Profa Mariese Conceição

Universidade Federal da Bahia
Instituto de Matemática
Departamento de Estatística

2012

Profa Mariese Conceição (UFBA)

2012

1 / 117

Amostragem

Na realização de qualquer estudo, quase nunca é possível examinar
todos os elementos da população de interesse;
Em qualquer pesquisa é crucial ter uma amostra com uma boa
representatividade da população que será estudada para que se possa
aplicar as técnicas necessárias;
Objetivo da amostragem é obter informações sobre o todo,
baseando-se em resultados de uma amostra;
O uso inadequado de um procedimento amostral pode levar a um viés
de interpretação do resultado;
O tamanho da amostra leva em consideração os custos envolvidos e
precisão desejada na pesquisa;
Em alguns casos devem ser consideradas sub amostras a m de checar
a qualidade das informações.
Profa Mariese Conceição (UFBA)

2012

2 / 117

Amostragem

Na realização de qualquer estudo, quase nunca é possível examinar
todos os elementos da população de interesse;
Em qualquer pesquisa é crucial ter uma amostra com uma boa
representatividade da população que será estudada para que se possa
aplicar as técnicas necessárias;
Objetivo da amostragem é obter informações sobre o todo,
baseando-se em resultados de uma amostra;
O uso inadequado de um procedimento amostral pode levar a um viés
de interpretação do resultado;
O tamanho da amostra leva em consideração os custos envolvidos e
precisão desejada na pesquisa;
Em alguns casos devem ser consideradas sub amostras a m de checar
a qualidade das informações.
Profa Mariese Conceição (UFBA)

2012

2 / 117

Amostragem

Na realização de qualquer estudo, quase nunca é possível examinar
todos os elementos da população de interesse;
Em qualquer pesquisa é crucial ter uma amostra com uma boa
representatividade da população que será estudada para que se possa
aplicar as técnicas necessárias;
Objetivo da amostragem é obter informações sobre o todo,
baseando-se em resultados de uma amostra;
O uso inadequado de um procedimento amostral pode levar a um viés
de interpretação do resultado;
O tamanho da amostra leva em consideração os custos envolvidos e
precisão desejada na pesquisa;
Em alguns casos devem ser consideradas sub amostras a m de checar
a qualidade das informações.
Profa Mariese Conceição (UFBA)

2012

2 / 117

Amostragem

Na realização de qualquer estudo, quase nunca é possível examinar
todos os elementos da população de interesse;
Em qualquer pesquisa é crucial ter uma amostra com uma boa
representatividade da população que será estudada para que se possa
aplicar as técnicas necessárias;
Objetivo da amostragem é obter informações sobre o todo,
baseando-se em resultados de uma amostra;
O uso inadequado de um procedimento amostral pode levar a um viés
de interpretação do resultado;
O tamanho da amostra leva em consideração os custos envolvidos e
precisão desejada na pesquisa;
Em alguns casos devem ser consideradas sub amostras a m de checar
a qualidade das informações.
Profa Mariese Conceição (UFBA)

2012

2 / 117

Profa Mariese Conceição (UFBA) 2012 2 / 117 .Amostragem Na realização de qualquer estudo. quase nunca é possível examinar todos os elementos da população de interesse. O tamanho da amostra leva em consideração os custos envolvidos e precisão desejada na pesquisa. Em qualquer pesquisa é crucial ter uma amostra com uma boa representatividade da população que será estudada para que se possa aplicar as técnicas necessárias. O uso inadequado de um procedimento amostral pode levar a um viés de interpretação do resultado. Objetivo da amostragem é obter informações sobre o todo. Em alguns casos devem ser consideradas sub amostras a m de checar a qualidade das informações. baseando-se em resultados de uma amostra.

Profa Mariese Conceição (UFBA) 2012 2 / 117 . Objetivo da amostragem é obter informações sobre o todo. O uso inadequado de um procedimento amostral pode levar a um viés de interpretação do resultado. quase nunca é possível examinar todos os elementos da população de interesse. Em alguns casos devem ser consideradas sub amostras a m de checar a qualidade das informações.Amostragem Na realização de qualquer estudo. baseando-se em resultados de uma amostra. Em qualquer pesquisa é crucial ter uma amostra com uma boa representatividade da população que será estudada para que se possa aplicar as técnicas necessárias. O tamanho da amostra leva em consideração os custos envolvidos e precisão desejada na pesquisa.

Maior qualidade nos dados levantados. Mais fácil. Menor tempo. Profa Mariese Conceição (UFBA) 2012 3 / 117 . População innita. com resultados satisfatórios.Amostragem Razões Para Fazer Amostragem Economia.

Mais fácil. Menor tempo. Maior qualidade nos dados levantados. com resultados satisfatórios. População innita.Amostragem Razões Para Fazer Amostragem Economia. Profa Mariese Conceição (UFBA) 2012 3 / 117 .

Mais fácil.Amostragem Razões Para Fazer Amostragem Economia. Menor tempo. Profa Mariese Conceição (UFBA) 2012 3 / 117 . com resultados satisfatórios. População innita. Maior qualidade nos dados levantados.

População innita. com resultados satisfatórios. Maior qualidade nos dados levantados. Mais fácil. Menor tempo. Profa Mariese Conceição (UFBA) 2012 3 / 117 .Amostragem Razões Para Fazer Amostragem Economia.

Maior qualidade nos dados levantados. Profa Mariese Conceição (UFBA) 2012 3 / 117 . com resultados satisfatórios. População innita.Amostragem Razões Para Fazer Amostragem Economia. Menor tempo. Mais fácil.

Profa Mariese Conceição (UFBA) 2012 4 / 117 . ou seja. o tamanho da amostra é grande com relação ao da população. Quando se exige o resultado exato. Quando já se dispõe dos dados da população.Amostragem Razões Para Fazer Censo População pequena.

o tamanho da amostra é grande com relação ao da população.Amostragem Razões Para Fazer Censo População pequena. Quando já se dispõe dos dados da população. Quando se exige o resultado exato. Profa Mariese Conceição (UFBA) 2012 4 / 117 . ou seja.

Quando se exige o resultado exato.Amostragem Razões Para Fazer Censo População pequena. Profa Mariese Conceição (UFBA) 2012 4 / 117 . Quando já se dispõe dos dados da população. ou seja. o tamanho da amostra é grande com relação ao da população.

Amostragem Profa Mariese Conceição (UFBA) Razões Para Fazer Censo 2012 5 / 117 .

pois as amostras não-probabilísticas não garantem a representatividade da população. Não é possível generalizar os resultados das pesquisas para a população. podendo alguns elementos da população ter probabilidade nula de pertencer à amostra. Amostragem Não Probabilística a probabilidade da seleção é desconhecida para alguns ou todos os elementos da população.Amostragem Razões Para Fazer Censo Amostragem Probabilística é o processo de seleção de uma amostra no qual cada unidade amostral da população tem probabilidade diferente de zero e conhecida de pertencer à amostra. Profa Mariese Conceição (UFBA) 2012 6 / 117 .

pois as amostras não-probabilísticas não garantem a representatividade da população. Amostragem Não Probabilística a probabilidade da seleção é desconhecida para alguns ou todos os elementos da população. Não é possível generalizar os resultados das pesquisas para a população.Amostragem Razões Para Fazer Censo Amostragem Probabilística é o processo de seleção de uma amostra no qual cada unidade amostral da população tem probabilidade diferente de zero e conhecida de pertencer à amostra. Profa Mariese Conceição (UFBA) 2012 6 / 117 . podendo alguns elementos da população ter probabilidade nula de pertencer à amostra.

Amostragem Sistemática. Profa Mariese Conceição (UFBA) 2012 7 / 117 . Amostragem por Conglomerado.Amostragem Tipos de amostragem Amostragem Aleatória Simples. Amostragem Estraticada.

Profa Mariese Conceição (UFBA) 2012 7 / 117 . Amostragem Estraticada. Amostragem por Conglomerado. Amostragem Sistemática.Amostragem Tipos de amostragem Amostragem Aleatória Simples.

Amostragem Sistemática. Amostragem Estraticada. Profa Mariese Conceição (UFBA) 2012 7 / 117 . Amostragem por Conglomerado.Amostragem Tipos de amostragem Amostragem Aleatória Simples.

Amostragem Estraticada. Amostragem por Conglomerado. Profa Mariese Conceição (UFBA) 2012 7 / 117 .Amostragem Tipos de amostragem Amostragem Aleatória Simples. Amostragem Sistemática.

Profa Mariese Conceição (UFBA) 2012 8 / 117 .Amostragem Tipos de amostragem Amostragem Aleatória Simples É uma técnica em que todos os elementos da população tem igual probabilidade de ser escolhido para fazer parte de uma amostra. Faz-se uma lista da população e sorteiam-se os elementos que farão parte da amostra. Pode-se utilizar uma tabela de números aleatórios.

Faz-se uma lista da população e sorteiam-se os elementos que farão parte da amostra. Profa Mariese Conceição (UFBA) 2012 8 / 117 .Amostragem Tipos de amostragem Amostragem Aleatória Simples É uma técnica em que todos os elementos da população tem igual probabilidade de ser escolhido para fazer parte de uma amostra. Pode-se utilizar uma tabela de números aleatórios.

Profa Mariese Conceição (UFBA) 2012 8 / 117 . Pode-se utilizar uma tabela de números aleatórios.Amostragem Tipos de amostragem Amostragem Aleatória Simples É uma técnica em que todos os elementos da população tem igual probabilidade de ser escolhido para fazer parte de uma amostra. Faz-se uma lista da população e sorteiam-se os elementos que farão parte da amostra.

ou seja. uma grande variabilidade. ou seja. Estes municípios podem ser divididos em pequenos. uma pequena variabilidade. entre os estratos há uma grande heterogeneidade.Amostragem Tipos de amostragem Amostragem Estraticada Uma amostra estraticada é obtida separando-se as unidades da população em grupos não superpostos chamados estratos. Quem são os estratos? Profa Mariese Conceição (UFBA) 2012 9 / 117 . Sorteia-se amostras dentro de cada um dos municípios. Exemplo Considere a população constituída pelos 415 municípios do estado da Bahia. médios e grandes segundo sua receita orçamentária. e selecionando-se independentemente uma amostra aleatória simples de cada estrato. A amostragem por estraticação tem as seguintes características: dentro de cada estrato há uma grande homogeneidade.

ou seja. ou seja. Exemplo Considere a população constituída pelos 415 municípios do estado da Bahia. entre os estratos há uma grande heterogeneidade. Estes municípios podem ser divididos em pequenos.Amostragem Tipos de amostragem Amostragem Estraticada Uma amostra estraticada é obtida separando-se as unidades da população em grupos não superpostos chamados estratos. A amostragem por estraticação tem as seguintes características: dentro de cada estrato há uma grande homogeneidade. Quem são os estratos? Profa Mariese Conceição (UFBA) 2012 9 / 117 . Sorteia-se amostras dentro de cada um dos municípios. e selecionando-se independentemente uma amostra aleatória simples de cada estrato. uma pequena variabilidade. médios e grandes segundo sua receita orçamentária. uma grande variabilidade.

e selecionando-se independentemente uma amostra aleatória simples de cada estrato. A amostragem por estraticação tem as seguintes características: dentro de cada estrato há uma grande homogeneidade.Amostragem Tipos de amostragem Amostragem Estraticada Uma amostra estraticada é obtida separando-se as unidades da população em grupos não superpostos chamados estratos. Sorteia-se amostras dentro de cada um dos municípios. uma pequena variabilidade. entre os estratos há uma grande heterogeneidade. Estes municípios podem ser divididos em pequenos. ou seja. Quem são os estratos? Profa Mariese Conceição (UFBA) 2012 9 / 117 . ou seja. médios e grandes segundo sua receita orçamentária. uma grande variabilidade. Exemplo Considere a população constituída pelos 415 municípios do estado da Bahia.

Quem são os estratos? Profa Mariese Conceição (UFBA) 2012 9 / 117 . médios e grandes segundo sua receita orçamentária.Amostragem Tipos de amostragem Amostragem Estraticada Uma amostra estraticada é obtida separando-se as unidades da população em grupos não superpostos chamados estratos. ou seja. entre os estratos há uma grande heterogeneidade. e selecionando-se independentemente uma amostra aleatória simples de cada estrato. Exemplo Considere a população constituída pelos 415 municípios do estado da Bahia. Sorteia-se amostras dentro de cada um dos municípios. ou seja. uma grande variabilidade. uma pequena variabilidade. Estes municípios podem ser divididos em pequenos. A amostragem por estraticação tem as seguintes características: dentro de cada estrato há uma grande homogeneidade.

etc.Amostragem Tipos de amostragem Amostragem por Conglomerados é quando dividimos a área da população em seções distintas chamadas de conglomerados. grande homogeneidade. uma grande variabilidade. entre os conglomerados há uma pequena variabilidade. Os conglomerados possuem as seguintes características: dentro de cada conglomerado há uma grande heterogeneidade. ou seja. sorteamos algumas delas e as amostras serão selecionadas dentro destas. Exemplos: quarteirões. Profa Mariese Conceição (UFBA) 2012 10 / 117 . bairros. ou seja. residências famílias.

grande homogeneidade. sorteamos algumas delas e as amostras serão selecionadas dentro destas. entre os conglomerados há uma pequena variabilidade. Os conglomerados possuem as seguintes características: dentro de cada conglomerado há uma grande heterogeneidade. bairros. ou seja. Exemplos: quarteirões. uma grande variabilidade. etc.Amostragem Tipos de amostragem Amostragem por Conglomerados é quando dividimos a área da população em seções distintas chamadas de conglomerados. ou seja. Profa Mariese Conceição (UFBA) 2012 10 / 117 . residências famílias.

bairros. Os conglomerados possuem as seguintes características: dentro de cada conglomerado há uma grande heterogeneidade.Amostragem Tipos de amostragem Amostragem por Conglomerados é quando dividimos a área da população em seções distintas chamadas de conglomerados. grande homogeneidade. etc. ou seja. ou seja. residências famílias. sorteamos algumas delas e as amostras serão selecionadas dentro destas. Profa Mariese Conceição (UFBA) 2012 10 / 117 . uma grande variabilidade. Exemplos: quarteirões. entre os conglomerados há uma pequena variabilidade.

Amostragem Profa Mariese Conceição (UFBA) Tipos de amostragem 2012 11 / 117 .

Profa Mariese Conceição (UFBA) 2012 12 / 117 . chamamos esta ordenação de s = Nn .Amostragem Tipos de amostragem Amostragem Sistemática Os elementos da população são ordenados de acordo com uma numeração estabelecida. chamamos este número de m que é o primeiro número da amostra. Sorteamos um número dentro desta ordenação. O n-ésimo elemento da amostra é o número (n − 1)s + m. O segundo elemento da amostra é o número s + m.

O segundo elemento da amostra é o número s + m. O n-ésimo elemento da amostra é o número (n − 1)s + m. Sorteamos um número dentro desta ordenação.Amostragem Tipos de amostragem Amostragem Sistemática Os elementos da população são ordenados de acordo com uma numeração estabelecida. Profa Mariese Conceição (UFBA) 2012 12 / 117 . chamamos este número de m que é o primeiro número da amostra. chamamos esta ordenação de s = Nn .

