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

Tamanho: px
Começar a partir da página:

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

Transcrição

1 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 descrtvas de posção e de dspersão Dados agrupados com varáves dscretas Para varáves dscretas os resultados com dados agrupados são os mesmos quando se tem a amostra, pos esta pode ser recomposta com as frequêncas da tabela. Exemplo 6: Dados coletados em entrevstas com 500 pessoas sendo coletadas nformações sobre o tempo de casamento até o prmero dvórco e o número de dvórcos de cada. Varável dscreta: X = número de dvórcos por ndvíduo Tabela 3: Número de dvórcos por ndvíduo. Dvórcos = x n f F ac x f n x 40 0,480 0,480 0, ,50 0,730 0, ,6 0,89 0, ,096 0,988 0, ,0,000 0, Total 500,000,90 387

2 ) Méda amostral: k é o número de classes na tabela de frequêncas, então, a méda amostral pode ser calculada fazendo x n x j n j k xn n k x n n, ou seja, x k x f. Portanto, no exemplo temos: x k x f =,9 dvórcos ( dvórcos) ) Varânca e desvo padrão amostras: da mesma forma como no caso anteror, podemos obter a varânca amostral fazendo: n x j j k n x. Desta forma, no exemplo varânca amostral: s x nx ( n ) (,9) (500 ) 56,95 499,3 desvo padrão amostral: s,06 dvórcos ( dvórco)

3 ) Medana: a medana pode ser obtda da mesma forma como no caso anteror, com a determnação da posção central. Logo, a medana é dada pela observação que ocupa a posção (n + )/. No exemplo, como n = 500, temos que a medana é dada pela observação que ocupa a posção: n ,5. Logo, a medana é dada pela méda entre a 50ª e 5ª observações ordenadas: x(50) x(5) med ( x) dvórcos v) Quarts: para os quarts, também procedemos da mesma forma, ou seja Como a medana dvde os dados em dos grupos de 50 observações, Q é dado pela observação que ocupa a posção central da prmera metade e Q 3 a observação central da segunda metade. x(5) x(6) Q dvórco x(375) x(376) 3 3 Q 3 3 dvórcos

4 Nota: Uma varação para o caso de dados agrupados pode ser obtda representando-se os desvos ( x x) dretamente na tabela: Tabela 4: Número de dvórcos por ndvíduo (representação alternatva). Dvórcos = x n f F ac x f (x x ) n (x x ) 40 0,480 0,480 0,480-0,90 98, ,50 0,730 0,500 0,090, ,6 0,89 0,486,090 96, ,096 0,988 0,384,090 09, ,0,000 0,060 3,090 57,886 Total 500,000,90 56,950 Méda amostral: x x f =,9 dvórcos Varânca amostral: x x ( n ) s 56,95 499,3

5 Exemplo 7: Consdere a tabela abaxo representando a dstrbução de frequêncas do número de parastas encontrados por muda de certa espéce de planta. X = número de parastas por muda. Tabela 5: Número de parastas por planta. x n n acum. f F ac x f n x 3 3 0,083 0,083 0, ,67 0,50 0, ,50 0,500, ,39 0,639 0, ,67 0,806, , 0,97 0, ,083,000 0,667 9 Total 36,000 4, Então: méda amostral: x k x f = 4,806 ( 5 parastas) varânca amostral: s x nx ( n ) (4,806) (36 ) s 07, ,07 desvo padrão amostral: s 3,07, 75 parastas

6 A medana é a observação na posção (36 + )/ = 8.5 x(8) x(9) 4 5 med ( x) 4,5 parastas Para a obtenção dos quarts, o procedmento é semelhante. Como n é par, os quarts são as observações centras das metades nferor e superor à medana. Desta forma, Q está entre 9ª e 0ª observações ordenadas: x(9) x(0) 3 4 Q 3,5 parastas. Q 3 está entre 7ª e 8ª observações ordenadas, porém, podemos ver que Q 3 pertence à qunta classe uma vez que esta acumula 9 observações, x(7) x(8) Q parastas. A moda é gual a 4 parastas, cuja frequênca é gual a 9, sto é, mo ( x) 4 parastas

