baxa dspersão o exemplo, podemos verfcar que a turma A apreseta alta dspersão e a turma B baxa dspersão.,96 0,56 CV A.00 59,% CV B.00, % 5 5 Exemplos de aplcação: Ates de comprar uma batera para seu celular você aalsa as formações estatístcas forecdas pelo fabrcate com relação ao tempo de duração das mesmas. Explque de que forma essas formações podem auxlar você a sua escolha. Batera A B C Méda 600 cclos 650 cclos 600 cclos Medaa 600 cclos 700 cclos 500 cclos Desvo Padrão 50 cclos 50 cclos 50 cclos Solução: a tabela acma podemos verfcar a batera A apreseta a meor dspersão e méda e medaa são guas o que dca ão haver valores extremos em para a dreta em Aula 5 Pága

13 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad para a esquerda. A batera B apesar de apresetar méda maor do que a batera A e C apresetam maor medaa o que dca tempos de duração da batera afastados da méda para valores meores, o que explca o maor desvo padrão. Já a batera C possu a maor dspersão de tempo de duração, sedo a meos dcada. Quadro Resumo das Meddas de Posção Medda Defção Vatages Desvatages Méda Medaa Moda x x Valor cetral Valor mas freqüete Usada em mutos métodos estatístcos - Aproprada quado há valores extremos ou dstrbuções assmétrcas. - Sempre exste - Aproprada para dados qualtatvos. - Afetada por valores extremos - Usada em poucos métodos estatístcos - em sempre exste. - Pode haver mas de uma moda. - ão se presta à aálse matemátca Quadro Resumo das Meddas de Dspersão Desvo médo populacoal DM x µ Varâca Populacoal (x µ ) σ Desvo padrão populacoal σ (x µ ) Coefcete de Varação Populacoal Varâca amostral s (x x) Desvo padrão amostral s (x x) Coefcete de Varação Amostral CV s.00 x σ CV.00 µ Aula 5 Pága 3

14 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Medda de Assmetra Além das meddas de posção e dspersão a forma da dstrbução é uma mportate fote de formação sobre o comportameto dos dados. Algumas dstrbuções podem apresetar forma smétrca ou assmétrca. Mo Me x Mo< Me < x x < Me < Mo As 0 smétrca As > 0 assmetra postva As < 0 assmetra egatva Fgura (a) Fgura (b) Fgura (c) Uma dstrbução é smétrca, Fgura (a), se o gráfco apreseta o mesmo comportameto a dreta e a esquerda da méda. este caso, moda, méda e medaa são guas ou muto próxmas. A dstrbução apreseta uma assmetra postva, Fgura (b), quado sua cauda dreta afasta-se mas do pco do que a cauda esquerda, o que faz com que a méda seja maor do que a medaa e esta maor do que a moda. A dstrbução de dados apreseta uma assmetra egatva, Fgura (c), quado sua cauda esquerda afasta-se mas do pco do que a cauda dreta, sedo a moda maor do que a medaa e esta maor do que a méda. Exste mas de uma forma de determar o coefcete de assmetra, aqu usaremos o coefcete de assmetra pelo segudo crtéro de Pearso: As 3. ( x Me) s Tabela 6 - Iterpretação do Coefcete de Assmetra de Pearso Assmétrca egatva As - Assmétrca egatva moderada - < As < -0,5 Smétrca -0,5 < As < +0,5 Assmétrca postva moderada +0,5 < As < + Assmétrca postva As Exemplo: Os dados a segur se referem a uma amostra dos saláros recebdos em uma determada empresa. Determe o coefcete de assmetra e terprete Solução: Para determar o coefcete de assmetra precsamos calcular a méda, medaa e o desvo padrão. Aula 5 Pága 4