Amostragem Tipos de amostragem Amostragem Sistemática Os elementos da população são ordenados de acordo com uma numeração estabelecida. chamamos esta ordenação de s = Nn . O segundo elemento da amostra é o número s + m. chamamos este número de m que é o primeiro número da amostra. O n-ésimo elemento da amostra é o número (n − 1)s + m. Profa Mariese Conceição (UFBA) 2012 12 / 117 . Sorteamos um número dentro desta ordenação.

chamamos esta ordenação de s = Nn . Sorteamos um número dentro desta ordenação. chamamos este número de m que é o primeiro número da amostra. O segundo elemento da amostra é o número s + m. O n-ésimo elemento da amostra é o número (n − 1)s + m.Amostragem Tipos de amostragem Amostragem Sistemática Os elementos da população são ordenados de acordo com uma numeração estabelecida. Profa Mariese Conceição (UFBA) 2012 12 / 117 .

Amostragem Tipos de amostragem Exemplo Seja uma população com N = 1000 elementos ordenados. Logo temos: 1o elemento da amostra 3. 2o elemento da amostra 10 + 3. 100o elemento da amostra 99 ∗ 10 + 3 = 993. s= 1000 100 = 10 Sorteamos um número 1 ≤ m ≤ s = 10. 3o elemento da amostra 2 ∗ 10 + 3 = 23. retire uma amostra sistemática de tamanho 100. Suponhamos que este número seja 3. Profa Mariese Conceição (UFBA) 2012 13 / 117 .

3o elemento da amostra 2 ∗ 10 + 3 = 23. 100o elemento da amostra 99 ∗ 10 + 3 = 993. Profa Mariese Conceição (UFBA) 2012 13 / 117 . Suponhamos que este número seja 3. retire uma amostra sistemática de tamanho 100. 2o elemento da amostra 10 + 3. s= 1000 100 = 10 Sorteamos um número 1 ≤ m ≤ s = 10.Amostragem Tipos de amostragem Exemplo Seja uma população com N = 1000 elementos ordenados. Logo temos: 1o elemento da amostra 3.

Profa Mariese Conceição (UFBA) 2012 13 / 117 . 3o elemento da amostra 2 ∗ 10 + 3 = 23. Suponhamos que este número seja 3.Amostragem Tipos de amostragem Exemplo Seja uma população com N = 1000 elementos ordenados. Logo temos: 1o elemento da amostra 3. 2o elemento da amostra 10 + 3. s= 1000 100 = 10 Sorteamos um número 1 ≤ m ≤ s = 10. retire uma amostra sistemática de tamanho 100. 100o elemento da amostra 99 ∗ 10 + 3 = 993.

retire uma amostra sistemática de tamanho 100. 2o elemento da amostra 10 + 3.Amostragem Tipos de amostragem Exemplo Seja uma população com N = 1000 elementos ordenados. Logo temos: 1o elemento da amostra 3. Suponhamos que este número seja 3. Profa Mariese Conceição (UFBA) 2012 13 / 117 . 3o elemento da amostra 2 ∗ 10 + 3 = 23. 100o elemento da amostra 99 ∗ 10 + 3 = 993. s= 1000 100 = 10 Sorteamos um número 1 ≤ m ≤ s = 10.

Suponhamos que este número seja 3. retire uma amostra sistemática de tamanho 100. Profa Mariese Conceição (UFBA) 2012 13 / 117 . 3o elemento da amostra 2 ∗ 10 + 3 = 23. s= 1000 100 = 10 Sorteamos um número 1 ≤ m ≤ s = 10.Amostragem Tipos de amostragem Exemplo Seja uma população com N = 1000 elementos ordenados. 100o elemento da amostra 99 ∗ 10 + 3 = 993. 2o elemento da amostra 10 + 3. Logo temos: 1o elemento da amostra 3.

Quanto à natureza as características são classicadas como qualitativas e quantitativas.Variável A medida de cada característica do estudo tem um caráter variável. Os resultados destas observações serão expressos sempre através de valores numéricos. Profa Mariese Conceição (UFBA) 2012 14 / 117 . a altura ou peso dos alunos da UFBA. o rendimento das famílias de salvador e assim por diante. Por exemplo: o salário dos prossionais da indústria.

Ela se classica como: Nominal Caracteriza-se por dados que consistem apenas em nomes. Profa Mariese Conceição (UFBA) 2012 15 / 117 . rótulos ou categorias. classe social. sexo. etc. raça. Ordinal Envolve dados que são dispostos em alguma ordem. estado cívil. Exemplo:nível de escolaridade.Variável Variável Qualitativa Se os resultados das observações são expressos através de categorias que se distinguem por alguma característica não-numérica. Exemplo:cor. etc.

Exemplo:nível de escolaridade. sexo. rótulos ou categorias. Ordinal Envolve dados que são dispostos em alguma ordem. Profa Mariese Conceição (UFBA) 2012 15 / 117 . Exemplo:cor. estado cívil. etc. Ela se classica como: Nominal Caracteriza-se por dados que consistem apenas em nomes. etc. raça.Variável Variável Qualitativa Se os resultados das observações são expressos através de categorias que se distinguem por alguma característica não-numérica. classe social.

Ordinal Envolve dados que são dispostos em alguma ordem.Variável Variável Qualitativa Se os resultados das observações são expressos através de categorias que se distinguem por alguma característica não-numérica. Ela se classica como: Nominal Caracteriza-se por dados que consistem apenas em nomes. etc. sexo. classe social. estado cívil. etc. Exemplo:cor. raça. Profa Mariese Conceição (UFBA) 2012 15 / 117 . rótulos ou categorias. Exemplo:nível de escolaridade.

Variável Variável Quantitativa Se os resultados das observações são expressos sempre através de números que representam contagens ou medidas. Ela é dividida em: Discreta Quando os resultados possíveis da observação formam um conjunto nito ou innito enumerável de números e que resultam. Exemplo: Número de lhos. número de alunos. comprimento. Contínua Pode assumir qualquer valor pertencente a um determinado intervalo do conjunto dos números reais e que resultam. altura. etc. peso.etc. Profa Mariese Conceição (UFBA) 2012 16 / 117 . normalmente. Exemplo: Salário mensal. idade (em anos completos). frequentemente de uma contagem. de uma mensuração (medição).

normalmente.Variável Variável Quantitativa Se os resultados das observações são expressos sempre através de números que representam contagens ou medidas.etc. peso. Profa Mariese Conceição (UFBA) 2012 16 / 117 . Exemplo: Salário mensal. frequentemente de uma contagem. Exemplo: Número de lhos. de uma mensuração (medição). Contínua Pode assumir qualquer valor pertencente a um determinado intervalo do conjunto dos números reais e que resultam. Ela é dividida em: Discreta Quando os resultados possíveis da observação formam um conjunto nito ou innito enumerável de números e que resultam. idade (em anos completos). altura. comprimento. etc. número de alunos.

idade (em anos completos). número de alunos. peso. altura. normalmente.Variável Variável Quantitativa Se os resultados das observações são expressos sempre através de números que representam contagens ou medidas. Profa Mariese Conceição (UFBA) 2012 16 / 117 . Exemplo: Salário mensal. Ela é dividida em: Discreta Quando os resultados possíveis da observação formam um conjunto nito ou innito enumerável de números e que resultam. Exemplo: Número de lhos. etc. frequentemente de uma contagem. de uma mensuração (medição).etc. Contínua Pode assumir qualquer valor pertencente a um determinado intervalo do conjunto dos números reais e que resultam. comprimento.

Variável Outra maneira de classicar dados é usando as escalas de mensuração. Intervalar. Profa Mariese Conceição (UFBA) 2012 17 / 117 . Razão. Quanto a mensuração as variáveis podem ser classicadas como: Nominal. Ordinal.

Razão. Intervalar. Profa Mariese Conceição (UFBA) 2012 17 / 117 . Ordinal. Quanto a mensuração as variáveis podem ser classicadas como: Nominal.Variável Outra maneira de classicar dados é usando as escalas de mensuração.

Intervalar. Razão. Profa Mariese Conceição (UFBA) 2012 17 / 117 .Variável Outra maneira de classicar dados é usando as escalas de mensuração. Ordinal. Quanto a mensuração as variáveis podem ser classicadas como: Nominal.

Razão. Quanto a mensuração as variáveis podem ser classicadas como: Nominal. Intervalar. Profa Mariese Conceição (UFBA) 2012 17 / 117 .Variável Outra maneira de classicar dados é usando as escalas de mensuração. Ordinal.

etc. Exemplo: peso. preço. Para valores nessa escala. as diferenças e razões. a distância entre duas cidades.etc. não existe ponto inicial natural e as razões não têm sentido. duração em minutos de um lme. Profa Mariese Conceição (UFBA) 2012 18 / 117 .Variável Intervalar É como o nível ordinal. Exemplo: a medição da temperatura. o calendário. mas as diferenças são signicativas. Razão É o nível intervalar com a propriedade adicional de que há um ponto inicial. são ambas. signicativas. zero natural.

Para valores nessa escala. a distância entre duas cidades.etc. Exemplo: a medição da temperatura.Variável Intervalar É como o nível ordinal. mas as diferenças são signicativas. o calendário. Razão É o nível intervalar com a propriedade adicional de que há um ponto inicial. duração em minutos de um lme. signicativas. as diferenças e razões. são ambas.etc. não existe ponto inicial natural e as razões não têm sentido. Exemplo: peso. Profa Mariese Conceição (UFBA) 2012 18 / 117 . zero natural. preço.

ainda. fazer previsões. permitem a comparação com outros elementos ou. o que obtemos como resultado é chamado de série estatística.Apresentação dos Dados Quando realizamos um levantamento de dados sobre um fenômeno ou variável. Profa Mariese Conceição (UFBA) 2012 19 / 117 . O modo de condensação ou apresentação das informações pode ser na forma de tabelas ou de grácos que facilitam a visualização do fenômeno.

o que obtemos como resultado é chamado de série estatística. O modo de condensação ou apresentação das informações pode ser na forma de tabelas ou de grácos que facilitam a visualização do fenômeno.Apresentação dos Dados Quando realizamos um levantamento de dados sobre um fenômeno ou variável. fazer previsões. Profa Mariese Conceição (UFBA) 2012 19 / 117 . ainda. permitem a comparação com outros elementos ou.

Geográca. Mista ou tabela de dupla entrada. o local e o fato. Profa Mariese Conceição (UFBA) 2012 20 / 117 . Tipos de séries: Temporal. devemos levar em consideração os elementos que a compõe:a época.Apresentação dos Dados Para fazermos a diferenciação de uma série estatística para outra. Especíca.

Profa Mariese Conceição (UFBA) 2012 20 / 117 . Geográca. Tipos de séries: Temporal.Apresentação dos Dados Para fazermos a diferenciação de uma série estatística para outra. Especíca. devemos levar em consideração os elementos que a compõe:a época. Mista ou tabela de dupla entrada. o local e o fato.

Geográca. Tipos de séries: Temporal. Mista ou tabela de dupla entrada. Profa Mariese Conceição (UFBA) 2012 20 / 117 . Especíca.Apresentação dos Dados Para fazermos a diferenciação de uma série estatística para outra. o local e o fato. devemos levar em consideração os elementos que a compõe:a época.

o local e o fato. Tipos de séries: Temporal. Geográca.Apresentação dos Dados Para fazermos a diferenciação de uma série estatística para outra. devemos levar em consideração os elementos que a compõe:a época. Especíca. Mista ou tabela de dupla entrada. Profa Mariese Conceição (UFBA) 2012 20 / 117 .

o mês. o século. como o dia. Profa Mariese Conceição (UFBA) 2012 21 / 117 . etc. o ano.Apresentação dos Dados Série Temporal ou Histórica Identica-se pelo caráter variável do fator cronológico como a fração do tempo.

Profa Mariese Conceição (UFBA) 2012 22 / 117 .Apresentação dos Dados Série Geográca Apresenta como elemento variável somente o fator geográco.

Apresentação dos Dados Série Especíca Também chamada série categórica. apresenta como elemento ou caráter variável o fenômeno. Profa Mariese Conceição (UFBA) 2012 23 / 117 .

Apresentação dos Dados Série Mista ou Tabela de Dupla entrada É apropriada à apresentação de duas ou mais séries de maneira conjugada. Profa Mariese Conceição (UFBA) 2012 24 / 117 .

Profa Mariese Conceição (UFBA) 2012 25 / 117 . Fonte. facilitando a compreensão das conclusões da análise apresentadas ao leitor. Coluna indicadora. Corpo da tabela.Apresentação dos Dados Apresentação Tabular das Séries Estatísticas Dispõe os dados de uma forma ordenada e resumida. Cabeçalho. Uma tabela é constituída dos seguintes elementos: Título (O que? Quando? Onde?).

Corpo da tabela. Coluna indicadora. facilitando a compreensão das conclusões da análise apresentadas ao leitor. Fonte. Cabeçalho. Uma tabela é constituída dos seguintes elementos: Título (O que? Quando? Onde?). Profa Mariese Conceição (UFBA) 2012 25 / 117 .Apresentação dos Dados Apresentação Tabular das Séries Estatísticas Dispõe os dados de uma forma ordenada e resumida.

Corpo da tabela. Fonte. facilitando a compreensão das conclusões da análise apresentadas ao leitor. Coluna indicadora. Cabeçalho. Profa Mariese Conceição (UFBA) 2012 25 / 117 . Uma tabela é constituída dos seguintes elementos: Título (O que? Quando? Onde?).Apresentação dos Dados Apresentação Tabular das Séries Estatísticas Dispõe os dados de uma forma ordenada e resumida.

Corpo da tabela. Uma tabela é constituída dos seguintes elementos: Título (O que? Quando? Onde?). facilitando a compreensão das conclusões da análise apresentadas ao leitor. Fonte.Apresentação dos Dados Apresentação Tabular das Séries Estatísticas Dispõe os dados de uma forma ordenada e resumida. Coluna indicadora. Cabeçalho. Profa Mariese Conceição (UFBA) 2012 25 / 117 .

Coluna indicadora. Profa Mariese Conceição (UFBA) 2012 25 / 117 . Fonte.Apresentação dos Dados Apresentação Tabular das Séries Estatísticas Dispõe os dados de uma forma ordenada e resumida. facilitando a compreensão das conclusões da análise apresentadas ao leitor. Uma tabela é constituída dos seguintes elementos: Título (O que? Quando? Onde?). Corpo da tabela. Cabeçalho.

Apresentação dos Dados Profa Mariese Conceição (UFBA) Apresentação Tabular das Séries Estatísticas 2012 26 / 117 .

Profa Mariese Conceição (UFBA) 2012 27 / 117 .Apresentação dos Dados Apresentação Tabular das Séries Estatísticas As tabelas podem ser simples e de dupla entrada (série mista). Elementos complementares de uma tabela: Nota Informações gerais para esclarecer o conteúdo das tabelas. Chamadas Esclarecer minúcias em relação às células. colunas ou linhas da tabela.

Profa Mariese Conceição (UFBA) 2012 27 / 117 . Elementos complementares de uma tabela: Nota Informações gerais para esclarecer o conteúdo das tabelas. Chamadas Esclarecer minúcias em relação às células.Apresentação dos Dados Apresentação Tabular das Séries Estatísticas As tabelas podem ser simples e de dupla entrada (série mista). colunas ou linhas da tabela.

Numerar as tabelas quando em quantidade. Profa Mariese Conceição (UFBA) 2012 28 / 117 . Uniformidade com o número de casas decimais.ou . por traços verticais. mas não está disponível. . ou com . A tabela não deve ser delineada à direita e à esquerda. Totais e subtotais destacados.Apresentação dos Dados Cuidados a Serem Tomados Nenhuma célula deve car em branco. . se o dado não existe ou se o dado existe.