7 3.6.. Dados agrupados com varáves contínuas No caso de varáves contínuas os resultados com dados agrupados não são os mesmos daquelas da amostra. Neste caso, faz-se uma aproxmação a partr da suposção de que os dados são dstrbuídos de manera unforme dentro da classe. A partr desta suposção, como as classes têm ampltude constante h, tomamos os seus pontos médos como referênca e, a partr daí, para o cálculo de x e s, procedemos da mesma manera como no caso anteror. Para as meddas de posção ordenadas, no entanto, devemos dentfcar o ponto exato para o qual a frequênca acumulada é gual àquela desejada. Exemplo 8: Dados coletados em entrevstas com 500 pessoas sendo coletadas nformações sobre o tempo de casamento até o prmero dvórco. X = tempo (anos) até o prmero dvórco. Tabela 6: Tempo até o prmero dvórco. Anos até º. Pto. médo dvórco x n f F ac x f n x Total

8 ) Méda amostral: x x f = 6,90 anos ) Varânca e desvo padrão amostras: s x nx ( n ) (6,90) (500 ) ,685 s 5,6 anos ) Medana: Incalmente devemos dentfcar a classe que contém a medana, ou seja, a classe que acumula uma frequênca gual ou maor do que 0.50 (50%). med(x) pertence à ª classe, pos a F ac é maor do que Uma vez dentfcada a classe da medana devemos encontrar o ponto exato que acumula a sua frequênca, ou seja, devemos encontrar o ponto exato com F ac = 0.50.

9 Devdo à suposção de unformdade dentro das classes, este ponto é faclmente obtdo através de uma smples regra de três: (6 0) med ( x) 0 50, de onde se obtêm: med ( x) med ( x) med ( x) 5.36 anos v) Quarts: Os quarts são obtdos de manera semelhante à medana, com a dferença que as suas frequêncas acumuladas são 0.5 (5%) e 0.75 (75%), respectvamente. Q pertence à ª classe, pos a F ac é maor do que 0.5.

10 Regra de três (6 0) Q 0 5 Q Q.68 anos, Q 3 pertence à ª classe, pos a F ac é maor do que A frequênca cumulada até a classe anteror é 0.56, portanto, faltam de frequênca. Regra de três ( 6) Q Q Q anos,

11 v) Moda: Para dados agrupados, ao nvés da moda, pode-se consderar a classe modal, que neste caso é a ª classe, com frequênca gual a 80, ou seja, a classe modal sera: [ 0; 6) anos. Porém, uma opção mas aproprada sera a moda de Czuber, calculada a segur: Em que: L é o lmte nferor da classe modal; h é a ampltude de classe da dstrbução de frequêncas; d a é a dferença da frequênca da classe modal (relatva ou absoluta) com a classe medatamente anteror; d p é a dferença da frequênca da classe modal (relatva ou absoluta) com a classe medatamente posteror. Fgura 9: Cálculo da moda de Czuber.

12 Com os dados do tempo de casamento até o prmero dvórco, temos: L I = 0, h = 6, d a = 80 e d p = 40, portanto: mo cz ( x) (80 40) mo cz ( x) 4anos.

