You are on page 1of 9

Ficha 1 – CONEP

Descrição de dados

One Sample t-test
Data: PK...
t = 15.7982, df = 9, p-value = 7.186e-08
Alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
38.90769 51.91231
Sample estimates:
Mean: 45.41
Median: 46.00
SD: 9.089609

Histograma

rm=TRUE)) 1 | 2: represents 12 leaf unit: 1 n: 90 1 2...775 N: 90 Median :45.75. 50% dos elementos da amostra são menores ou iguais à mediana e os outros 50% são maiores ou iguais à mediana. stem. O intervalo que contem 50% dos dados no centro é: . isto é. Como os dados referidos são quantitativos continuos o intervalo de confiança será calculado seguindo uma distribuição normal. | 9 4 6* | 0 3 t | 22 f| 1 s|7 summary(manuel) numSummary(manuel[. uma vez que o números de observações é soperior a 30.leaf(F1.with(manuel. "IQR"). quantiles=c(0. | 8888889999 23 5* | 0000111 16 t | 22333 11 f | 4455 7 s | 67 5 5. | 8889999 Diagrama de caule e folhas 27 4* | 011111 36 t | 223333333 (12) f | 444445555555 42 s | 666777777 33 4. logo."F1"].5.50. onumero que caracteriza o centro da distribuição é 45. | 8 3 3* | 11 9 t | 222333 11 f | 45 14 s | 777 21 3. statistics=c("sd".25.+ .658935 IQR: 8. É o valor que divide ao meio os elementos da amostra de dados.50 Mean:45.53 A mediana é a medida de localização do centro da distribuição dos dados.1)) sd: 7. na.

2. 43. 48.2. 54. df = n) + ic <. 49.0.3.3. 67.8. 42. 45.6. 45. 31. 47.1.5.3.4. 38.1.8. conf = 0.8. 50.8) > ic. 47.2. 41.1.3. 54.mean(x) + variancia <. 39. 41.1.1.2. 39. 45.var(x) + quantis <. 34.8. 33.2. 33. 44.0.1. 48.6.1. 47. 47. 38.9. 32.3.3. 46. 59.3. 39. 55. 45.5. 40. 43. 55. 41.7.6.4.6. 35.13611 Histograma . 51.7. 60.7.3. 37.mean(x) + variancia <. 39.3. 41. 60.6.4.var(x) + quantis <. 50. conf = 0. 43.media(manuel) [1] 43.1.(1-conf)/2). 52. 44.8.2. 59.6.2.8.9. 43.3. 46. 45.7.0.6. 55.8. 48.4. 31. 32.2. 41. 39.5. 37. 1 . 49. 46. 34. 50.8. 45.5.length(x) + media <. 32. 57.7. 51. 55.1.3.3. 56. 62.1.5. 39.8) > ic.5.0.6. 38.0. 43. 45.0. 48. 53. 46.9.4.media <.5.4. 44. 32. 51.0. 67. 53. 45. 43.2.2. 40.7.5.2.media(manuel) [1] 44. 50. 53.4. 43.0. 42. 31.9.1. 46. 95% da distribuição é: > manuel <-c(49.1. 38.media + quantis * sqrt(variancia/n) + return(ic) +} > ic.2. 50.95){ + n <.2.0. 38.7.3. 47.9.5.3. 52.media + quantis * sqrt(variancia/n) + return(ic) +} > ic.5. aproximadamente. 49.4.5.92833 47. 47. 51.6.5.3. 56. 52. 1 . 45. 48.9.1.3. 48.qt(c((1-conf)/2.9.media <. 45. 44.3.function(x.9. 31.8. 51. 41.6.2. 47. 47. 43.3. 47. 41.6. 45.3. 28.4. 43.2.98548 46.0.6.5.9.2. 52. 33. 45. 48.50){ + n <. 43. 47. 44.function(x.8. 57.3.9.5.0.9.1. 42. 53. 43. 44. 45.4. 37.2.5.4.2. 43.5. 54. 41.2. df = n) + ic <.9.0.2.5.1.2.5. 48.6.4.1.1. 43.2.6. 48.3. 39. 37.qt(c((1-conf)/2.1. 41.9.3.2. 48. 38. 43.7.5. 44. 28.9. 44. 53. 49.3.7. 42.5. 50.3.(1-conf)/2).7. 39. 54. 33.3. 50. 62. 32.0.0. 62.07896 o intervalo que contem . 47. 44. 51.8. 48. 41.2. 48. 33. 35.length(x) + media <.5. 47. 32. 53. 49.8. 46. 44.0.5.5.3.0. 50. 49. 37. 33. 37. 62.3.3.1.5.7.7.6.6.manuel <-c(49.1. 45.