Apresentação dos Dados Cuidados a Serem Tomados Nenhuma célula deve car em branco. . se o dado não existe ou se o dado existe. mas não está disponível. Profa Mariese Conceição (UFBA) 2012 28 / 117 . Numerar as tabelas quando em quantidade. . Uniformidade com o número de casas decimais. ou com . Totais e subtotais destacados. A tabela não deve ser delineada à direita e à esquerda.ou . por traços verticais.

se o dado não existe ou se o dado existe. . Uniformidade com o número de casas decimais.Apresentação dos Dados Cuidados a Serem Tomados Nenhuma célula deve car em branco. Numerar as tabelas quando em quantidade. Profa Mariese Conceição (UFBA) 2012 28 / 117 .ou . A tabela não deve ser delineada à direita e à esquerda. . por traços verticais. Totais e subtotais destacados. ou com . mas não está disponível.

por traços verticais. A tabela não deve ser delineada à direita e à esquerda.ou . Numerar as tabelas quando em quantidade. Uniformidade com o número de casas decimais.Apresentação dos Dados Cuidados a Serem Tomados Nenhuma célula deve car em branco. se o dado não existe ou se o dado existe. Profa Mariese Conceição (UFBA) 2012 28 / 117 . . mas não está disponível. ou com . . Totais e subtotais destacados.

. A tabela não deve ser delineada à direita e à esquerda. Numerar as tabelas quando em quantidade. por traços verticais. se o dado não existe ou se o dado existe. Totais e subtotais destacados.Apresentação dos Dados Cuidados a Serem Tomados Nenhuma célula deve car em branco. Profa Mariese Conceição (UFBA) 2012 28 / 117 . mas não está disponível.ou . . Uniformidade com o número de casas decimais. ou com .

setor. Representação gráca: normas e tipos (barra.Próxima Aula Apresentar a distribuição de frequência juntamente com os elementos que a compõe. linhas. Profa Mariese Conceição (UFBA) 2012 29 / 117 . coluna. histograma).

Próxima Aula Apresentar a distribuição de frequência juntamente com os elementos que a compõe. coluna. Representação gráca: normas e tipos (barra. histograma). Profa Mariese Conceição (UFBA) 2012 29 / 117 . linhas. setor.

o maior interesse do pesquisador é conhecer o comportamento dessa variável. O fenômeno considerado é uma variável qualitativa ou quantitativa e seus valores observados são descritos considerando o número de vezes que ocorreram na série (frequência). para se ter uma idéia global sobre ela. Profa Mariese Conceição (UFBA) 2012 30 / 117 . Veremos uma maneira de se dispor um conjunto de realizações. Neste tipo de série o tempo. o local e o fenômeno permanecem xos. analisando a ocorrência de suas possíveis realizações. ou seja.Distribuição de Frequência Quando se estuda uma variável. de sua distribuição.

ou seja. Profa Mariese Conceição (UFBA) 2012 30 / 117 . O fenômeno considerado é uma variável qualitativa ou quantitativa e seus valores observados são descritos considerando o número de vezes que ocorreram na série (frequência). para se ter uma idéia global sobre ela. Neste tipo de série o tempo. o maior interesse do pesquisador é conhecer o comportamento dessa variável. o local e o fenômeno permanecem xos. de sua distribuição. analisando a ocorrência de suas possíveis realizações.Distribuição de Frequência Quando se estuda uma variável. Veremos uma maneira de se dispor um conjunto de realizações.

Neste tipo de série o tempo. para se ter uma idéia global sobre ela. Veremos uma maneira de se dispor um conjunto de realizações. O fenômeno considerado é uma variável qualitativa ou quantitativa e seus valores observados são descritos considerando o número de vezes que ocorreram na série (frequência). ou seja. o local e o fenômeno permanecem xos. Profa Mariese Conceição (UFBA) 2012 30 / 117 . de sua distribuição. o maior interesse do pesquisador é conhecer o comportamento dessa variável.Distribuição de Frequência Quando se estuda uma variável. analisando a ocorrência de suas possíveis realizações.

O fenômeno considerado é uma variável qualitativa ou quantitativa e seus valores observados são descritos considerando o número de vezes que ocorreram na série (frequência). ou seja. Profa Mariese Conceição (UFBA) 2012 30 / 117 . de sua distribuição.Distribuição de Frequência Quando se estuda uma variável. Veremos uma maneira de se dispor um conjunto de realizações. analisando a ocorrência de suas possíveis realizações. o maior interesse do pesquisador é conhecer o comportamento dessa variável. para se ter uma idéia global sobre ela. Neste tipo de série o tempo. o local e o fenômeno permanecem xos.

Distribuição de Frequência Profa Mariese Conceição (UFBA) 2012 31 / 117 .

Distribuição de Frequência Profa Mariese Conceição (UFBA) Tipos de Frequência 2012 32 / 117 .

Observe que: n X i =1 Profa Mariese Conceição (UFBA) fi =n 2012 33 / 117 . Notação: fi .Distribuição de Frequência Tipos de Frequência Frequência Simples Absoluta É o número de ocorrências ou repetições de um valor individual ou um intervalo de valores.

Distribuição de Frequência Tipos de Frequência Frequência Simples Relativa É a razão entre a frequência simples absoluta e o número total de dados. Notação: fri . Profa Mariese Conceição (UFBA) 2012 34 / 117 .

Distribuição de Frequência Tipos de Frequência Frequência Acumulada "Abaixo de" Absoluta É a soma da frequência "abaixo de" e de todas as classes que a antecedem. Frequência Acumulada "Abaixo de" Relativa É a razão entre a frequência "abaixo de" e o número total de dados. Notação: fabri . Notação: fabi . Profa Mariese Conceição (UFBA) 2012 35 / 117 .

Notação: fabri . Notação: fabi . Frequência Acumulada "Abaixo de" Relativa É a razão entre a frequência "abaixo de" e o número total de dados.Distribuição de Frequência Tipos de Frequência Frequência Acumulada "Abaixo de" Absoluta É a soma da frequência "abaixo de" e de todas as classes que a antecedem. Profa Mariese Conceição (UFBA) 2012 35 / 117 .

Notação: faari . Profa Mariese Conceição (UFBA) 2012 36 / 117 . Frequência Acumulada "Acima de" Relativa É a razão entre a frequência "acima de" e o número total de dados.Distribuição de Frequência Tipos de Frequência Frequência Acumulada "Acima de" Absoluta É a soma da frequência "acima de" e de todas as classes que a sucedem. Notação: faai .

Notação: faari . Notação: faai .Distribuição de Frequência Tipos de Frequência Frequência Acumulada "Acima de" Absoluta É a soma da frequência "acima de" e de todas as classes que a sucedem. Frequência Acumulada "Acima de" Relativa É a razão entre a frequência "acima de" e o número total de dados. Profa Mariese Conceição (UFBA) 2012 36 / 117 .

2.Solteiro. 3.Viúvo.Distribuição de Frequência Tipos de Frequência Exercício Considere numa pesquisa realizada na loja Adoradas.Casado. Estado civil: 1.Divorciado. Profa Mariese Conceição (UFBA) 2012 37 / 117 . Os dados coletados foram: 33411221241141124342 22221414222141112211 Construa a distribuição de frequência considerando os dados acima. cada entrevistado deve indicar o seu estado civil. 4.

Distribuição de Frequência Tipo de Variável Variável Qualitativa Nominal Profa Mariese Conceição (UFBA) 2012 38 / 117 .

Distribuição de Frequência Tipo de Variável Variável Qualitativa Ordinal Profa Mariese Conceição (UFBA) 2012 39 / 117 .

Distribuição de Frequência Tipo de Variável Variável Quantitativa Discreta Profa Mariese Conceição (UFBA) 2012 40 / 117 .

Distribuição de Frequência Tipo de Variável Variável Quantitativa Contínua Profa Mariese Conceição (UFBA) 2012 41 / 117 .

38. 36. 59. 16. 17. 17. nenhuma organização neles. 28. 26. 15. 25. 52. 44. 22. 15. 45. 18. Quando os dados se apresentam na forma como foram coletados são chamados de Dados Brutos ou Tabela Primitiva. 37. 39.Distribuição de Frequência Tipo de Variável Construção da Tabela de Distribuição de Frequências de uma Variável Quantitativa O resultado da coleta de dados para a Loja A. para o fenômeno faixa etária foram: 17. 31. 35. 15. Observe que não houve nenhum tratamento. 19. 35. 43. 17. 14. 23. 24. 32. 72. 34. 27 33 70 37 Os dados acima estão na ordem em que foram pesquisados. 18. 27. 47. Profa Mariese Conceição (UFBA) 2012 42 / 117 . 35.

18. 17. 32. 72. 35. 27 33 70 37 Os dados acima estão na ordem em que foram pesquisados. 18. 37.Distribuição de Frequência Tipo de Variável Construção da Tabela de Distribuição de Frequências de uma Variável Quantitativa O resultado da coleta de dados para a Loja A. 45. Quando os dados se apresentam na forma como foram coletados são chamados de Dados Brutos ou Tabela Primitiva. 35. 15. nenhuma organização neles. 27. 14. 47. 26. 34. 23. 35. 25. para o fenômeno faixa etária foram: 17. 19. 28. 52. 15. 39. 43. 44. 38. 16. 24. Profa Mariese Conceição (UFBA) 2012 42 / 117 . 22. 31. Observe que não houve nenhum tratamento. 17. 59. 15. 17. 36.

47. 15. 24. 36. 34. 14. nenhuma organização neles. 39. 27 33 70 37 Os dados acima estão na ordem em que foram pesquisados. para o fenômeno faixa etária foram: 17. 22. 52. 45. 59. 35. 18. 17. 72. 15. 43.Distribuição de Frequência Tipo de Variável Construção da Tabela de Distribuição de Frequências de uma Variável Quantitativa O resultado da coleta de dados para a Loja A. 35. 31. 23. 25. 38. 32. 17. 16. Quando os dados se apresentam na forma como foram coletados são chamados de Dados Brutos ou Tabela Primitiva. 18. Observe que não houve nenhum tratamento. 27. 15. 19. Profa Mariese Conceição (UFBA) 2012 42 / 117 . 37. 44. 17. 26. 35. 28.

18 28 37 72 Dados Brutos É o conjunto dos dados numéricos obtidos após a coleta dos dados. 23. 38. 32. 36. 47. 26. 16. 17. 34. 15. 22. 33. 70. Profa Mariese Conceição (UFBA) 2012 43 / 117 . 27. 35. 52. 15. 37. 25. 24. 45. 19. Rol É o arranjo dos dados brutos em uma determinada ordem crescente ou decrescente.Distribuição de Frequência Tipo de Variável Organização da Tabela Primitiva ou dados brutos colocando em ordem crescente (também poderia ser em ordem decrescente). 27. 15. 31. Fazendo assim você vai obter uma nova tabela que será chamada agora de rol. 35. 17. 14. 43. 18. 44. 39. 17. 35. 59. 17.

15. 36. 27. 38. 45. 52. 35. 24. 37. 14. 34. 47. 17. 23. 15. 17. 44. 33. Fazendo assim você vai obter uma nova tabela que será chamada agora de rol. Rol É o arranjo dos dados brutos em uma determinada ordem crescente ou decrescente. 18. 31. 39. 35. 17. 19. 32. 16. Profa Mariese Conceição (UFBA) 2012 43 / 117 . 15. 27. 17. 59. 18 28 37 72 Dados Brutos É o conjunto dos dados numéricos obtidos após a coleta dos dados. 25. 22. 70. 26. 43. 35.Distribuição de Frequência Tipo de Variável Organização da Tabela Primitiva ou dados brutos colocando em ordem crescente (também poderia ser em ordem decrescente).

38. 35. Rol É o arranjo dos dados brutos em uma determinada ordem crescente ou decrescente. 45. 16. 17. 15. 32. 59. 17. 36. Profa Mariese Conceição (UFBA) 2012 43 / 117 . 44. 47. 17. 18. 17. 35. 27. 31. 22. 15. 37. 24. 35. 15. 27. 26. 33. Fazendo assim você vai obter uma nova tabela que será chamada agora de rol. 39.Distribuição de Frequência Tipo de Variável Organização da Tabela Primitiva ou dados brutos colocando em ordem crescente (também poderia ser em ordem decrescente). 23. 52. 25. 70. 14. 34. 43. 18 28 37 72 Dados Brutos É o conjunto dos dados numéricos obtidos após a coleta dos dados. 19.

47. 32. 26. 35. 44. 18 28 37 72 Dados Brutos É o conjunto dos dados numéricos obtidos após a coleta dos dados. 24. 70. 23. Profa Mariese Conceição (UFBA) 2012 43 / 117 . 17. 14. 34. 43. 33. 15. 35. 27. 25. 15. 37. Fazendo assim você vai obter uma nova tabela que será chamada agora de rol. 39. 17. 22. 45. 36. 59. 27. 52. Rol É o arranjo dos dados brutos em uma determinada ordem crescente ou decrescente. 31. 35.Distribuição de Frequência Tipo de Variável Organização da Tabela Primitiva ou dados brutos colocando em ordem crescente (também poderia ser em ordem decrescente). 17. 38. 18. 19. 17. 15. 16.

39. 45. 27. 17. 17. 35. 24. 34. 18 28 37 72 Dados Brutos É o conjunto dos dados numéricos obtidos após a coleta dos dados. 44. 19. Rol É o arranjo dos dados brutos em uma determinada ordem crescente ou decrescente. 17. 15. 70. 31. Profa Mariese Conceição (UFBA) 2012 43 / 117 . 33. 14. 35. 36. 27. 38. 47. 37. 23. 59. 22. 18. 17. 15. 35. 26.Distribuição de Frequência Tipo de Variável Organização da Tabela Primitiva ou dados brutos colocando em ordem crescente (também poderia ser em ordem decrescente). 52. 15. 25. 43. 32. 16. Fazendo assim você vai obter uma nova tabela que será chamada agora de rol.

pois estamos utilizando a idade em anos completos. Agrupar os dados torna-se uma opção para facilitar a compreensão e a conveniência do trabalho.Distribuição de Frequência Tipo de Variável Observe que se você elaborar uma tabela com todos esses números estará formando uma séria com 30 linhas. pois ocuparia um espaço muito grande. que seria bem trabalhosa e inconveniente. Então você vai formar pequenos agrupamento e trabalhar cada grupo como se fosse um único valor. Observe que a variável em estudo é quantitativa discreta. Profa Mariese Conceição (UFBA) 2012 44 / 117 .

Distribuição de Frequência Tipo de Variável Observe que se você elaborar uma tabela com todos esses números estará formando uma séria com 30 linhas. que seria bem trabalhosa e inconveniente. pois ocuparia um espaço muito grande. Agrupar os dados torna-se uma opção para facilitar a compreensão e a conveniência do trabalho. Profa Mariese Conceição (UFBA) 2012 44 / 117 . Observe que a variável em estudo é quantitativa discreta. Então você vai formar pequenos agrupamento e trabalhar cada grupo como se fosse um único valor. pois estamos utilizando a idade em anos completos.