13 Exemplo 3: Notas no teste GMAT na seleção de alunos de graduação numa unversdade amercana. Tabela 7: Notas no teste GMAT Pto. médo: Notas x n f x f F ac n x Totas ) Méda amostral: x x f = pts ) Varânca e desvo padrão amostras: s n x nx ( n ) pts s pts

14 v) Medana: med(x) pertence à 4ª classe, pos a F ac = 0.6 é maor do que Regra de três: med( x) , 0.7 de onde se obtêm: med ( x) med ( x) med ( x) pts v) Quarts: Q pertence à 3ª classe, pos a F ac = 0.39 é maor do que 0.5. Regra de três: Q , 0.33 Q Q 43.4 pts

15 Q 3 pertence à 5ª classe, pos a F ac = é maor do que Regra de três: Q , 0.39 Q Q pts Fgura 0: Hstograma das notas do teste GMAT

16 ) Moda: pelo método de Czuber, temos: L I = 450, h = 50, d a = 6 e d p = 9, portanto: mo cz 6 ( x) (6 9) mo cz ( x) 470 pts

17 Percents amostras pelo gráfco da dstrbução acumulada Tabela 8: Notas no teste GMAT Escores Pto. médo: x n f F ac Totas Fgura : Gráfco de frequêncas acumuladas (F ac ) das notas no teste GMAT.

18 A medana pode ser obtda faclmente por semelhança de trângulos unndo-se os pontos abaxo dos degraus do gráfco, conforme mostra a Fgura. Fgura : Representação da medana no gráfco de frequêncas acumuladas das notas GMAT Regra de três: Isolando no gráfco apenas o degrau referente à classe da medana, temos: med( x) , med ( x) med ( x) pts

19 O mesmo procedmento pode ser realzado para a obtenção dos quarts. Regra de três: Isolando no gráfco os degraus referente às classes dos quarts Q e Q 3, temos: Obtenção de Q : Q , Q Q 43.4 pts Obtenção de Q 3 : Q , Q Q pts

20 Exemplo 4: Dados coletados em entrevstas com 48 mulheres de uma comundade rural sobre o número de vezes que fcaram grávdas (dados fctícos). X = varável número de gravdezes por mulher x Tabela 9: Número de gravdezes por mulher (var. dscreta) n f F ac x f n ( x x) Total Calcular a méda, varânca, medana, moda, quarts: ) Cálculo da méda: x k x f ( 0.46) ( 0.7) (3 0.9) ( 40.46) (5 0.5) (60.083) x k x f x k x f gravdezes ) Cálculo da varânca e desvo padrão: s k n x x n

21 s,9.54 gravdezes ) Cálculo da medana: med ( x) 3 gravdezes pos F ac (3) > x(4) x(5) Anda: med ( x) 3 v) Cálculo dos quarts: Q gravdezes pos F ac () > 0.5. x() x(3) Anda: Q. Q 4 gravdezes pos F 3 ac (4) > x(36) x(37) Anda: Q 4. v) Cálculo da moda: mo ( x) gravdezes observação com maor frequênca.

22 Fgura 3: Hstograma do número de gravdezes/mulher (dados fctícos). Exemplo 6: Saláro de 36 funconáros da Companha MB em número de saláros mínmos (dados do lvro Estatístca Básca de Bussab & Morettn). X = saláro (sm) Tabela 0: Saláro dos funconáros da Ca MB, em s.m. (var. contínua) Pto. Médo x n classes ac ,78 0,78, ,333 0,6 3, , 0,833 3, ,39 0,97, ,08,000 0,6 484 Total 36,000 -, 53 f F n x x f

23 Fgura 4: Saláro dos funconáros da Ca MB, em s.m. Calcular a méda, varânca, medana, moda, quarts: (no caso, x, =,,, k são os pontos médos das classes) ) Cálculo da méda: x k x f, sm ) Cálculo da varânca e desvo padrão: x nx n s (,) 35 0,00 s 0,00 4,47 sm

24 ) Cálculo da moda: Para esses dados a classe modal é a ª classe, com frequênca gual a, ou seja, a classe modal é a classe [ 8; ). A moda de Czuber, por sua vez, é dada por: mo cz ( x) ( 4) mo cz ( x) 9.33sm 8 6 v) Medana: med (x) pertence à ª classe, pos a ª classe acumula mas de 50% dos dados ( F 0, 50). Como até a classe anteror temos 0,8 de dstrbução acumulada, os 0, restantes para totalzar 0,50 devem ser obtdos da ª classe. Assm, por meo da proporconaldade entre os retângulos na fgura (regra de três), obtém-se a medana. ac