15 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad x (x x x) 43 s 740, PosMe 5,5ª posção Me 5 ( x Me) 3. As 3.(43 5), 7 s 740,65 Os saláros dos empregados apresetam assmetra postva (As,7). Este resultado evdêca a preseça de valores extremos a dreta do cojuto de dados que puxam a méda para cma, mas ão fluecam a medaa. Escore z ou varável padrozada Usado a méda e o desvo padrão podemos determar a posção relatva de qualquer valor do cojuto de dados. O escore z ou varável padrozada represeta o úmero de desvos padrões que um dado valor está afastado da méda. Para obter o escore z, use a segute fórmula: Amostra x x z População s z x µ σ Um escore z pode ser egatvo, postvo ou zero. Se z é egatvo, o valor x correspodete está abaxo da méda. Se z é postvo, o valor x correspodete está acma da méda. E se z0, o valor x correspodete é gual à méda. Quato maor o valor do escore z melhor é a posção relatva da observação o cojuto de dados. Exemplo: Um estudate obteve ota 7, em Estatístca e,0 em Álgebra. Determe em que dscpla o aluo obteve melhor posção relatva. A méda da turma em Estatístca fo 6,4 com desvo padrão, e a méda da turma em Álgebra fo 7,6 com desvo padrão de,6. Solução: z x µ 7, 6,4 x µ,0 7,6 0,67 z Á lgebra 0, 5 σ, σ,6 Estatístc a Apesar da méda em Estatístca ser meor do que a méda obtda pelo aluo a dscpla de Álgebra, ele obteve melhor posção relatva em Estatístca, pos o valor do escore z desta dscpla é maor do que o escore z em Álgebra. Comparado a ota do aluo com a méda e o desvo padrão da turma verfca-se que em Estatístca sua ota está mas afastada da méda (para cma) e com meor dspersão do que a ota obtda em Álgebra. Aula 5 Pága 5

16 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Coefcete de Correlação Até o mometo estudamos apeas uma úca varável. o etato, algumas vezes o pesqusador está teressado em aalsar a relação etre duas varáves. Por exemplo, qual a relação etre o preço dos almetos e a oferta; etre a altura das pessoas e o peso. A maera mas smples de car este estudo é através do dagrama de dspersão. este gráfco, cada exo represeta uma das varáves em estudo. Exemplo: o gráfco abaxo é apresetado o dagrama de dspersão etre as varáves altura e peso de um grupo de oto pessoas. 5 0 Peso (kg) ,6,65,7,75,,5 Altura (cm) Fgura Correlação etre as varáves peso e altura O dagrama de dspersão pode apresetar uma relação postva etre as varáves, ou seja, à medda que uma varável aumeta a outra varável também aumeta. a fgura 3 (a) as varáves apresetam uma correlação perfeta, a fgura 3(b) uma correlação forte e a fgura 3(c) uma correlação fraca. (a) (b) (c) Fgura 3 correlação postva etre as duas varáves Aula 5 Pága 6

17 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad O dagrama de dspersão também pode apresetar uma relação egatva etre as varáves, ou seja, à medda que uma varável aumeta a outra varável dmu. a fgura 4(a) as varáves apresetam uma correlação perfeta, a fgura 4(b) uma correlação forte e a fgura 4(c) uma correlação fraca. (a) (b) (c) Fgura 4 correlação egatva etre as duas varáves Quado as duas varáves ão possuem relação o gráfco de dspersão apreseta uma uvem aleatóra de potos. O grau de assocação lear etre duas varáves pode ser meddo através do coefcete de correlação de Pearso, que é dado por: r xy ( x ).( y ) x ( x ). y [ ] [ ( y ) ] O valor de r, que sempre pertecerá ao tervalo [-, ], represeta uma medda de tesdade do ter-relacoameto etre duas varáves. Se r, há uma perfeta correlação postva etre as varáves, sto é, se os valores de uma varável aumetam (ou dmuem), em correspodêca os valores da outra varável também aumetam (ou dmuem) a mesma proporção. Se, por outro lado, r -, há uma perfeta correlação egatva etre as varáves, ou seja, os valores de uma varável varam em proporção versa aos valores de outra varável. Se, etretato, r 0, ão há correlação etre as varáves. Aula 5 Pága 7

18 REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad pessoas. Exemplo : Calcule o coefcete de correlação etre as varáves altura e peso de oto Altura (cm) Peso (kg),7 74,65 66,6 6,73 74,7,67 67, 3,77 79 Solução: Utlzado a tabela para auxlar os cálculos Altura (cm) - x Peso (kg) - y x.y X Y,7 74 5,,9 5476, ,9,7 4356,6 6 9,,6 37,73 74,0, ,7 45,96 3,7 674,67 67,9,79 449, 3 49,4 3,4 69, ,3 3,3 64 3, ,6 3, r xy ( x ).( y ) ( x ). y. 00, [ x ] [ ( y ) ] [.3,56 3,7 ].[ ] 0,97 Iterpretação: As varáves altura e peso apresetam uma forte relação postva, portato, à medda que uma varável aumeta a outra também aumeta. Aula 5 Pága