Distribuição de Frequência Tipo de Variável Observe que se você elaborar uma tabela com todos esses números estará formando uma séria com 30 linhas. Profa Mariese Conceição (UFBA) 2012 44 / 117 . pois estamos utilizando a idade em anos completos. Agrupar os dados torna-se uma opção para facilitar a compreensão e a conveniência do trabalho. Então você vai formar pequenos agrupamento e trabalhar cada grupo como se fosse um único valor. Observe que a variável em estudo é quantitativa discreta. que seria bem trabalhosa e inconveniente. pois ocuparia um espaço muito grande.

que seria bem trabalhosa e inconveniente.Distribuição de Frequência Tipo de Variável Observe que se você elaborar uma tabela com todos esses números estará formando uma séria com 30 linhas. Observe que a variável em estudo é quantitativa discreta. Então você vai formar pequenos agrupamento e trabalhar cada grupo como se fosse um único valor. Profa Mariese Conceição (UFBA) 2012 44 / 117 . Agrupar os dados torna-se uma opção para facilitar a compreensão e a conveniência do trabalho. pois estamos utilizando a idade em anos completos. pois ocuparia um espaço muito grande.

k 2012 45 / 117 .Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável. Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R .

Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável. k 2012 45 / 117 . Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R .

Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R . k 2012 45 / 117 .Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável.

Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R .Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável. k 2012 45 / 117 .

Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável. k 2012 45 / 117 . Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R .

Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R .Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável. k 2012 45 / 117 .

Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R .Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável. k 2012 45 / 117 .

Distribuição de Frequência Elementos de uma Distribuição de Frequência Amplitude Total (R) É a diferença entre o maior valor e o menor valor observado: R = xmax − xmin Número de classes (k) Representa o total de classes da variável. k 2012 45 / 117 . Amplitude da classe (h) É a divisão inteira entre a amplitude total e o número de classes: h= Profa Mariese Conceição (UFBA) R .

Profa Mariese Conceição (UFBA) 2012 46 / 117 . hi = amplitude do intervalo da classe i. k é o número de classes da distribuição de frequência. li = limite inferior da classe i.Distribuição de Frequência Elementos de uma Distribuição de Frequência Ponto médio da classe (m) Corresponde ao valor que se encontra no centro do intervalo de classe: mi = li + 1 hi 2 em que: mi = ponto médio da classe i.

k é o número de classes da distribuição de frequência. hi = amplitude do intervalo da classe i.Distribuição de Frequência Elementos de uma Distribuição de Frequência Ponto médio da classe (m) Corresponde ao valor que se encontra no centro do intervalo de classe: mi = li + 1 hi 2 em que: mi = ponto médio da classe i. Profa Mariese Conceição (UFBA) 2012 46 / 117 . li = limite inferior da classe i.

k é o número de classes da distribuição de frequência. li = limite inferior da classe i. hi = amplitude do intervalo da classe i.Distribuição de Frequência Elementos de uma Distribuição de Frequência Ponto médio da classe (m) Corresponde ao valor que se encontra no centro do intervalo de classe: mi = li + 1 hi 2 em que: mi = ponto médio da classe i. Profa Mariese Conceição (UFBA) 2012 46 / 117 .

hi = amplitude do intervalo da classe i.Distribuição de Frequência Elementos de uma Distribuição de Frequência Ponto médio da classe (m) Corresponde ao valor que se encontra no centro do intervalo de classe: mi = li + 1 hi 2 em que: mi = ponto médio da classe i. k é o número de classes da distribuição de frequência. li = limite inferior da classe i. Profa Mariese Conceição (UFBA) 2012 46 / 117 .

Distribuição de Frequência Elementos de uma Distribuição de Frequência Ponto médio da classe (m) Corresponde ao valor que se encontra no centro do intervalo de classe: mi = li + 1 hi 2 em que: mi = ponto médio da classe i. li = limite inferior da classe i. Profa Mariese Conceição (UFBA) 2012 46 / 117 . k é o número de classes da distribuição de frequência. hi = amplitude do intervalo da classe i.

Cabe ao pesquisador escolher esse número ou recorrer a um dos métodos que existem para calcular esse número. Fórmula de Sturges k = 1 + 3. Profa Mariese Conceição (UFBA) 2012 47 / 117 . Método da Raiz Para n = 25.Distribuição de Frequência Determinação do Número de Classes O número de classes de uma distribuição de frequência depende muito do pesquisador e do seu objetivo com a variável em estudo. K = √ n. k = 5 e para n > 25. 33logn.

Profa Mariese Conceição (UFBA) 2012 47 / 117 . K = √ n. Método da Raiz Para n = 25. 33logn.Distribuição de Frequência Determinação do Número de Classes O número de classes de uma distribuição de frequência depende muito do pesquisador e do seu objetivo com a variável em estudo. k = 5 e para n > 25. Fórmula de Sturges k = 1 + 3. Cabe ao pesquisador escolher esse número ou recorrer a um dos métodos que existem para calcular esse número.

33logn. Cabe ao pesquisador escolher esse número ou recorrer a um dos métodos que existem para calcular esse número.Distribuição de Frequência Determinação do Número de Classes O número de classes de uma distribuição de frequência depende muito do pesquisador e do seu objetivo com a variável em estudo. K = √ n. Profa Mariese Conceição (UFBA) 2012 47 / 117 . k = 5 e para n > 25. Método da Raiz Para n = 25. Fórmula de Sturges k = 1 + 3.

Distribuição de Frequência Determinação do Número de Classes O número de classes de uma distribuição de frequência depende muito do pesquisador e do seu objetivo com a variável em estudo. Profa Mariese Conceição (UFBA) 2012 47 / 117 . 33logn. k = 5 e para n > 25. K = √ n. Método da Raiz Para n = 25. Fórmula de Sturges k = 1 + 3. Cabe ao pesquisador escolher esse número ou recorrer a um dos métodos que existem para calcular esse número.

9 3.8 1.5 2.8 1.9 2.6 1.7 2. 4 Montar a tabela de distribuição de frequências.5 2.3 2.8 3.7 2.0 2.1 1. 3 Calcular a amplitude das classes. Profa Mariese Conceição (UFBA) 2012 48 / 117 .4 3.0 1.6 1.3 1.6 2.7 3.5 1.9 2.0 1.2 3.7 1 Identique o menor e o maior valor do conjunto.1 3.1 2.Distribuição de Frequência Exercício O teor de gordura (g/24 horas) em 43 crianças do Hospital Pediátrico da UFMG encontra-se ordenado abaixo. 0.4 1.9 1.8 1.3 1. Vericar o tamanho da amostra e calcular a amplitude total.9 2.0 2.1 2.0 2.9 4.3 2.0 1. 2 Obtenha o número de classes.8 3.4 2.1 2.3 1.0 3.2 3.

5 2. 3 Calcular a amplitude das classes.0 2.7 2.3 1.1 1.1 2.8 1.6 1.8 1.5 1.4 1.2 3.0 1.7 3.2 3.8 3.0 1.4 2.0 1.7 1 Identique o menor e o maior valor do conjunto.6 2.8 1. 4 Montar a tabela de distribuição de frequências.3 1.1 3.9 2.9 1.7 2.9 2.1 2.8 3.6 1. 0.3 2.4 3. Vericar o tamanho da amostra e calcular a amplitude total. 2 Obtenha o número de classes.9 2. Profa Mariese Conceição (UFBA) 2012 48 / 117 .0 2.9 4.Distribuição de Frequência Exercício O teor de gordura (g/24 horas) em 43 crianças do Hospital Pediátrico da UFMG encontra-se ordenado abaixo.9 3.0 3.3 2.1 2.5 2.3 1.0 2.

7 1 Identique o menor e o maior valor do conjunto. Profa Mariese Conceição (UFBA) 2012 48 / 117 .2 3.5 1.0 1.1 3.3 1.6 1.3 1.3 1.8 1.4 3.0 2.5 2.1 2.7 3.8 1.9 2.8 1.1 1. 3 Calcular a amplitude das classes.3 2.0 2.8 3. 0.5 2. 4 Montar a tabela de distribuição de frequências.0 1.2 3.6 1.7 2.9 4.7 2.1 2.9 3.Distribuição de Frequência Exercício O teor de gordura (g/24 horas) em 43 crianças do Hospital Pediátrico da UFMG encontra-se ordenado abaixo.0 3.0 2.0 1. Vericar o tamanho da amostra e calcular a amplitude total.9 1.4 1.3 2.6 2.8 3. 2 Obtenha o número de classes.9 2.9 2.4 2.1 2.

2 Obtenha o número de classes.0 2.0 2.3 1. 0.1 2.2 3.9 1.9 2.6 1.8 3.6 1.0 1.8 1.3 2.3 1.Distribuição de Frequência Exercício O teor de gordura (g/24 horas) em 43 crianças do Hospital Pediátrico da UFMG encontra-se ordenado abaixo. Profa Mariese Conceição (UFBA) 2012 48 / 117 . Vericar o tamanho da amostra e calcular a amplitude total.4 3. 3 Calcular a amplitude das classes.5 1.0 1.4 1.9 4.9 2.8 1.7 2.0 3.2 3. 4 Montar a tabela de distribuição de frequências.5 2.3 2.5 2.4 2.3 1.1 3.1 2.8 1.0 1.9 3.6 2.1 2.7 1 Identique o menor e o maior valor do conjunto.1 1.7 2.0 2.8 3.9 2.7 3.

Distribuição de Frequência Exercício O teor de gordura (g/24 horas) em 43 crianças do Hospital Pediátrico da UFMG encontra-se ordenado abaixo.0 1.5 2.0 2.2 3. 4 Montar a tabela de distribuição de frequências.3 2. Profa Mariese Conceição (UFBA) 2012 48 / 117 .0 2.3 1. 2 Obtenha o número de classes.6 2.7 2.9 2.9 1.8 3.0 2.0 3.8 3.5 1.2 3.7 3.1 2. 0.9 2.1 1.1 2.3 2.6 1. Vericar o tamanho da amostra e calcular a amplitude total.8 1.8 1.0 1.8 1.9 3.9 4.1 2.0 1.4 1.9 2.7 2.3 1.4 2.3 1.7 1 Identique o menor e o maior valor do conjunto.1 3. 3 Calcular a amplitude das classes.6 1.4 3.5 2.

Veracidade. Clareza. Profa Mariese Conceição (UFBA) 2012 49 / 117 . Os grácos devem obedecer a certos requisitos fundamentais: Simplicidade.Apresentação Gráca É uma forma de apresentação dos dados com o objetivo de produzir uma impressão mais rápida e viva do fenômeno em estudo.

Clareza.Apresentação Gráca É uma forma de apresentação dos dados com o objetivo de produzir uma impressão mais rápida e viva do fenômeno em estudo. Veracidade. Os grácos devem obedecer a certos requisitos fundamentais: Simplicidade. Profa Mariese Conceição (UFBA) 2012 49 / 117 .

Clareza. Veracidade. Profa Mariese Conceição (UFBA) 2012 49 / 117 .Apresentação Gráca É uma forma de apresentação dos dados com o objetivo de produzir uma impressão mais rápida e viva do fenômeno em estudo. Os grácos devem obedecer a certos requisitos fundamentais: Simplicidade.

caso a escala seja muito elevada pode ser feita uma interrupção no eixo. em trabalhos cientícos é comum estar abaixo da gura.Apresentação Gráca Características Indispensáveis Nos Grácos Deve ter título e escala. para ser interpretados sem necessidade de esclarecimentos adicionais no texto. a escala cresce da esquerda para direita e é escrita embaixo do eixo. A escala deve ser iniciada em zero. Profa Mariese Conceição (UFBA) 2012 50 / 117 . O título do gráco pode ser escrito em cima ou abaixo do gráco. a escala cresce de baixo para cima e é escrita à esquerda do eixo. No eixo das ordenadas. No eixo das abscissas.

O título do gráco pode ser escrito em cima ou abaixo do gráco. caso a escala seja muito elevada pode ser feita uma interrupção no eixo. A escala deve ser iniciada em zero. a escala cresce de baixo para cima e é escrita à esquerda do eixo. Profa Mariese Conceição (UFBA) 2012 50 / 117 .Apresentação Gráca Características Indispensáveis Nos Grácos Deve ter título e escala. No eixo das ordenadas. em trabalhos cientícos é comum estar abaixo da gura. a escala cresce da esquerda para direita e é escrita embaixo do eixo. No eixo das abscissas. para ser interpretados sem necessidade de esclarecimentos adicionais no texto.

para ser interpretados sem necessidade de esclarecimentos adicionais no texto. caso a escala seja muito elevada pode ser feita uma interrupção no eixo. A escala deve ser iniciada em zero. a escala cresce de baixo para cima e é escrita à esquerda do eixo. Profa Mariese Conceição (UFBA) 2012 50 / 117 . No eixo das abscissas. em trabalhos cientícos é comum estar abaixo da gura. a escala cresce da esquerda para direita e é escrita embaixo do eixo.Apresentação Gráca Características Indispensáveis Nos Grácos Deve ter título e escala. O título do gráco pode ser escrito em cima ou abaixo do gráco. No eixo das ordenadas.

caso a escala seja muito elevada pode ser feita uma interrupção no eixo. em trabalhos cientícos é comum estar abaixo da gura. O título do gráco pode ser escrito em cima ou abaixo do gráco. a escala cresce da esquerda para direita e é escrita embaixo do eixo. No eixo das abscissas. A escala deve ser iniciada em zero. para ser interpretados sem necessidade de esclarecimentos adicionais no texto.Apresentação Gráca Características Indispensáveis Nos Grácos Deve ter título e escala. Profa Mariese Conceição (UFBA) 2012 50 / 117 . a escala cresce de baixo para cima e é escrita à esquerda do eixo. No eixo das ordenadas.

caso a escala seja muito elevada pode ser feita uma interrupção no eixo. a escala cresce de baixo para cima e é escrita à esquerda do eixo. O título do gráco pode ser escrito em cima ou abaixo do gráco. No eixo das ordenadas. No eixo das abscissas. em trabalhos cientícos é comum estar abaixo da gura. a escala cresce da esquerda para direita e é escrita embaixo do eixo. A escala deve ser iniciada em zero. para ser interpretados sem necessidade de esclarecimentos adicionais no texto.Apresentação Gráca Características Indispensáveis Nos Grácos Deve ter título e escala. Profa Mariese Conceição (UFBA) 2012 50 / 117 .

Apresentação Gráca Características Indispensáveis Nos Grácos Escolher adequadamente as escalas dos eixos para não distorcer a informação que se pretende transmitir. O sistema de eixos e linhas auxiliares devem ser grafados com traço mais claro. As variáveis representadas em cada eixo devem ser identicadas (incluir unidade de medida). use a mesma escala. Exibir no rodapé a fonte que forneceu os dados. Profa Mariese Conceição (UFBA) 2012 51 / 117 . Se o objetivo for comparar as informações de dois os mais grácos.

use a mesma escala. O sistema de eixos e linhas auxiliares devem ser grafados com traço mais claro. Se o objetivo for comparar as informações de dois os mais grácos. Exibir no rodapé a fonte que forneceu os dados. Profa Mariese Conceição (UFBA) 2012 51 / 117 . As variáveis representadas em cada eixo devem ser identicadas (incluir unidade de medida).Apresentação Gráca Características Indispensáveis Nos Grácos Escolher adequadamente as escalas dos eixos para não distorcer a informação que se pretende transmitir.

Profa Mariese Conceição (UFBA) 2012 51 / 117 .Apresentação Gráca Características Indispensáveis Nos Grácos Escolher adequadamente as escalas dos eixos para não distorcer a informação que se pretende transmitir. O sistema de eixos e linhas auxiliares devem ser grafados com traço mais claro. Exibir no rodapé a fonte que forneceu os dados. use a mesma escala. As variáveis representadas em cada eixo devem ser identicadas (incluir unidade de medida). Se o objetivo for comparar as informações de dois os mais grácos.