25 ( 8) 0,33, med ( x) 8 0, med ( x) 8 40, 0,33 med ( x) 0,67 sm v) Quarts: Para os quarts o procedmento é semelhante ao da medana. Para o quartl Q devemos encontrar a classe que acumula uma frequênca gual ou maor do que 0,5. Desta forma, Q pertence à ª classe, que acumula uma frequênca gual a 0,8. Num procedmento semelhante ao anteror, temos: (8 4) 0,8 0, Q 4 5 Q 4 40,5 0,8 Q 7,57sm

26 Q 3 pertence à 3ª classe, que acumula uma frequênca gual a 0,83 (> 0,75). Desta forma, temos: (6 ) 0, 0, Q 4 3 Q 3 40,4 0, Q3 4,55 sm Fórmula para o cálculo da medana e quarts Os cálculos acma podem resumdos na fórmula dos percents amostras. No caso a medana é o percentl 0,50 (50%) e sua fórmula é dada por: med ( x) L nf h 0,50 F f ( ) ac Em que: h = ampltude da classe; L nf = lmte nferor da classe da medana; f = frequênca relatva da classe que contém a medana; () ac F = frequênca acumulada até a classe medatamente anteror à classe da medana.

27 Para os quarts Q e Q 3 a fórmula é a mesma, substtundo apenas a frequênca 0,50 por 0,5 e 0,75, respectvamente. Para Q Para Q 3 Q L nf h 0,5 F f ( ) ac Q 3 L nf h 0,75 F f ( ) ac

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

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

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

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

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

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 stica Descritiva

Estatística stica Descritiva AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas

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

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma: Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos

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

IV - Descrição e Apresentação dos Dados. Prof. Herondino

IV - Descrição e Apresentação dos Dados. Prof. Herondino IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser

Leia mais

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00) Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)

Leia mais

www.obconcursos.com.br/portal/v1/carreirafiscal

www.obconcursos.com.br/portal/v1/carreirafiscal www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução e Organização de Dados Estatísticos II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

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

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

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

Lista de Exercícios. 2 Considere o número de aparelhos com defeito na empresa Garra durante 50 dias.

Lista de Exercícios. 2 Considere o número de aparelhos com defeito na empresa Garra durante 50 dias. Classque as varáves: Faculdade Ptágoras / Dvnópols-MG Curso: Pscologa Dscplna: Estatístca Aplcada à Pscologa Lsta de Eercícos a) número de peças produzdas por hora; b) dâmetro eterno da peça; c) número

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações. 1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação

Leia mais

b. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda.

b. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda. Meddas de Posção Introdução a. Dentre os elementos típcos, destacamos aqu as meddas de posção _ estatístcas que representam uma sére de dados orentando-nos quanto à posção da dstrbução em relação ao exo

Leia mais

RACIOCÍNIO LÓGICO QUANTITATIVO PARA AFRFB PROFESSOR: GUILHERME NEVES

RACIOCÍNIO LÓGICO QUANTITATIVO PARA AFRFB PROFESSOR: GUILHERME NEVES Aula 11 Estatístca.... Classe.... 7 Lmtes de classe... 7 Ampltude de um ntervalo de classe... 7 Ampltude total da Dstrbução... 8 Ponto médo de uma classe... 8 Tpos de frequêncas... 9 Meddas de Posção...

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno

Leia mais

Aula 5 Senado Federal Parte 2

Aula 5 Senado Federal Parte 2 Aula 5 Senado Federal Parte Estatístca... Classe... 8 Lmtes de classe... 8 Ampltude de um ntervalo de classe... 9 Ampltude total da Dstrbução... 9 Ponto médo de uma classe... 9 Tpos de frequêncas... 10

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

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

Caderno de Exercícios Resolvidos

Caderno de Exercícios Resolvidos Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas

Leia mais

Análise de influência

Análise de influência Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).