sendo que a maioria das lâmpadas (22) tem um tempo de vida entre as 500 e as 1000 horas. verifica-se que a média é relativamente superior à mediana. cada uma com uma percentagem de dados aproximadamente igual 563.O gráfico tem uma distribuição assimétrica positiva com outlyer (pois há uma lâmpada com tempo de vida exageradamente maior> 4000). encontra-se um número considerável de lâmpadas da amostra (15).22 Mediana = 728.3818 .5 Desvio padrão 645. sendo que as restantes têm um valor acima das 1000 horas (12 lâmpadas) Média e Mediana Obtido no R: Média = 871. Entre as 0 e 500 horas. os percentis são medidas que dividem a amostra ordenada (por ordem crescente dos dados) em 100 partes. PERCENTIL Em estatística descritiva.5 Os valores obtidos com a média e mediana. logo tem uma assimetria positiva e que a medida mais adequada é a mediana.

Mas. .6 Mediana: 22 Desvio padrão:12.25 b)Percentil 90 39.mediana. desvio padrão Média: 23. para calcular a mediana não necessitamos desses valores uma vez que só precisamos dos dois elementos médios indicados na tabela e deles calcular o respectivo valor mediano.Gráfico de pontos.2 c) Como não temos valores em relação ao tempo de vida das 5 lãmpadas restantes não podemos calcular a média uma vez que a média necessita sempre dos valores correspondentes. Média .

graus X240.:1428 Max.read.Calcule o tempo médio até à falha para cada uma das quatro temperaturas.:1533 Median :1641 Mean :1601 3rd Qu.:2436 Median : 9167 Median :2436 Mean : 8782 Mean :2638 3rd Qu. : 600 1st Qu. summary(temp) X190.:1701 Max.graus Min.graus Min.: 744 Median :1020 Mean :1145 3rd Qu. :1175 1st Qu.graus X260.choose().graus 1 7228 1764 1175 600 2 7228 2436 1175 744 3 7228 2436 1521 744 4 8448 2436 1569 744 5 9167 2436 1617 912 6 9167 2436 1665 1128 7 9167 3108 1665 1320 8 9167 3108 1713 1464 9 10511 3108 1953 1896 10 10511 3108 1953 1896 b. header=T. :1953 X260. :3108 X240.: 7533 1st Qu.graus Min. :10511 Max. sep="\t") > > data4 X190.: 9167 3rd Qu. : 7228 Min.:3108 Max.delim(file.> data4 <.graus X220. :1896 . :1764 1st Qu.graus X220.

1)) summary(temp) 5. na. Sumarize as distribuições numericamente.sqlQuery(channel = 1. select * from [Excel2DataCSV$]) names(temp) <. "IQR".."X190.dat contém informação sobre 54 estudantes dum curso de Estatística da Universidade do Iwoa.library(RODBC. pos=16) numSummary(temp[. Use gráficos de pontos. > manuel <.txt".75.table("C:/Users/Manuel/Desktop/new 1. pos=14) temp <. a. da mediana e do desvio-padrão. "sd". + sep="".graus"].5.. dec=". statistics=c("mean".read. header=TRUE. histogramas.O ficheiro student. do peso e do número de filhos. género (masculino/feminino) e o núme ro de filhos biológicos. pos=15) library(e1071.strings="NA".names(names(temp)) library(abind. peso (em libras). diagramas de caule e folha e caixas de bigode.make..white=TRUE) Distribuição normal: . "quantiles"). Foram registados valores para as variáveis seguintes: altura (em polegadas). strip.". quantiles=c(0. através da média. Mostre a distribuição da altura.25.