As variáveis representadas em cada eixo devem ser identicadas (incluir unidade de medida). use a mesma escala. O sistema de eixos e linhas auxiliares devem ser grafados com traço mais claro. Se o objetivo for comparar as informações de dois os mais grácos.Apresentação Gráca Características Indispensáveis Nos Grácos Escolher adequadamente as escalas dos eixos para não distorcer a informação que se pretende transmitir. Profa Mariese Conceição (UFBA) 2012 51 / 117 . Exibir no rodapé a fonte que forneceu os dados.

Apresentação Gráca Tipos de Grácos Existem vários tipos de grácos. Profa Mariese Conceição (UFBA) 2012 52 / 117 . dependendo do tipo de variável a ser representada e da série estatística.

Profa Mariese Conceição (UFBA) 2012 53 / 117 . As frequências devem somar 100%.Apresentação Gráca Tipos de Grácos Gráco de Setores Adequado quando o objetivo for a análise da participação de cada categoria em relação ao total.

Apresentação Gráca Tipos de Grácos Gráco de Setores Adequado quando o objetivo for a análise da participação de cada categoria em relação ao total. As frequências devem somar 100%. Profa Mariese Conceição (UFBA) 2012 53 / 117 .

Apresentação Gráca Tipos de Grácos Gráco de Colunas Compara a distribuição de frequências de uma mesma variável em vários grupos de maneira rápida. Economia de espaço na apresentação. A ordem dos grupos pode ser qualquer. Profa Mariese Conceição (UFBA) 2012 54 / 117 . ou a mais adequadas.

Profa Mariese Conceição (UFBA) 2012 54 / 117 . Economia de espaço na apresentação.Apresentação Gráca Tipos de Grácos Gráco de Colunas Compara a distribuição de frequências de uma mesma variável em vários grupos de maneira rápida. A ordem dos grupos pode ser qualquer. ou a mais adequadas.

ou a mais adequadas. Profa Mariese Conceição (UFBA) 2012 54 / 117 . Economia de espaço na apresentação.Apresentação Gráca Tipos de Grácos Gráco de Colunas Compara a distribuição de frequências de uma mesma variável em vários grupos de maneira rápida. A ordem dos grupos pode ser qualquer.

Apresentação Gráca Tipos de Grácos Gráco de Colunas Profa Mariese Conceição (UFBA) 2012 55 / 117 .

Apresentação Gráca Tipos de Grácos Gráco de Linhas Utilizado quando: Uma das variáveis é o tempo. Existem utuações intensas na série. Profa Mariese Conceição (UFBA) 2012 56 / 117 .

Apresentação Gráca Tipos de Grácos Gráco de Linhas Utilizado quando: Uma das variáveis é o tempo. Existem utuações intensas na série. Profa Mariese Conceição (UFBA) 2012 56 / 117 .

Apresentação Gráca Tipos de Grácos Gráco de Linhas Utilizado quando: Uma das variáveis é o tempo. Profa Mariese Conceição (UFBA) 2012 56 / 117 . Existem utuações intensas na série.

Apresentação Gráca Tipos de Grácos Cartograma As frequências das categorias de uma variável são projetadas nas áreas especícas do mapa. utilizando-se cores ou traçados. Profa Mariese Conceição (UFBA) 2012 57 / 117 .

porém construído com as barras unidas devido ao caráter contínuo dos valores da variável. Representa a distribuição da frequência de um conjunto de dados. Profa Mariese Conceição (UFBA) 2012 58 / 117 .Apresentação Gráca Tipos de Grácos Histograma É um gráco de barras verticais. Dispõe as informações de modo que seja possível a visualização da forma da distribuição de um conjunto de dados e também a percepção da localização do valor central e da dispersão dos dados em torno deste valor central. em que cada barra tem uma área proporcional à frequência correspondente.

Dispõe as informações de modo que seja possível a visualização da forma da distribuição de um conjunto de dados e também a percepção da localização do valor central e da dispersão dos dados em torno deste valor central. Representa a distribuição da frequência de um conjunto de dados. porém construído com as barras unidas devido ao caráter contínuo dos valores da variável.Apresentação Gráca Tipos de Grácos Histograma É um gráco de barras verticais. em que cada barra tem uma área proporcional à frequência correspondente. Profa Mariese Conceição (UFBA) 2012 58 / 117 .

Profa Mariese Conceição (UFBA) 2012 58 / 117 . em que cada barra tem uma área proporcional à frequência correspondente.Apresentação Gráca Tipos de Grácos Histograma É um gráco de barras verticais. Dispõe as informações de modo que seja possível a visualização da forma da distribuição de um conjunto de dados e também a percepção da localização do valor central e da dispersão dos dados em torno deste valor central. porém construído com as barras unidas devido ao caráter contínuo dos valores da variável. Representa a distribuição da frequência de um conjunto de dados.

Apresentação Gráca Tipos de Grácos Histograma Profa Mariese Conceição (UFBA) 2012 59 / 117 .

Apresentação Gráca Tipos de Grácos Histograma Profa Mariese Conceição (UFBA) 2012 60 / 117 .

Apresentação Gráca

Tipos de Grácos

Histograma Classes Desiguais

Profa Mariese Conceição (UFBA)

2012

61 / 117

Medidas de Resumo

São valores que resumem um conjunto de dados. Elas podem ser
classicadas em:
1

Medidas de posição ou localização;

2

Medidas de dispersão ou variabilidade;

3

Medidas de assimetria e curtose.

Profa Mariese Conceição (UFBA)

2012

62 / 117

Medidas de Resumo

São valores que resumem um conjunto de dados. Elas podem ser
classicadas em:
1

Medidas de posição ou localização;

2

Medidas de dispersão ou variabilidade;

3

Medidas de assimetria e curtose.

Profa Mariese Conceição (UFBA)

2012

62 / 117

Medidas de Resumo

São valores que resumem um conjunto de dados. Elas podem ser
classicadas em:
1

Medidas de posição ou localização;

2

Medidas de dispersão ou variabilidade;

3

Medidas de assimetria e curtose.

Profa Mariese Conceição (UFBA)

2012

62 / 117

Medidas de Resumo

Medidas de Posição

As medidas de posição apresentam-se de várias formas, dependendo
daquilo que se pretende conhecer a respeito dos dados estatísticos. As mais
importantes são as medidas de tendência central, as mais utilizadas são:
Média;
Mediana;
Moda.
Também existem as separatrizes, medidas utilizadas para separar ou
dividir um conjunto de dados.
Quartis;
Decis;
Percentis.
Profa Mariese Conceição (UFBA)

2012

63 / 117

medidas utilizadas para separar ou dividir um conjunto de dados. dependendo daquilo que se pretende conhecer a respeito dos dados estatísticos. Decis. as mais utilizadas são: Média. Quartis. Moda. Profa Mariese Conceição (UFBA) 2012 63 / 117 . Mediana. As mais importantes são as medidas de tendência central. Também existem as separatrizes. Percentis.Medidas de Resumo Medidas de Posição As medidas de posição apresentam-se de várias formas.

Também existem as separatrizes. Mediana. Profa Mariese Conceição (UFBA) 2012 63 / 117 . Decis. Quartis. dependendo daquilo que se pretende conhecer a respeito dos dados estatísticos.Medidas de Resumo Medidas de Posição As medidas de posição apresentam-se de várias formas. Moda. medidas utilizadas para separar ou dividir um conjunto de dados. Percentis. As mais importantes são as medidas de tendência central. as mais utilizadas são: Média.

dependendo daquilo que se pretende conhecer a respeito dos dados estatísticos. as mais utilizadas são: Média.Medidas de Resumo Medidas de Posição As medidas de posição apresentam-se de várias formas. Decis. Profa Mariese Conceição (UFBA) 2012 63 / 117 . Quartis. Também existem as separatrizes. medidas utilizadas para separar ou dividir um conjunto de dados. Mediana. Percentis. Moda. As mais importantes são as medidas de tendência central.

Também existem as separatrizes. Quartis. Profa Mariese Conceição (UFBA) 2012 63 / 117 .Medidas de Resumo Medidas de Posição As medidas de posição apresentam-se de várias formas. As mais importantes são as medidas de tendência central. Decis. Mediana. dependendo daquilo que se pretende conhecer a respeito dos dados estatísticos. as mais utilizadas são: Média. medidas utilizadas para separar ou dividir um conjunto de dados. Moda. Percentis.

Quartis. Também existem as separatrizes. Moda. Percentis. medidas utilizadas para separar ou dividir um conjunto de dados. As mais importantes são as medidas de tendência central. dependendo daquilo que se pretende conhecer a respeito dos dados estatísticos. Profa Mariese Conceição (UFBA) 2012 63 / 117 .Medidas de Resumo Medidas de Posição As medidas de posição apresentam-se de várias formas. Mediana. as mais utilizadas são: Média. Decis.

Medidas de Resumo Média É a mais usada para descrever resumidamente uma distribuição de frequência. Profa Mariese Conceição (UFBA) 2012 64 / 117 .9 3.1 Calcule o peso médio dos recém-nascidos. Há vários tipos de médias a mais utilizada é a média aritmética. É o somatório do conjunto de dados dividido pelo tamanho da amostra.0 2.2 2.5 4.0 3.1 3.2 3. 3. X¯ Pn = i =1 xi n Exercício Os dados abaixo referem-se ao peso em kg de 10 recém-nascidos.2 3.8 2. Média Aritmética Simples É um valor que representa um ponto de equilíbrio. Ela pode ser simples ou ponderada.

9 3.8 2. 3.1 Calcule o peso médio dos recém-nascidos.5 4.2 3. Ela pode ser simples ou ponderada.0 3. Há vários tipos de médias a mais utilizada é a média aritmética.2 3. É o somatório do conjunto de dados dividido pelo tamanho da amostra.1 3. Profa Mariese Conceição (UFBA) 2012 64 / 117 . X¯ Pn = i =1 xi n Exercício Os dados abaixo referem-se ao peso em kg de 10 recém-nascidos.Medidas de Resumo Média É a mais usada para descrever resumidamente uma distribuição de frequência.0 2.2 2. Média Aritmética Simples É um valor que representa um ponto de equilíbrio.

3 e 5.0.Dados Brutos É a soma dos produtos de cada valor observado pelo seu respectivo peso. em que as três unidades têm pesos 2. qual será a nota nal deste aluno? Profa Mariese Conceição (UFBA) 2012 65 / 117 . Pn xp ¯ X = Pi =n 1 i i i =1 pi Exercício Um estudante obteve na 1a unidade a nota 7. respectivamente. Logo.0 e na 3a nota 8. A nota nal do semestre é uma média ponderada. dividida pela soma dos pesos.Medidas de Resumo Média Média Aritmética Ponderada . na 2a nota 9.0.

0. A nota nal do semestre é uma média ponderada.Medidas de Resumo Média Média Aritmética Ponderada . Logo. 3 e 5. respectivamente.0 e na 3a nota 8.0. dividida pela soma dos pesos. qual será a nota nal deste aluno? Profa Mariese Conceição (UFBA) 2012 65 / 117 . Pn xp ¯ X = Pi =n 1 i i i =1 pi Exercício Um estudante obteve na 1a unidade a nota 7.Dados Brutos É a soma dos produtos de cada valor observado pelo seu respectivo peso. na 2a nota 9. em que as três unidades têm pesos 2.

Pn xf ¯ X = Pi =n 1 i i i =1 fi Exercício Calcule a duração média da terapia de transfusão em paciente com doença falciforme.Dados Tabulados Quando os dados estão agrupados por frequências os ponderadores serão as frequências. Profa Mariese Conceição (UFBA) 2012 66 / 117 .Medidas de Resumo Média Média Aritmética Ponderada .

Pn xf ¯ X = Pi =n 1 i i i =1 fi Exercício Calcule a duração média da terapia de transfusão em paciente com doença falciforme. Profa Mariese Conceição (UFBA) 2012 66 / 117 .Dados Tabulados Quando os dados estão agrupados por frequências os ponderadores serão as frequências.Medidas de Resumo Média Média Aritmética Ponderada .

a média ca somada (ou subtraída) por essa constante. Multiplicando-se (ou dividindo-se) cada elemento de um conjunto de números por um valor constante e arbitrário. a média ca multiplicada (ou dividida) por essa constante.Medidas de Resumo Média Propriedades Somando-se (ou subtraindo-se) um valor constante e arbitrário a cada um dos elementos de um conjunto de números. Profa Mariese Conceição (UFBA) 2012 67 / 117 .

Medidas de Resumo

Média

Propriedades

Somando-se (ou subtraindo-se) um valor constante e arbitrário a cada
um dos elementos de um conjunto de números, a média ca somada
(ou subtraída) por essa constante;
Multiplicando-se (ou dividindo-se) cada elemento de um conjunto de
números por um valor constante e arbitrário, a média ca multiplicada
(ou dividida) por essa constante.

Profa Mariese Conceição (UFBA)

2012

67 / 117

Medidas de Resumo

Média

A média é um valor típico, característico, do conjunto de dados;
É a principal medida de tendência central;
Leva em consideração todas as observações efetuadas;
Porém é sensível a valores excessivamente pequenos ou grandes, em
relação às demais observações do conjunto de dados.
Exercício O salário médio mensal de cinco empregados de uma certa
empresa.
Dados em reais: 123 145 210 225 2.500
Profa Mariese Conceição (UFBA)

2012

68 / 117

Medidas de Resumo

Média

A média é um valor típico, característico, do conjunto de dados;
É a principal medida de tendência central;
Leva em consideração todas as observações efetuadas;
Porém é sensível a valores excessivamente pequenos ou grandes, em
relação às demais observações do conjunto de dados.
Exercício O salário médio mensal de cinco empregados de uma certa
empresa.
Dados em reais: 123 145 210 225 2.500
Profa Mariese Conceição (UFBA)

2012

68 / 117

Medidas de Resumo

Média

A média é um valor típico, característico, do conjunto de dados;
É a principal medida de tendência central;
Leva em consideração todas as observações efetuadas;
Porém é sensível a valores excessivamente pequenos ou grandes, em
relação às demais observações do conjunto de dados.
Exercício O salário médio mensal de cinco empregados de uma certa
empresa.
Dados em reais: 123 145 210 225 2.500
Profa Mariese Conceição (UFBA)

2012

68 / 117

Medidas de Resumo

Média

A média é um valor típico, característico, do conjunto de dados;
É a principal medida de tendência central;
Leva em consideração todas as observações efetuadas;
Porém é sensível a valores excessivamente pequenos ou grandes, em
relação às demais observações do conjunto de dados.
Exercício O salário médio mensal de cinco empregados de uma certa
empresa.
Dados em reais: 123 145 210 225 2.500
Profa Mariese Conceição (UFBA)

2012

68 / 117

Medidas de Resumo Média A média é um valor típico. do conjunto de dados. Leva em consideração todas as observações efetuadas. característico. Dados em reais: 123 145 210 225 2.500 Profa Mariese Conceição (UFBA) 2012 68 / 117 . Porém é sensível a valores excessivamente pequenos ou grandes. Exercício O salário médio mensal de cinco empregados de uma certa empresa. em relação às demais observações do conjunto de dados. É a principal medida de tendência central.

a mediana. Se o total de observações for ÍMPAR. quando o conjunto de dados está ordenado. Se o total de observações for PAR.Medidas de Resumo Mediana É o valor central em uma distribuição. de modo que 50% dos valores observados são iguais ou inferiores ao valor mediano e 50% iguais ou superiores a esse valor. Profa Mariese Conceição (UFBA) 2012 69 / 117 . a mediana é a média dos dois valores centrais. Divide a distribuição em duas partes iguais. é o valor que está localizado exatamente ao meio dos dados ordenados.