Leia mais

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO ESTATISTICA EXPERIMENTAL: Com aplcaçoes em R Medcna

Leia mais

ESTATÍSTICA. PROBABILIDADES Professora Rosana Relva Números Inteiros e Racionais ESTATÍSTICA. Professor Luiz Antonio de Carvalho

ESTATÍSTICA. PROBABILIDADES Professora Rosana Relva Números Inteiros e Racionais ESTATÍSTICA. Professor Luiz Antonio de Carvalho PROBABILIDADES Professora Rosana Relva Números Interos e Raconas APRESENTAÇÃO ROL:,,, 4, 4,,, DISCRETA : rrelva@globo.com PROGRESSÃO ARITMÉTICA CONTÍNUA PROGRESSÃO ARITMÉTICA DISTRIBUIÇÃO DE REQUÊCIAS

Leia mais

ANÁLISE EXPLORATÓRIA DE DADOS

ANÁLISE EXPLORATÓRIA DE DADOS CENTRO DE CIÊNCIAS EXATAS CCE DEPARTAMENTO DE ESTATÍSTICA Curso de Especalzação Lato Sensu em Estatístca ANÁLISE EXPLORATÓRIA DE DADOS Professor: Dr. Waldr Medr medr@uel.br Londrna/Pr Março de 011 ÍNDICE

Leia mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

Apostila De Estatística

Apostila De Estatística Apostla De Estatístca Professores: Wanderley Akra Shgut Valéra da S. C. Shgut Brasíla 006 INTRODUÇÃO 1.1. PANORAMA HISTÓRICO Toda Cênca tem suas raízes na hstóra do homem; A Matemátca que é consderada

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

Medidas de tendência central. Média Aritmética. 4ª aula 2012

Medidas de tendência central. Média Aritmética. 4ª aula 2012 Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem

Leia mais

Apostila de Estatística

Apostila de Estatística Apostla de Estatístca Prof. Ms. Osoro Morera Couto Junor Capítulo 1 - Introdução Estatístca 1.1 Hstórco A estatístca é um ramo da matemátca aplcada. A partr do século XVI começaram a surgr as prmeras análses

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo: MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados

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

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma. UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823

Leia mais

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

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

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?

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 Tecnologa de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 7. GRÁFICOS DE INFORMAÇÕES São grácos tpcamente epostvos destnados, prncpalmente, ao públco em geral, objetvando

Leia mais

Exercícios. Utilizando um novo critério, essa banca avaliadora resolveu descartar a maior e a menor notas atribuídas ao professor.

Exercícios. Utilizando um novo critério, essa banca avaliadora resolveu descartar a maior e a menor notas atribuídas ao professor. Estatístca Exercícos 1. (Enem 013) Fo realzado um levantamento nos 00 hotés de uma cdade, no qual foram anotados os valores, em reas, das dáras para um quarto padrão de casal e a quantdade de hotés para

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado) 5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de

Leia mais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:

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

Notas de Aula de Probabilidade A

Notas de Aula de Probabilidade A VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável

Leia mais

COEFICIENTE DE GINI: uma medida de distribuição de renda

COEFICIENTE DE GINI: uma medida de distribuição de renda UNIVERSIDADE DO ESTADO DE SANTA CATARINA ESCOLA SUPERIOR DE ADMINISTRAÇÃO E GERÊNCIA DEPARTAMENTO DE CIÊNCIAS ECONÔMICAS COEFICIENTE DE GINI: uma medda de dstrbução de renda Autor: Prof. Lsandro Fn Nsh

Leia mais

Programa de Certificação de Medidas de um laboratório

Programa de Certificação de Medidas de um laboratório Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados

Leia mais

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados

Leia mais

2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:

2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6: Lsta de Exercícos - Probabldade INE 700 GABARITO LISTA DE EXERÍIOS PROBABILIDADE ) Vamos medr o tempo de duração da lâmpada. Ao lgarmos a lâmpada ela pode não funconar, ou durar um tempo ndetermnado. a)

Leia mais

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria. Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que

Leia mais

Estatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira

Estatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira MATERIAL DIDÁTICO Medcna Veternára Faculadade de Cêncas Agráras e Veternáras Campus de Jabotcabal SP Gener Tadeu Perera º SEMESTRE DE 04 ÍNDICE INTRODUÇÃO AO R AULA ESTATÍSTICA DESCRITIVA 3 º EXERCÍCIO

Leia mais

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2 Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer

Leia mais

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ADMINISTRAÇÃO ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Eemplos em STATA. Prof. Dr. Evandro Marcos

Leia mais

Covariância e Correlação Linear

Covariância e Correlação Linear TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA II TABELAS E GRÁFICOS Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.

Leia mais

AULA EXTRA Análise de Regressão Logística

AULA EXTRA Análise de Regressão Logística 1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável

Leia mais

ESPELHOS E LENTES ESPELHOS PLANOS

ESPELHOS E LENTES ESPELHOS PLANOS ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem

Leia mais

2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I

2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I ª ATIVIDADE ESRITA DE MATEMÁTIA A.º 009 NOVEMBRO 0 Duração da prova 4 mnutos VERSÃO Grupo I Para cada uma das três questões deste grupo, seleccone a resposta correcta de entre as alternatvas que lhe são

Leia mais

A esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.

A esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva. Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

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

Nota Técnica Médias do ENEM 2009 por Escola

Nota Técnica Médias do ENEM 2009 por Escola Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos

Leia mais

Para quantificar a variabilidade de um conjunto de dados ou medidas é que se usam medidas de dispersão. Vamos estudar algumas delas nesta aula.

Para quantificar a variabilidade de um conjunto de dados ou medidas é que se usam medidas de dispersão. Vamos estudar algumas delas nesta aula. Probabldade e Etatítca I Antono Roque Aula Medda de Dperão A medda de tendênca central não ão ufcente para e caracterzar um conjunto de dado. O motvo é que ete varação na natureza, to é, dado que venham

Leia mais

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

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

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação. Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,

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

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

8.16. Experimentos Fatoriais e o Fatorial Fracionado

8.16. Experimentos Fatoriais e o Fatorial Fracionado 8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e

Leia mais

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados. INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

Leia mais

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. rova /7/2006 rofa. Ana Mara Faras Turma A 4-6 hs. Consdere os dados da tabela abaxo, onde temos preços e uantdades utlzadas de materal de escrtóro. Item Undade reço

Leia mais

Aplicação de um modelo simulado na formação de fábricas

Aplicação de um modelo simulado na formação de fábricas Aplcação de um modelo smulado na formação de fábrcas Márca Gonçalves Pzaa (UFOP) pzaa@ldapalm.com.br Rubson Rocha (UFSC) rubsonrocha@eps.ufsc.br Resumo O objetvo deste estudo é determnar a necessdade de

Leia mais

2 - Análise de circuitos em corrente contínua

2 - Análise de circuitos em corrente contínua - Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;

Leia mais

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 ) DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco

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

1 Topologias Básicas de Conversores CC-CC não-isolados

1 Topologias Básicas de Conversores CC-CC não-isolados 1 opologas Báscas de Conversores CC-CC não-solados 1.1 Prncípos báscos As análses que se seguem consderam que os conversores não apresentam perdas de potênca (rendmento 100%). Os nterruptores (transstores

Leia mais

Construção e aplicação de índices-padrão

Construção e aplicação de índices-padrão Construção e aplcação de índces-padrão Artgo Completo José Aparecdo Moura Aranha (Admnstrador e Contador, Professor Assstente do Curso de Admnstração da Unversdade Federal de Mato Grosso do Sul - Câmpus

Leia mais