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

9 Medidas Descritivas

9 Medidas Descritivas 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se

Leia mais

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20 . MEDIDAS DE TENDÊNCIA CENTRAL (OU DE POSIÇÃO) Coceto: São aquelas que mostram o alor em toro do qual se agrupam as obserações.. MÉDIA ARITMÉTICA ( ) Sea (x, x,..., x ), uma amostra de dados: Se os dados

Leia mais

Medidas Numéricas Descritivas:

Medidas Numéricas Descritivas: Meddas Numércas Descrtvas: Meddas de dspersão Meddas de Varação Varação Ampltude Ampltude Iterquartl Varâca Desvo absoluto Coefcete de Varação Desvo Padrão Ampltude Medda de varação mas smples Dfereça

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Estatística: uma definição

Estatística: uma definição Coleção de úmeros estatístcas Estatístca: uma defção O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%. As ações da Telebrás subram R$,5, hoje. Resultados do Caraval

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Estatístca: uma defção Coleção de úmeros estatístcas O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%.

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL ESTATÍSTICA MÓDULO 3 MEDIDAS DE TEDÊCIA CETRAL Ídce. Meddas de Tedêca Cetral...3 2. A Méda Artmétca Smles ( μ, )...3 3. A Méda Artmétca Poderada...6 Estatístca Módulo 3: Meddas de Tedêca Cetral 2 . MEDIDAS

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

Introdução à Estatística

Introdução à Estatística Itrodução à Estatístca Júlo Cesar de C. Balero Estatístca É a cêca que se preocupa com: () Orgazação; () Descrção; () Aálses; (v) Iterpretações. Estatístca Descrtva Estatístca Idutva ou Estatístca Ierecal

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

Análise da Informação Económica e Empresarial

Análise da Informação Económica e Empresarial Aálse da Iformação Ecoómca e Empresaral Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração Aálse da Iformação Ecoómca e Empresaral Guão Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

Introdução à Estatística. Júlio Cesar de C. Balieiro 1

Introdução à Estatística. Júlio Cesar de C. Balieiro 1 Itrodução à Estatístca Júlo Cesar de C. Balero Estatístca É a cêca que se preocupa com: () Orgazação; () Descrção; () Aálses; (v) Iterpretações. Estatístca Descrtva Estatístca Idutva ou Estatístca Ierecal

Leia mais

CAPITULO 1 CONCEITOS BÁSICOS

CAPITULO 1 CONCEITOS BÁSICOS DISCIPLIA: ESTATÍSTICA PROFESSOR: JOSELIAS SATOS DA SILVA - joselas@uol.com.br ÍDICE CAPITULO 1 COCEITOS BÁSICOS... 3 1.1 ESTATÍSTICA... 3 1. ESTATÍSTICA DESCRITIVA... 3 1.3 ESTATÍSTICA IFERECIAL... 3

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO

Leia mais

CURSO SOBRE MEDIDAS DESCRITIVA Adriano Mendonça Souza Departamento de Estatística - UFSM -

CURSO SOBRE MEDIDAS DESCRITIVA Adriano Mendonça Souza Departamento de Estatística - UFSM - CURSO SOBRE MEDIDAS DESCRITIVA Adrao Medoça Souza Departameto de Estatístca - UFSM - O telecto faz pouco a estrada que leva à descoberta. Acotece um salto a coscêca, chame-o você de tução ou do que quser;

Leia mais

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão

Leia mais

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção Prof. Lorí Val, Dr. val@pucr.br http://www.pucr.br/~val/ Grade Cojuto de Dado Orgazação; Reumo; Apreetação. Amotra ou População Defeto em uma lha de produção Lacado Deeho Torto Deeho Torto Lacado Torto

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Unidade II ESTATÍSTICA

Unidade II ESTATÍSTICA ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as

Leia mais

Escola Secundária de Jácome Ratton

Escola Secundária de Jácome Ratton Ecola Secudára de Jácome Ratto Ao Lectvo / Matemátca Aplcada à Cêca Soca Na Ecola Secudára do Suceo aualmete é premado o aluo que tver melhor méda a ua clafcaçõe a dferete dcpla. No ao lectvo 9/, o do

Leia mais

Oitava Lista de Exercícios

Oitava Lista de Exercícios Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo

Leia mais

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores. Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.