Se o total de observações for PAR. a mediana.Medidas de Resumo Mediana É o valor central em uma distribuição. quando o conjunto de dados está ordenado. de modo que 50% dos valores observados são iguais ou inferiores ao valor mediano e 50% iguais ou superiores a esse valor. a mediana é a média dos dois valores centrais. Profa Mariese Conceição (UFBA) 2012 69 / 117 . Divide a distribuição em duas partes iguais. é o valor que está localizado exatamente ao meio dos dados ordenados. Se o total de observações for ÍMPAR.

Profa Mariese Conceição (UFBA) 2012 69 / 117 .Medidas de Resumo Mediana É o valor central em uma distribuição. Se o total de observações for PAR. Divide a distribuição em duas partes iguais. a mediana. é o valor que está localizado exatamente ao meio dos dados ordenados. a mediana é a média dos dois valores centrais. de modo que 50% dos valores observados são iguais ou inferiores ao valor mediano e 50% iguais ou superiores a esse valor. quando o conjunto de dados está ordenado. Se o total de observações for ÍMPAR.

15 Conjunto 2 = 500. 28. 1.000. 50. Conjunto 1 = 10. 800. 26. 600. 29.Medidas de Resumo Mediana Exemplo Calcule a mediana dos conjuntos a seguir.000. 500 Profa Mariese Conceição (UFBA) 2012 70 / 117 .

250. Exemplo Calcule a média e a mediana.Medidas de Resumo Relação Entre a Média e a Mediana A mediana é uma medida de posição resistente. devido a necessidade de ordenar os dados. 510 Conjunto 2 = 200. pois é pouco afetada por mudanças de pequena porção dos dados. 250. 460. ao contrário da média que é sensível a valores atípicos (discrepantes). 460. 2. 250. 450. Conjunto 1 = 200.300 Profa Mariese Conceição (UFBA) 2012 71 / 117 . O cálculo da mediana torna-se trabalhoso quando o número de observações é grande. 300. 450. 250. 300.

5. 5. 18. 7} W = {10. 6. 12.Medidas de Resumo Moda A moda é o valor que ocorre com maior frequência na distribuição. 13. 18. 12. 7. 3. 15. 2. 13. Profa Mariese Conceição (UFBA) 2012 72 / 117 . 12. 7} Y = {10. o empresário pode estar interessado nos produtos que mais se vendem. 18. 5. 5. 12. é adequada para caracterizar situações onde estejam em causa os casos ou valores mais usuais. Por exemplo: Em estudos de mercado. 5. 3. 21. 32} Z = {2. No entanto. 17. Exemplo X = {2. 21} A moda é a menos empregada.

Abaixo encontra-se a distribuição de frequência dos dados obtidos com a pesquisa.Medidas de Resumo Moda Exemplo Um estudo foi feito para saber qual o animal é preferido para bicho de estimação. Qual a moda? Profa Mariese Conceição (UFBA) 2012 73 / 117 .

Decis. Mediana. Quartis. Centis ou Percentis. Existem quatro tipos de separatrizes. Profa Mariese Conceição (UFBA) 2012 74 / 117 . também chamada de quantis.Medidas de Resumo Separatrizes Permitem calcular valores da variável que dividem a distribuição em partes iguais.

Mediana. também chamada de quantis. Profa Mariese Conceição (UFBA) 2012 74 / 117 . Quartis. Decis.Medidas de Resumo Separatrizes Permitem calcular valores da variável que dividem a distribuição em partes iguais. Existem quatro tipos de separatrizes. Centis ou Percentis.

também chamada de quantis. Centis ou Percentis. Decis. Existem quatro tipos de separatrizes. Profa Mariese Conceição (UFBA) 2012 74 / 117 .Medidas de Resumo Separatrizes Permitem calcular valores da variável que dividem a distribuição em partes iguais. Quartis. Mediana.

também chamada de quantis.Medidas de Resumo Separatrizes Permitem calcular valores da variável que dividem a distribuição em partes iguais. Centis ou Percentis. Mediana. Decis. Existem quatro tipos de separatrizes. Quartis. Profa Mariese Conceição (UFBA) 2012 74 / 117 .

Profa Mariese Conceição (UFBA) 2012 75 / 117 .divide em cem partes iguais.Pi . Os decis D1 .divide em dez partes iguais.Medidas de Resumo Separatrizes Enquanto a mediana separa a distribuição em duas partes iguais. e D9 são os percentis P10 . Md = Q2 = D5 = P50 . Q2 e Q3 são os percentis P25 . e P90 .Qi . P20 .divide a distribuição em quatro partes iguais. P50 e P75 . Decis . Relação entre as separatrizes: Os quartis Q.Di . Centis ou Percentis . D2 . a característica principal das outras separatrizes é: Quartis .

Di .Medidas de Resumo Separatrizes Enquanto a mediana separa a distribuição em duas partes iguais.Qi .divide em cem partes iguais. Decis .Pi . a característica principal das outras separatrizes é: Quartis . Md = Q2 = D5 = P50 . Centis ou Percentis . e P90 . Profa Mariese Conceição (UFBA) 2012 75 / 117 . e D9 são os percentis P10 . Relação entre as separatrizes: Os quartis Q. P20 . D2 . Os decis D1 . Q2 e Q3 são os percentis P25 . P50 e P75 .divide em dez partes iguais.divide a distribuição em quatro partes iguais.

Os decis D1 . P20 . Decis .Di . P50 e P75 . a característica principal das outras separatrizes é: Quartis . Q2 e Q3 são os percentis P25 .Medidas de Resumo Separatrizes Enquanto a mediana separa a distribuição em duas partes iguais. Centis ou Percentis . Profa Mariese Conceição (UFBA) 2012 75 / 117 .Qi . Relação entre as separatrizes: Os quartis Q. e D9 são os percentis P10 . D2 . Md = Q2 = D5 = P50 . e P90 .divide em dez partes iguais.divide a distribuição em quatro partes iguais.divide em cem partes iguais.Pi .

P20 .Medidas de Resumo Separatrizes Enquanto a mediana separa a distribuição em duas partes iguais. P50 e P75 .divide a distribuição em quatro partes iguais.divide em cem partes iguais. a característica principal das outras separatrizes é: Quartis . Centis ou Percentis . Md = Q2 = D5 = P50 . Profa Mariese Conceição (UFBA) 2012 75 / 117 .Pi . e P90 .Di . e D9 são os percentis P10 . D2 . Os decis D1 . Decis . Q2 e Q3 são os percentis P25 .divide em dez partes iguais. Relação entre as separatrizes: Os quartis Q.Qi .

divide em dez partes iguais. Decis .Qi . Relação entre as separatrizes: Os quartis Q. Q2 e Q3 são os percentis P25 . Md = Q2 = D5 = P50 . Centis ou Percentis . Profa Mariese Conceição (UFBA) 2012 75 / 117 . e D9 são os percentis P10 . P20 . D2 .Di .divide em cem partes iguais.Medidas de Resumo Separatrizes Enquanto a mediana separa a distribuição em duas partes iguais.divide a distribuição em quatro partes iguais. Os decis D1 . P50 e P75 . a característica principal das outras separatrizes é: Quartis . e P90 .Pi .

divide em dez partes iguais. e D9 são os percentis P10 .Qi . Md = Q2 = D5 = P50 . a característica principal das outras separatrizes é: Quartis .divide a distribuição em quatro partes iguais. P20 . D2 .divide em cem partes iguais.Di . Q2 e Q3 são os percentis P25 . Os decis D1 . e P90 . Decis . Relação entre as separatrizes: Os quartis Q. P50 e P75 .Medidas de Resumo Separatrizes Enquanto a mediana separa a distribuição em duas partes iguais. Centis ou Percentis . Profa Mariese Conceição (UFBA) 2012 75 / 117 .Pi .

Medidas de Resumo

Separatrizes

Cálculo do percentil de ordem i :
1 Ordenar os dados de forma crescente;
2

Calcular a posição (L) do percentil i

L=

3

i

100

×n

L é um número inteiro?
Sim O percentil i será calculado como a média aritmética dos
elementos que ocupam a posição L e a posição L+1:
Não O percentil i é o elemento que ocupa a posição L, sendo que
L será arredondado para o maior inteiro mais próximo.

Profa Mariese Conceição (UFBA)

2012

76 / 117

Medidas de Resumo

Separatrizes

Cálculo do percentil de ordem i :
1 Ordenar os dados de forma crescente;
2

Calcular a posição (L) do percentil i

L=

3

i

100

×n

L é um número inteiro?
Sim O percentil i será calculado como a média aritmética dos
elementos que ocupam a posição L e a posição L+1:
Não O percentil i é o elemento que ocupa a posição L, sendo que
L será arredondado para o maior inteiro mais próximo.

Profa Mariese Conceição (UFBA)

2012

76 / 117

Medidas de Resumo

Separatrizes

Cálculo do percentil de ordem i :
1 Ordenar os dados de forma crescente;
2

Calcular a posição (L) do percentil i

L=

3

i

100

×n

L é um número inteiro?
Sim O percentil i será calculado como a média aritmética dos
elementos que ocupam a posição L e a posição L+1:
Não O percentil i é o elemento que ocupa a posição L, sendo que
L será arredondado para o maior inteiro mais próximo.

Profa Mariese Conceição (UFBA)

2012

76 / 117

Medidas de Resumo

Separatrizes

Cálculo do percentil de ordem i :
1 Ordenar os dados de forma crescente;
2

Calcular a posição (L) do percentil i

L=

3

i

100

×n

L é um número inteiro?
Sim O percentil i será calculado como a média aritmética dos
elementos que ocupam a posição L e a posição L+1:
Não O percentil i é o elemento que ocupa a posição L, sendo que
L será arredondado para o maior inteiro mais próximo.

Profa Mariese Conceição (UFBA)

2012

76 / 117

Medidas de Resumo

Separatrizes

Cálculo do percentil de ordem i :
1 Ordenar os dados de forma crescente;
2

Calcular a posição (L) do percentil i

L=

3

i

100

×n

L é um número inteiro?
Sim O percentil i será calculado como a média aritmética dos
elementos que ocupam a posição L e a posição L+1:
Não O percentil i é o elemento que ocupa a posição L, sendo que
L será arredondado para o maior inteiro mais próximo.

Profa Mariese Conceição (UFBA)

2012

76 / 117

4 1.6 1.2 3.7 2.9 2.0 1.1 2.9 3.1 2.5 1.8 2.7 2.9 1.8 3.4 2. mediana.6 1.0 2.0 2.6 Calcule a média. moda e os percentis 20.1 1.8 1. Interprete os resultados.7 3. 0.9 1.Medidas de Resumo Separatrizes Exemplo Teor de gordura (g/24 horas) em 43 crianças do Hospital Pediátrico da UFMG.3 3.9 4.8 1.1 3.3 1.5 1.4 2.3 2.5 2.0 2.3 1.8 1.9 2. Profa Mariese Conceição (UFBA) 2012 77 / 117 .7 2.0 3.0 1.0 3.3 2.2 3.1 2. 50 e 82.

Q3 e o valor máximo do conjunto de dados.Box-Plot É um método alternativo ao histograma para representar os dados. Útil para comparar dois ou mais conjuntos de dados. dispersão. Profa Mariese Conceição (UFBA) 2012 78 / 117 . distribuição dos dados e a presença de outliers (valores extremos).Md = Q2 . São convenientes para revelar tendências centrais. Utiliza: valor mínimo. O box-plot pode ser desenhado na posição vertical (mais comum) ou horizontal. Q1 .

São convenientes para revelar tendências centrais. Utiliza: valor mínimo.Box-Plot É um método alternativo ao histograma para representar os dados. Q1 . Profa Mariese Conceição (UFBA) 2012 78 / 117 . dispersão. Q3 e o valor máximo do conjunto de dados.Md = Q2 . distribuição dos dados e a presença de outliers (valores extremos). Útil para comparar dois ou mais conjuntos de dados. O box-plot pode ser desenhado na posição vertical (mais comum) ou horizontal.

Q1 . Utiliza: valor mínimo. São convenientes para revelar tendências centrais. dispersão. distribuição dos dados e a presença de outliers (valores extremos). Profa Mariese Conceição (UFBA) 2012 78 / 117 . Q3 e o valor máximo do conjunto de dados. Útil para comparar dois ou mais conjuntos de dados.Md = Q2 . O box-plot pode ser desenhado na posição vertical (mais comum) ou horizontal.Box-Plot É um método alternativo ao histograma para representar os dados.

Q3 e o valor máximo do conjunto de dados.Box-Plot É um método alternativo ao histograma para representar os dados. distribuição dos dados e a presença de outliers (valores extremos). dispersão. Q1 .Md = Q2 . Útil para comparar dois ou mais conjuntos de dados. Profa Mariese Conceição (UFBA) 2012 78 / 117 . São convenientes para revelar tendências centrais. O box-plot pode ser desenhado na posição vertical (mais comum) ou horizontal. Utiliza: valor mínimo.

Utiliza: valor mínimo.Box-Plot É um método alternativo ao histograma para representar os dados. Q3 e o valor máximo do conjunto de dados.Md = Q2 . São convenientes para revelar tendências centrais. O box-plot pode ser desenhado na posição vertical (mais comum) ou horizontal. Q1 . distribuição dos dados e a presença de outliers (valores extremos). Profa Mariese Conceição (UFBA) 2012 78 / 117 . Útil para comparar dois ou mais conjuntos de dados. dispersão.

Box-Plot Profa Mariese Conceição (UFBA) 2012 79 / 117 .

03 1.79 2.64 2.88 2.40 1.85 1.64 0.17 2.28 1.Box-Plot Exemplo TO teor de nicotina.60 2.09 1.11 1.86 1.31 1.85 1.90 1. Profa Mariese Conceição (UFBA) 2012 80 / 117 .92 2.09 1.93 1. em miligramas.72 1.75 1.68 1.08 1.24 1.69 Construa um boxplot para a variável teor de nicotina.97 0.37 1.69 1.58 2.75 1.63 2.51 1.46 1.47 1.79 2. em 40 cigarros de certa marca foi registrado como segue: 1.74 1.70 2.67 1.37 1.82 1.

55. 00. d Profa Mariese Conceição (UFBA) 2.17 2.40 1.92 1.75 1. 2012 81 / 117 .97 Q1 = 1. 77.28 2.11 2.82 1.63 1. 365.24 1.09 1.88 1.79 1.31 2.72 0.51 1.64 1.08 2.67 1.37 1.03 2. Q3 = 2.85 1.47 1.69 1. Q2 = 1.64 1.68 1. e LS = 2.60 = 0.93 1. 635. 09.86 1.79 1.74 1.69 1.37 2.Box-Plot 0.75 1. LI = 1.09 2.58 1.85 1.70 1.90 1.46 2.

Box-Plot Profa Mariese Conceição (UFBA) 2012 82 / 117 .

Geralmente são representados pelos símbolos * ou ? Profa Mariese Conceição (UFBA) 2012 83 / 117 . ou seja. a distribuição dos dados é simétrica. amplitude interquartil.Box-Plot Interpretação do Gráco Box-Plot A dispersão é representada pela altura do retângulo (Q3 .Q1). 2 Se a mediana é próxima de Q1. valores muito grandes ou muito pequenos em relação aos demais. Os pontos que estão fora do intervalo dado pela amplitude interquartílica são considerados valores atípicos ou discrepantes (outliers). Assimetria: a proximidade da linha da mediana em relação a Q1 e Q3 informa sobre a assimetria. 1 Se a mediana está no centro do retângulo. a distribuição é assimétrica negativa. 3 Se a mediana é próxima de Q3. a distribuição é assimétrica positiva.

3 Se a mediana é próxima de Q3. a distribuição é assimétrica negativa.Q1). valores muito grandes ou muito pequenos em relação aos demais. Assimetria: a proximidade da linha da mediana em relação a Q1 e Q3 informa sobre a assimetria. 1 Se a mediana está no centro do retângulo. ou seja. 2 Se a mediana é próxima de Q1. a distribuição dos dados é simétrica.Box-Plot Interpretação do Gráco Box-Plot A dispersão é representada pela altura do retângulo (Q3 . amplitude interquartil. a distribuição é assimétrica positiva. Os pontos que estão fora do intervalo dado pela amplitude interquartílica são considerados valores atípicos ou discrepantes (outliers). Geralmente são representados pelos símbolos * ou ? Profa Mariese Conceição (UFBA) 2012 83 / 117 .

Box-Plot

Interpretação do Gráco Box-Plot

A dispersão é representada pela altura do retângulo (Q3 - Q1),
amplitude interquartil;
Assimetria: a proximidade da linha da mediana em relação a Q1 e Q3
informa sobre a assimetria.
1

Se a mediana está no centro do retângulo, a distribuição dos dados é
simétrica;

2

Se a mediana é próxima de Q1, a distribuição é assimétrica positiva;

3

Se a mediana é próxima de Q3, a distribuição é assimétrica negativa;

Os pontos que estão fora do intervalo dado pela amplitude
interquartílica são considerados valores atípicos ou discrepantes
(outliers), ou seja, valores muito grandes ou muito pequenos em
relação aos demais. Geralmente são representados pelos símbolos * ou
?
Profa Mariese Conceição (UFBA)

2012

83 / 117

Box-Plot

Interpretação do Gráco Box-Plot

A dispersão é representada pela altura do retângulo (Q3 - Q1),
amplitude interquartil;
Assimetria: a proximidade da linha da mediana em relação a Q1 e Q3
informa sobre a assimetria.
1

Se a mediana está no centro do retângulo, a distribuição dos dados é
simétrica;

2

Se a mediana é próxima de Q1, a distribuição é assimétrica positiva;

3

Se a mediana é próxima de Q3, a distribuição é assimétrica negativa;

Os pontos que estão fora do intervalo dado pela amplitude
interquartílica são considerados valores atípicos ou discrepantes
(outliers), ou seja, valores muito grandes ou muito pequenos em
relação aos demais. Geralmente são representados pelos símbolos * ou
?
Profa Mariese Conceição (UFBA)

2012

83 / 117

Box-Plot

Interpretação do Gráco Box-Plot

A dispersão é representada pela altura do retângulo (Q3 - Q1),
amplitude interquartil;
Assimetria: a proximidade da linha da mediana em relação a Q1 e Q3
informa sobre a assimetria.
1

Se a mediana está no centro do retângulo, a distribuição dos dados é
simétrica;

2

Se a mediana é próxima de Q1, a distribuição é assimétrica positiva;

3

Se a mediana é próxima de Q3, a distribuição é assimétrica negativa;

Os pontos que estão fora do intervalo dado pela amplitude
interquartílica são considerados valores atípicos ou discrepantes
(outliers), ou seja, valores muito grandes ou muito pequenos em
relação aos demais. Geralmente são representados pelos símbolos * ou
?
Profa Mariese Conceição (UFBA)

2012

83 / 117

Box-Plot

Interpretação do Gráco Box-Plot

A dispersão é representada pela altura do retângulo (Q3 - Q1),
amplitude interquartil;
Assimetria: a proximidade da linha da mediana em relação a Q1 e Q3
informa sobre a assimetria.
1

Se a mediana está no centro do retângulo, a distribuição dos dados é
simétrica;

2

Se a mediana é próxima de Q1, a distribuição é assimétrica positiva;

3

Se a mediana é próxima de Q3, a distribuição é assimétrica negativa;

Os pontos que estão fora do intervalo dado pela amplitude
interquartílica são considerados valores atípicos ou discrepantes
(outliers), ou seja, valores muito grandes ou muito pequenos em
relação aos demais. Geralmente são representados pelos símbolos * ou
?
Profa Mariese Conceição (UFBA)

2012

83 / 117

Box-Plot

Interpretação do Gráco Box-Plot

O que fazer se forem detectados outliers em um conjunto de dados?
Abandonar a observação quando houver uma justicativa convincente:
observação incorreta ou erro na execução do experimento. A análise
deve ser refeita sem o outlier;
Conservar quando nenhuma explicação pode ser dada à observação
atípica. Neste caso é preciso um tratamento especial na análise desses
dados.

Profa Mariese Conceição (UFBA)

2012

84 / 117

Neste caso é preciso um tratamento especial na análise desses dados. Conservar quando nenhuma explicação pode ser dada à observação atípica. Profa Mariese Conceição (UFBA) 2012 84 / 117 .Box-Plot Interpretação do Gráco Box-Plot O que fazer se forem detectados outliers em um conjunto de dados? Abandonar a observação quando houver uma justicativa convincente: observação incorreta ou erro na execução do experimento. A análise deve ser refeita sem o outlier.

Box-Plot Profa Mariese Conceição (UFBA) Box-Plot e Assimetria 2012 85 / 117 .

Amplitude semi-interquartílica ou desvio quartil.Medidas de Dispersão ou Variabilidade Absoluta São Expressas na mesma unidade de medida da variável em estudo. Amplitude total. Profa Mariese Conceição (UFBA) 2012 86 / 117 . Desvio médio. Desvio padrão. Variância.

Desvio padrão. Amplitude semi-interquartílica ou desvio quartil. Profa Mariese Conceição (UFBA) 2012 86 / 117 . Variância. Desvio médio.Medidas de Dispersão ou Variabilidade Absoluta São Expressas na mesma unidade de medida da variável em estudo. Amplitude total.

Desvio médio. Profa Mariese Conceição (UFBA) 2012 86 / 117 .Medidas de Dispersão ou Variabilidade Absoluta São Expressas na mesma unidade de medida da variável em estudo. Variância. Amplitude semi-interquartílica ou desvio quartil. Desvio padrão. Amplitude total.

Desvio médio. Amplitude semi-interquartílica ou desvio quartil. Amplitude total. Profa Mariese Conceição (UFBA) 2012 86 / 117 . Variância. Desvio padrão.Medidas de Dispersão ou Variabilidade Absoluta São Expressas na mesma unidade de medida da variável em estudo.

Medidas de Dispersão ou Variabilidade Absoluta São Expressas na mesma unidade de medida da variável em estudo. Desvio padrão. Amplitude total. Amplitude semi-interquartílica ou desvio quartil. Variância. Profa Mariese Conceição (UFBA) 2012 86 / 117 . Desvio médio.

Medidas de Dispersão ou Variabilidade Relativa Independem da unidade de medida da variável observada. Desvio quartil reduzido. Servem para estudar comparativamente a variabilidade de duas ou mais distribuições. Coeciente de variação de Pearson. Variável padronizada. Profa Mariese Conceição (UFBA) 2012 87 / 117 .

Servem para estudar comparativamente a variabilidade de duas ou mais distribuições.Medidas de Dispersão ou Variabilidade Relativa Independem da unidade de medida da variável observada. Profa Mariese Conceição (UFBA) 2012 87 / 117 . Coeciente de variação de Pearson. Variável padronizada. Desvio quartil reduzido.

Servem para estudar comparativamente a variabilidade de duas ou mais distribuições. Profa Mariese Conceição (UFBA) 2012 87 / 117 .Medidas de Dispersão ou Variabilidade Relativa Independem da unidade de medida da variável observada. Variável padronizada. Desvio quartil reduzido. Coeciente de variação de Pearson.

Qual dos três empregados apresentou melhor desempenho no trabalho no período observado? Profa Mariese Conceição (UFBA) 2012 88 / 117 .Medidas de Dispersão ou Variabilidade Motivação A produção diária da peça Z de uma certa indústria foi observada em três empregados no período de 15 à 19 de abril de 2000. Suponha que o interesse do administrador da empresa é que os empregados apresentem produção elevada e a mais homogênea possível.

Antônio ou Benedito? Profa Mariese Conceição (UFBA) 2012 89 / 117 .Medidas de Dispersão ou Variabilidade Motivação Considerando agora apenas dois empregados com produção média diária diferente. Quem apresentou melhor desempenho no trabalho no período observado.

Seriam idênticas as produções diárias observadas de Daniel e Eduardo? Profa Mariese Conceição (UFBA) 2012 90 / 117 . R = xmax − xmin Exercício Calcule a amplitude total da produção da peça Z para cada empregado da indústria e identique qual empregado apresentou a menor dispersão e qual apresentou a maior dispersão na produção diária.Medidas de Dispersão ou Variabilidade Medidas Absolutas Amplitude Total É a diferença entre os valores extremos do conjunto.

2 2 2012 91 / 117 . Q3 ].Medidas Absolutas Medidas de Dispersão ou Variabilidade Amplitude Semi-Interquartilica Intervalo Interquartílica é igual a [Q1 . DQ = Profa Mariese Conceição (UFBA) amplitude interquartilica Q3 − Q1 = . Amplitude Interquartílica corresponde à diferença entre os quartis de ordem 3 e de ordem 1: d = Q3 − Q1 Desvio-Quartil é a metade da amplitude interquartílica. Neste intervalo encontram-se 50% das observações centrais do conjunto de dados.

2 2 2012 91 / 117 . Neste intervalo encontram-se 50% das observações centrais do conjunto de dados.Medidas Absolutas Medidas de Dispersão ou Variabilidade Amplitude Semi-Interquartilica Intervalo Interquartílica é igual a [Q1 . Amplitude Interquartílica corresponde à diferença entre os quartis de ordem 3 e de ordem 1: d = Q3 − Q1 Desvio-Quartil é a metade da amplitude interquartílica. DQ = Profa Mariese Conceição (UFBA) amplitude interquartilica Q3 − Q1 = . Q3 ].

DQ = Profa Mariese Conceição (UFBA) amplitude interquartilica Q3 − Q1 = .Medidas Absolutas Medidas de Dispersão ou Variabilidade Amplitude Semi-Interquartilica Intervalo Interquartílica é igual a [Q1 . 2 2 2012 91 / 117 . Amplitude Interquartílica corresponde à diferença entre os quartis de ordem 3 e de ordem 1: d = Q3 − Q1 Desvio-Quartil é a metade da amplitude interquartílica. Neste intervalo encontram-se 50% das observações centrais do conjunto de dados. Q3 ].

no entanto. Possui desvantagem. Não é afetado por valores extremos. as dispersões para os conjuntos observados serem muito desiguais. Quando a medida de tendência central utilizada for a mediana deve-se trabalhar com o desvio quartil como medida de dispersão. Profa Mariese Conceição (UFBA) 2012 92 / 117 .Medidas de Dispersão ou Variabilidade Medidas Absolutas Observações É facilmente calculado e interpretado. pois duas distribuições diferentes podem apresentar o mesmo valor para o desvio quartil e.

Medidas de Dispersão ou Variabilidade Medidas Absolutas Observações É facilmente calculado e interpretado. Quando a medida de tendência central utilizada for a mediana deve-se trabalhar com o desvio quartil como medida de dispersão. Profa Mariese Conceição (UFBA) 2012 92 / 117 . as dispersões para os conjuntos observados serem muito desiguais. pois duas distribuições diferentes podem apresentar o mesmo valor para o desvio quartil e. no entanto. Não é afetado por valores extremos. Possui desvantagem.

no entanto. as dispersões para os conjuntos observados serem muito desiguais.Medidas de Dispersão ou Variabilidade Medidas Absolutas Observações É facilmente calculado e interpretado. Quando a medida de tendência central utilizada for a mediana deve-se trabalhar com o desvio quartil como medida de dispersão. Profa Mariese Conceição (UFBA) 2012 92 / 117 . Não é afetado por valores extremos. Possui desvantagem. pois duas distribuições diferentes podem apresentar o mesmo valor para o desvio quartil e.

Não é afetado por valores extremos. no entanto. Profa Mariese Conceição (UFBA) 2012 92 / 117 . pois duas distribuições diferentes podem apresentar o mesmo valor para o desvio quartil e. Possui desvantagem. as dispersões para os conjuntos observados serem muito desiguais.Medidas de Dispersão ou Variabilidade Medidas Absolutas Observações É facilmente calculado e interpretado. Quando a medida de tendência central utilizada for a mediana deve-se trabalhar com o desvio quartil como medida de dispersão.

xi . e a média. Profa Mariese Conceição (UFBA) 2012 93 / 117 . Variância Populacional σ2 PN = Variância Amostral σ2 2 i =1 (xi − µ) N Pn = 2 i =1 (xi − x¯) n−1 Exemplo Calcule a variância da produção da peça Z para cada empregado da indústria. baseada na diferença entre o valor de cada observação .Medidas de Dispersão ou Variabilidade Medidas Absolutas Variância É uma medida de variabilidade que utiliza todos os dados.

Variância Populacional σ2 PN = Variância Amostral σ2 2 i =1 (xi − µ) N Pn = 2 i =1 (xi − x¯) n−1 Exemplo Calcule a variância da produção da peça Z para cada empregado da indústria. e a média. Profa Mariese Conceição (UFBA) 2012 93 / 117 . baseada na diferença entre o valor de cada observação . xi .Medidas de Dispersão ou Variabilidade Medidas Absolutas Variância É uma medida de variabilidade que utiliza todos os dados.

Profa Mariese Conceição (UFBA) 2012 93 / 117 .Medidas de Dispersão ou Variabilidade Medidas Absolutas Variância É uma medida de variabilidade que utiliza todos os dados. Variância Populacional σ2 PN = Variância Amostral σ2 2 i =1 (xi − µ) N Pn = 2 i =1 (xi − x¯) n−1 Exemplo Calcule a variância da produção da peça Z para cada empregado da indústria. xi . e a média. baseada na diferença entre o valor de cada observação .

Assim como a variância. mede a concentração dos dados em torno da média. Porém. Profa Mariese Conceição (UFBA) 2012 94 / 117 . Variância Populacional √ σ= s σ2 = Variância Amostral √ σ= σ2 = PN 2 i =1 (xi − µ) N n (x − x¯)2 i =1 i n−1 sP Exemplo Calcule o desvio padrão da produção da peça Z para cada empregado da indústria.Medidas de Dispersão ou Variabilidade Medidas Absolutas Desvio-Padrão É a medida de dispersão mais usada e mais importante. tem a unidade de medida igual a unidade de medida original da variável.

mede a concentração dos dados em torno da média. Variância Populacional √ σ= s σ2 = Variância Amostral √ σ= σ2 = PN 2 i =1 (xi − µ) N n (x − x¯)2 i =1 i n−1 sP Exemplo Calcule o desvio padrão da produção da peça Z para cada empregado da indústria. tem a unidade de medida igual a unidade de medida original da variável. Porém. Profa Mariese Conceição (UFBA) 2012 94 / 117 . Assim como a variância.Medidas de Dispersão ou Variabilidade Medidas Absolutas Desvio-Padrão É a medida de dispersão mais usada e mais importante.