Leia mais

Estatística Descritiva

Estatística Descritiva Estatístca Descrtva Capítulo "O estatístco, está casado em méda com 1,75 esposas, que procuram fazê-lo sar de casa,5 otes com 0,5 de sucesso apeas. Possu frote com 0,0 de clação (deotado poder metal),

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR116 Boestatístca Proessor: Celso Luz Borges de Olvera Assuto: Estatístca Descrtva Tema: Meddas de Posção e Meddas de

Leia mais

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação

Leia mais

Regressão e Correlação

Regressão e Correlação Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)

Leia mais

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 9 - Regressão linear e correlação INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação

Leia mais

3 - ANÁLISE BIDIMENSIONAL

3 - ANÁLISE BIDIMENSIONAL INE 7001 - Aálse Bdmesoal 1 3 - ANÁLISE BIDIMENSIONAL É comum haver teresse em saber se duas varáves quasquer estão relacoadas, e o quato estão relacoadas, seja a vda prátca, seja em trabalhos de pesqusa,

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

Nas próximas secções iremos abordar a análise estatística de uma amostra em que os dados numéricos estão agrupados em classes, ou seja, em intervalos.

Nas próximas secções iremos abordar a análise estatística de uma amostra em que os dados numéricos estão agrupados em classes, ou seja, em intervalos. Estatístca Descrtva ESTATÍSTICA DESCRITIVA Amostras com dados agrupados em classes as prómas secções remos abordar a aálse estatístca de uma amostra em que os dados umércos estão agrupados em classes,

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

de uma variável em função da outra, por exemplo: Quantas vendas da Marca Philips na região Norte? Quantos homens são fumantes?

de uma variável em função da outra, por exemplo: Quantas vendas da Marca Philips na região Norte? Quantos homens são fumantes? Estatístca descrtva bdmesoal (Tabelas, Gráfcos e Estatístcas) Aálse bvarada (ou bdmesoal): avala o comportameto de uma varável em fução da outra, por exemplo: Quatas vedas da Marca Phlps a regão Norte?

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem

Leia mais

TRABALHO DE COMPENSAÇÃO DE FALTAS - DP

TRABALHO DE COMPENSAÇÃO DE FALTAS - DP Cotrole do Proº Compesou as Faltas Não Compesou as Faltas TRABALHO DE COMPENSAÇÃO DE FALTAS - DP (De acordo coma s ormas da Isttução) CURSO: CIÊNCIAS CONTÁBEIS DISCIPLINA: INTRODUÇÃO À ESTATÍSTICA 2º ANO

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores

Leia mais

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos. Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO

PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO A expressão dados, será ctada dversas vezes esta dscpla, em lguagem ormal, dados são ormações (úmeros ou ão) sobre um dvíduo (pessoa,

Leia mais

Estatística Área 4 BACEN Aula 01 Estatística Descritiva Prof. Alexandre Lima. Aula 01. Sumário

Estatística Área 4 BACEN Aula 01 Estatística Descritiva Prof. Alexandre Lima. Aula 01. Sumário Estatístca Área 4 BACEN Aula 0 Estatístca Descrtva Prof. Aleadre Lma Aula 0 Sumáro Itrodução à Estatístca... 3 Tpos de Varáves... 4 3 Rol... 5 4 Séres Estatístcas... 6 5 Téccas de Descrção Gráfca... 8

Leia mais

Curso de Biomedicina

Curso de Biomedicina Curso de Bomedca Dscpla 5EMA080: Bostatístca E APLICAÇÕES O SOFTWARE R 1 0 BIMESTRE Profa. Dra. Aa Verga Lbos Messett LODRIA 016 CAPÍTULO 1 Aálse Exploratóra de Dados Aula 1 - Itrodução 1.1 Estatístcas

Leia mais

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc. Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Parte 3 - Regressão linear simples

Parte 3 - Regressão linear simples Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

Medidas de Localização

Medidas de Localização 07/08/013 Udade : Estatístca Descrtva Meddas de Localzação João Garbald Almeda Vaa Cojuto de dados utlzação de alguma medda de represetação resumo dos dados. E: Um cojuto com 400 observações como aalsar

Leia mais

Ivan G. Peyré Tartaruga. 1 Metodologia espacial

Ivan G. Peyré Tartaruga. 1 Metodologia espacial RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa

Leia mais

PLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS

PLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS Professor Luz Atoo de Carvalho PLANO PROBABILIDADES Professora Rosaa Relva DOS Números Iteros e Racoas COMPLEXOS rrelva@globo.com Número s 6 O Número Por volta de 00 d.c a mpressão que se tha é que, com

Leia mais

Matemática C Semiextensivo V. 2

Matemática C Semiextensivo V. 2 Matemátca C Semetesvo V. Eercícos 0) Através da observação dreta do gráfco, podemos coclur que: a) País. b) País. c) 00 habtates. d) 00 habtates. e) 00 0 0 habtates. 0) C Através do gráfco, podemos costrur

Leia mais

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

Do que trata a Estatística. Estatística Básica (Anova, TH, Regressão) Séries Temporais Data Mining Six Sigma Redes Neurais Controle de Qualidade

Do que trata a Estatística. Estatística Básica (Anova, TH, Regressão) Séries Temporais Data Mining Six Sigma Redes Neurais Controle de Qualidade Do que trata a Estatístca A essêca da cêca é a observação. Estatístca: A cêca que se preocupa com a orgazação, descrção, aálse e terpretação dos dados epermetas. Ramo da Matemátca Aplcada. A palavra estatístca

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

ESTATÍSTICA 2º. SEMESTRE DE 2016

ESTATÍSTICA 2º. SEMESTRE DE 2016 ESTATÍSTICA O presete materal fo elaborado com o objetvo de facltar as atvdades em sala de aula, segudo a bblografa apresetada o fal do texto. Esclarece-se que o materal, ão substtu a bblografa apresetada,

Leia mais

Matemática Ficha de Trabalho

Matemática Ficha de Trabalho Matemátca Fcha de Trabalho Meddas de tedêca cetral - 0º ao MEDIDAS DE LOCALIZAÇÃO Num estudo estatístco, depos de recolhdos e orgazados os dados, há a ase de trar coclusões através de meddas que possam,

Leia mais

É o quociente da divisão da soma dos valores das variáveis pelos números deles:

É o quociente da divisão da soma dos valores das variáveis pelos números deles: Meddas de Posção. Itrodução Proª Ms. Mara Cytha O estudo das dstrbuções de requêcas, os permte localzar a maor cocetração de valores de uma dstrbução. Porém, para ressaltar as tedêcas característcas de

Leia mais

Total Bom Ruim Masculino

Total Bom Ruim Masculino UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,

Leia mais

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho

Leia mais

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( ) NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas

Leia mais

Caracterização de Partículas. Prof. Gerônimo

Caracterização de Partículas. Prof. Gerônimo Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065

Leia mais

Análise de Regressão

Análise de Regressão Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro de massa, momento linear de sistemas de partículas e colisões Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,

Leia mais

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

Leia mais

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)

Leia mais

MAE116 Noções de Estatística

MAE116 Noções de Estatística Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,

Leia mais

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação pontual, estimação intervalar e tamanho de amostras Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de

Leia mais

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL 3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em

Leia mais

12.2.2 CVT: Coeficiente de Variação de Thorndike...45 12.2.3 CVQ: Coeficiente Quartílico de Variação...45 13 MEDIDAS DE ASSIMETRIA...46 13.

12.2.2 CVT: Coeficiente de Variação de Thorndike...45 12.2.3 CVQ: Coeficiente Quartílico de Variação...45 13 MEDIDAS DE ASSIMETRIA...46 13. SUMARIO 2 MÉTODO ESTATÍSTICO...3 2. A ESTATÍSTICA...3 2.2 FASES DO MÉTODO ESTATÍSTICO...4 3 FERRAMENTAS DE CÁLCULO PARA O ESTUDO DA ESTATÍSTICA...5 3. FRAÇÃO...5 3.. Adção e subtração...5 3..2 Multplcação

Leia mais

ESTATÍSTICA BÁSICA - Profº Marcos Nascimento

ESTATÍSTICA BÁSICA - Profº Marcos Nascimento ESTATÍSTICA BÁSICA - Proº Marcos Nascmeto CÁPITULO I- Itrodução Atualmete a utlzação da Estatístca é cada vez maor em qualquer atvdade prossoal. Nos mas dverscados ramos, as pessoas estão requetemete epostas

Leia mais

Estatística Descritiva

Estatística Descritiva Estatístca Descrtva Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 35-3691161 / 88776958 (cel) Estatístca Descrtva Pedro Paulo Balestrass www.pedro.ufe.edu.br 1 População e amostra:

Leia mais