Porém. tem a unidade de medida igual a unidade de medida original da variável. Profa Mariese Conceição (UFBA) 2012 94 / 117 . mede a concentração dos dados em torno da média. Assim como a variância. Variância Populacional √ σ= s σ2 = Variância Amostral √ σ= σ2 = PN 2 i =1 (xi − µ) N n (x − x¯)2 i =1 i n−1 sP Exemplo Calcule o desvio padrão da produção da peça Z para cada empregado da indústria.Medidas de Dispersão ou Variabilidade Medidas Absolutas Desvio-Padrão É a medida de dispersão mais usada e mais importante.

então o desvio padrão será pequeno.Medidas de Dispersão ou Variabilidade Medidas Absolutas Observações O desvio padrão mede a variação entre valores. Se os valores estiverem próximos uns dos outros. então o desvio padrão será grande. Profa Mariese Conceição (UFBA) 2012 95 / 117 . e consequentemente os dados serão mais homogêneos. Se os valores estiverem distantes uns dos outros. e consequentemente os dados serão heterogêneos.

Profa Mariese Conceição (UFBA) 2012 95 / 117 . então o desvio padrão será grande. Se os valores estiverem distantes uns dos outros. Se os valores estiverem próximos uns dos outros. então o desvio padrão será pequeno.Medidas de Dispersão ou Variabilidade Medidas Absolutas Observações O desvio padrão mede a variação entre valores. e consequentemente os dados serão mais homogêneos. e consequentemente os dados serão heterogêneos.

Se os valores estiverem distantes uns dos outros. então o desvio padrão será grande. então o desvio padrão será pequeno. e consequentemente os dados serão mais homogêneos. Profa Mariese Conceição (UFBA) 2012 95 / 117 . Se os valores estiverem próximos uns dos outros.Medidas de Dispersão ou Variabilidade Medidas Absolutas Observações O desvio padrão mede a variação entre valores. e consequentemente os dados serão heterogêneos.

Medidas de Dispersão ou Variabilidade Medidas Absolutas Propriedades do Desvio-Padrão Somando-se (ou subtraindo-se) um valor constante e arbitrário a cada um dos elementos de um conjunto de números. Profa Mariese Conceição (UFBA) 2012 96 / 117 . Multiplicando-se (ou dividindo-se) cada elemento de um conjunto de dados por um valor constante e arbitrário. o desvio padrão ca multiplicado (ou dividido) por essa constante e a variância ca multiplicada (ou dividida) pelo quadrado dessa constante. o desvio padrão e a variância não se alteram.

o desvio padrão e a variância não se alteram. Multiplicando-se (ou dividindo-se) cada elemento de um conjunto de dados por um valor constante e arbitrário. Profa Mariese Conceição (UFBA) 2012 96 / 117 .Medidas de Dispersão ou Variabilidade Medidas Absolutas Propriedades do Desvio-Padrão Somando-se (ou subtraindo-se) um valor constante e arbitrário a cada um dos elementos de um conjunto de números. o desvio padrão ca multiplicado (ou dividido) por essa constante e a variância ca multiplicada (ou dividida) pelo quadrado dessa constante.

Peso:X¯ = 78. CV S = ¯ X Como o CV é uma medida que exprime a variabilidade relativa à média. 2 e S = 11.Medidas de Dispersão ou Variabilidade Medidas Absolutas Coeciente de Variação de Pearson Trata-se de uma medida relativa de dispersão. útil para comparar a variabilidade de duas ou mais distribuições. é usualmente expresso em porcentagem. 74 e S = 0. Exemplo Ache o coeciente de variação para alturas (m) e pesos (kg) de 40 homens. Profa Mariese Conceição (UFBA) 2012 97 / 117 . Altura:X¯ = 1. 08. mesmo quando essas se referem a diferentes fenômenos e sejam expressas em unidades de medida distintas. 9.

útil para comparar a variabilidade de duas ou mais distribuições. 2 e S = 11. 74 e S = 0. 9. 08. Peso:X¯ = 78. mesmo quando essas se referem a diferentes fenômenos e sejam expressas em unidades de medida distintas. Altura:X¯ = 1. é usualmente expresso em porcentagem. CV S = ¯ X Como o CV é uma medida que exprime a variabilidade relativa à média. Exemplo Ache o coeciente de variação para alturas (m) e pesos (kg) de 40 homens. Profa Mariese Conceição (UFBA) 2012 97 / 117 .Medidas de Dispersão ou Variabilidade Medidas Absolutas Coeciente de Variação de Pearson Trata-se de uma medida relativa de dispersão.

útil para comparar a variabilidade de duas ou mais distribuições. CV S = ¯ X Como o CV é uma medida que exprime a variabilidade relativa à média. 2 e S = 11. 08. Profa Mariese Conceição (UFBA) 2012 97 / 117 . é usualmente expresso em porcentagem. Exemplo Ache o coeciente de variação para alturas (m) e pesos (kg) de 40 homens. 74 e S = 0. 9. Altura:X¯ = 1. Peso:X¯ = 78.Medidas de Dispersão ou Variabilidade Medidas Absolutas Coeciente de Variação de Pearson Trata-se de uma medida relativa de dispersão. mesmo quando essas se referem a diferentes fenômenos e sejam expressas em unidades de medida distintas.

Exemplo O tempo de serviço na Empresa tem relação com o salário do empregado? Bom desempenho em inglês implica em um bom desempenho em português? A opinião sobre o aborto independe da renda familiar? Profa Mariese Conceição (UFBA) 2012 98 / 117 . Queremos conhecer o grau de dependência entre as variáveis para prever melhor o resultado de uma delas quando conhecermos a realização da outra.Análise Bivariada Muitas vezes queremos realizar uma análise descritiva de duas variáveis simultaneamente. vericar se há uma relação entre duas variáveis. ou seja.

ou seja.Análise Bivariada Muitas vezes queremos realizar uma análise descritiva de duas variáveis simultaneamente. Queremos conhecer o grau de dependência entre as variáveis para prever melhor o resultado de uma delas quando conhecermos a realização da outra. vericar se há uma relação entre duas variáveis. Exemplo O tempo de serviço na Empresa tem relação com o salário do empregado? Bom desempenho em inglês implica em um bom desempenho em português? A opinião sobre o aborto independe da renda familiar? Profa Mariese Conceição (UFBA) 2012 98 / 117 .

Análise Bivariada Muitas vezes queremos realizar uma análise descritiva de duas variáveis simultaneamente. Exemplo O tempo de serviço na Empresa tem relação com o salário do empregado? Bom desempenho em inglês implica em um bom desempenho em português? A opinião sobre o aborto independe da renda familiar? Profa Mariese Conceição (UFBA) 2012 98 / 117 . vericar se há uma relação entre duas variáveis. ou seja. Queremos conhecer o grau de dependência entre as variáveis para prever melhor o resultado de uma delas quando conhecermos a realização da outra.

ou seja. vericar se há uma relação entre duas variáveis. Queremos conhecer o grau de dependência entre as variáveis para prever melhor o resultado de uma delas quando conhecermos a realização da outra. Exemplo O tempo de serviço na Empresa tem relação com o salário do empregado? Bom desempenho em inglês implica em um bom desempenho em português? A opinião sobre o aborto independe da renda familiar? Profa Mariese Conceição (UFBA) 2012 98 / 117 .Análise Bivariada Muitas vezes queremos realizar uma análise descritiva de duas variáveis simultaneamente.

Queremos conhecer o grau de dependência entre as variáveis para prever melhor o resultado de uma delas quando conhecermos a realização da outra. Exemplo O tempo de serviço na Empresa tem relação com o salário do empregado? Bom desempenho em inglês implica em um bom desempenho em português? A opinião sobre o aborto independe da renda familiar? Profa Mariese Conceição (UFBA) 2012 98 / 117 . vericar se há uma relação entre duas variáveis.Análise Bivariada Muitas vezes queremos realizar uma análise descritiva de duas variáveis simultaneamente. ou seja.

Análise Bivariada Para análise deste comportamento conjunto. medidas de associação são utilizadas dependendo do tipo das variáveis envolvidas no estudo. Qualitativa × Qualitativa Quantitativa × Quantitativa Qualitativa × Quantitativa Profa Mariese Conceição (UFBA) 2012 99 / 117 .

Qualitativa × Qualitativa Quantitativa × Quantitativa Qualitativa × Quantitativa Profa Mariese Conceição (UFBA) 2012 99 / 117 .Análise Bivariada Para análise deste comportamento conjunto. medidas de associação são utilizadas dependendo do tipo das variáveis envolvidas no estudo.

Qualitativa × Qualitativa Quantitativa × Quantitativa Qualitativa × Quantitativa Profa Mariese Conceição (UFBA) 2012 99 / 117 .Análise Bivariada Para análise deste comportamento conjunto. medidas de associação são utilizadas dependendo do tipo das variáveis envolvidas no estudo.

Tabelas Bidimensionais (2x 2) A idéia é vericar a associação através das porcentagens segundo as colunas ou as linhas. e são utilizadas para estudar a relação entre duas variáveis categóricas. Essas tabelas de dados cruzados são conhecidas por tabelas de contingência. Profa Mariese Conceição (UFBA) 2012 100 / 117 .Análise Bivariada Variáveis Qualitativas Podemos construir tabelas de frequência com dupla entrada.

Análise Bivariada Variáveis Qualitativas Exemplo 1 Há indícios de associação entre o sexo e o hábito de fumar? Profa Mariese Conceição (UFBA) 2012 101 / 117 .

Análise Bivariada Variáveis Qualitativas Exemplo 2 Existe ou não associação entre o sexo e a carreira escolhida por 200 alunos de Farmácia e Nutrição? Profa Mariese Conceição (UFBA) 2012 102 / 117 .

a quanticação do grau de associação entre duas variáveis é feita pelos chamados coecientes de associação ou correlação. veremos a seguir o Coeciente de Yule. De modo geral.Análise Bivariada Variáveis Qualitativas Existindo associação entre as variáveis. indicando falta de associação a proximidade do zero. Existem muitas dessas medidas. Profa Mariese Conceição (UFBA) 2012 103 / 117 . ou entre -1 e +1. Usualmente variam entre 0 e 1. torna-se interessante quanticar essa associação.

Profa Mariese Conceição (UFBA) 2012 103 / 117 .Análise Bivariada Variáveis Qualitativas Existindo associação entre as variáveis. veremos a seguir o Coeciente de Yule. Existem muitas dessas medidas. De modo geral. a quanticação do grau de associação entre duas variáveis é feita pelos chamados coecientes de associação ou correlação. Usualmente variam entre 0 e 1. indicando falta de associação a proximidade do zero. torna-se interessante quanticar essa associação. ou entre -1 e +1.

Profa Mariese Conceição (UFBA) 2012 103 / 117 .Análise Bivariada Variáveis Qualitativas Existindo associação entre as variáveis. a quanticação do grau de associação entre duas variáveis é feita pelos chamados coecientes de associação ou correlação. veremos a seguir o Coeciente de Yule. Usualmente variam entre 0 e 1. Existem muitas dessas medidas. indicando falta de associação a proximidade do zero. De modo geral. torna-se interessante quanticar essa associação. ou entre -1 e +1.

Existem muitas dessas medidas. a quanticação do grau de associação entre duas variáveis é feita pelos chamados coecientes de associação ou correlação. Usualmente variam entre 0 e 1. ou entre -1 e +1. indicando falta de associação a proximidade do zero.Análise Bivariada Variáveis Qualitativas Existindo associação entre as variáveis. Profa Mariese Conceição (UFBA) 2012 103 / 117 . torna-se interessante quanticar essa associação. De modo geral. veremos a seguir o Coeciente de Yule.

Profa Mariese Conceição (UFBA) 2012 104 / 117 .Análise Bivariada Variáveis Qualitativas Coeciente de Yule Como o CV é uma medida que exprime a variabilidade relativa à média. Y = ad − bc ad + bc O valor de Y está compreendido entre -1 e 1. é usualmente expresso em porcentagem.

Análise Bivariada Variáveis Quantitativas A investigação da relação de duas variáveis deste tipo usualmente começa com uma análise gráca dos dados. Com este gráco. é possível vericar se existe alguma relação entre as variáveis e se essa relação pode ser tratada como aproximadamente linear. através do gráco de dispersão. Profa Mariese Conceição (UFBA) 2012 105 / 117 .

Com este gráco. Profa Mariese Conceição (UFBA) 2012 105 / 117 .Análise Bivariada Variáveis Quantitativas A investigação da relação de duas variáveis deste tipo usualmente começa com uma análise gráca dos dados. através do gráco de dispersão. é possível vericar se existe alguma relação entre as variáveis e se essa relação pode ser tratada como aproximadamente linear.

aumenta o número de clientes. Profa Mariese Conceição (UFBA) 2012 106 / 117 . página 81. Estatística Básica.Análise Bivariada Variáveis Quantitativas Exemplo 3 Morettin e Bussab. Parece haver uma associação entre as variáveis. porque no conjunto. à medida que aumenta o tempo de serviço.

a expectativa de vida (Y) tende a diminuir.Análise Bivariada Variáveis Quantitativas Exemplo 4 Taxa de analfabetismo x Expectativa de vida. ou seja. Profa Mariese Conceição (UFBA) 2012 107 / 117 . uma tendência linear decrescente. Conforme aumenta a taxa de analfabetismo (X).

mede a força da associação linear entre as duas variáveis avaliadas.Análise Bivariada Variáveis Quantitativas Coeciente de Variação de Pearson Após está vericação. se a relação visualizada no gráco de dispersão lembrar o desenho de uma reta. que é denido pela seguinte fórmula: r Pn nx¯Y¯ i =1 xi yi − = p Pn P [ i =1 xi 2 − nx¯2 ][ ni=1 yi 2 − ny¯ 2 ] O coeciente de correlação. r . r . pode-se medir o grau em que as variáveis estão relacionadas. sendo uma medida válida se as duas variáveis estão relacionadas linearmente. ou seja. Profa Mariese Conceição (UFBA) 2012 108 / 117 . A esta medida chamaremos de coeciente de correlação de Pearson.

Análise Bivariada Variáveis Quantitativas Interpretação do Coeciente de Variação de Pearson Profa Mariese Conceição (UFBA) 2012 109 / 117 .

Permutando todos os valores de X e Y. o valor de r permanecerá inalterado.Análise Bivariada Variáveis Quantitativas O valor de r não varia se todos os valores de qualquer uma das variáveis são convertidos para uma escala diferentes. Profa Mariese Conceição (UFBA) 2012 110 / 117 . O valor de r não é afetado pela escolha de X ou Y.

Profa Mariese Conceição (UFBA) 2012 110 / 117 . O valor de r não é afetado pela escolha de X ou Y.Análise Bivariada Variáveis Quantitativas O valor de r não varia se todos os valores de qualquer uma das variáveis são convertidos para uma escala diferentes. o valor de r permanecerá inalterado. Permutando todos os valores de X e Y.

Análise Bivariada Variáveis Quantitativas Exemplo 4 Calcule o coeciente de correlação linear entre as variáveis X e Y. Profa Mariese Conceição (UFBA) 2012 111 / 117 .

816. estes conjuntos de dados apresentam disposições completamente diferentes no diagrama. temos: r = 0. Para cada um deles. Porém.Análise Bivariada Variáveis Quantitativas Um cuidado que deve ser tomado ao se interpretar correlação é associar um diagrama de dispersão ao conjunto de dados. Profa Mariese Conceição (UFBA) 2012 112 / 117 .

Análise Bivariada Profa Mariese Conceição (UFBA) Variáveis Quantitativas 2012 113 / 117 .

Uso de Software Estatístico Profa Mariese Conceição (UFBA) 2012 114 / 117 .

Uso de Software Estatístico Profa Mariese Conceição (UFBA) 2012 115 / 117 .

Uso de Software Estatístico Profa Mariese Conceição (UFBA) 2012 116 / 117 .

Uso de Software Estatístico Profa Mariese Conceição (UFBA) 2012 117 / 117 .