Escolar Documentos
Profissional Documentos
Cultura Documentos
Conteúdo
Metodologia
Avaliação
BIbliografia
Método Estatístico
A Ciência Estatística
1 – Definição do
2 - Planejamento Problema
Base de
Dados
Exemplo para discussão
Estudo para avaliar a Evasão
Escolar em seu Município.
Medidas de posição
Medidas de variabilidade
Medidas Separatrizes
Assimetria
Apresentação gráfica
Distribuição de Frequência
Rol: conjunto ordenado dos dados
Amplitude de classe: a = AT / c
Exemplo
Dados agrupados: X
(f *X)
f
Onde X é o ponto médio; f é a frequência da classe;
Mediana
Valor central dos dados
Dados agrupados:
ˆX L Da * a
Da Dp
É preciso obter a classe com maior frequência.
Exemplo
S
n 1
Onde X o conjunto valores; n é número de dados; é a média.
Dados agrupados: S
2
f * ( X X )2
( f ) 1
S S 2
Onde S2 é a variância
Coeficiente de variação
Variação dos dados em relação à média
S
Cv * 100
X
Onde:
S é o Desvio padrão
e X é a Média
Exemplo
f
i *
Sant
10
Di L *a
f
Percentis – 1% P1 1% P2 ...... 1% P98 1% P99 1%
f
i * Sant
100
Pi L *a
f
Medidas Separatrizes
Exemplo
Ass
X Xˆ
S
X é a Média
X̂ é a Moda
S é o Desvio padrão
Assimetria
Situações que a literatura apresenta
Ass > 0
Ass < 0
Ass = 0
Assimetria
Exemplo
Polígono de frequência
Exemplo
R e c e it a d o M u n ic íp io X ( 1 9 7 5 - 1 9 7 7 )
3 3 ,3 % 25%
4 1 ,7 %
Espaço amostral - S
Eventos - E
(2) Se Ac é o complemento do
evento A, então P(Ac) = 1 – P(A)
Variável aleatória
X 1 2 3 4 5 6 SOMA
E ( X ) x p( x)
X é a variável em questão
x é cada valor que X pode assumir
p(x) é cada probabilidade de x
Exemplo
Em um lançamento de um dado, a partir da
Distribuição de Probabilidade da face
obtida em cada lançamento, obter o Valor
Esperado.
X 1 2 3 4 5 6 SOMA
E(X) = 1*1/6+2*1/6+3*1/6+4*1/6+5*1/6+6*1/6
E(X) = (1+2+3+4+5+6)/6 = 21/6 = 3,5
E ( X ) x p( x)
E ( X ) x p ( x)
2 2
X é a variável em questão
x é cada valor que X pode
assumir
p(x) é cada probabilidade de x
Exemplo
Em um lançamento de um dado, a partir da
Distribuição de Probabilidade da face
obtida em cada lançamento, obter a
Variância.
X 1 2 3 4 5 6 SOMA
E(X2) = 12*1/6+22*1/6+32*1/6+42*1/6+52*1/6+62*1/6
E(X2) = (1+4+9+16+25+36)/6 = 91/6 = 15,17
E(X) = 3,5
V(X) = 15,17 – (3,5)2 = 2,92
Distribuições discretas
Variável aleatória discreta assume valores inteiros,
geralmente tipo 0,1,2, ..., n>=0
n – repetições do experimento
p – probabilidade de sucesso
q – probabilidade de fracasso, q=1-p
x – valor de ocorrência de sucesso
E(X) = n*p ; V(X) = n*p*q
Exemplo
Em oito lançamentos de uma moeda, qual é
a probabilidade de se obter 3 caras?
Calcular o Valor Esperado e a Variância?
X-número de caras em lançamentos da moeda
X~B(n,x,p)
n=8 repetições, x=3 caras, p=½ probabilidade de cara (sucesso)
X~B(8,3,1/2)
P(X=3) = C8,3*(1/2)3*(1-1/2)8-3
P(X=3) = 56*0,125*0,03125 = 0,21875
E(X) = n*p = 8*(1/2) = 4 caras
V(X) = n*p*q = 8*(1/2)*(1-1/2)=8*(1/2)*(1/2) = 2
Distribuições Poisson
Variável aleatória discreta que pode assumir valores
de sucesso em determinado intervalo. Este intervalo
pode ser de tempo, de área, de volume.
X – veículos que passam em uma rua por hora
X – erros ortográficos em uma página de texto
e t .t x
P( X x)
x!
e 3 .31 0,049787 * 3
P ( X 1) 0,149361
1! 1
Distribuições contínuas
Variável aleatória contínua assume valores reais,
não determinados.
X – altura de alunos
X – valor de compras de clientes
X – tempo de vida de lâmpadas
X – pesos de componentes eletrônicos
1 x 2
f ( x) exp , x
2
2 2
E(X) = ; V(X) = 2
Distribuições Normal
Como é possível observar é preciso integrar a função
f(x) da Distribuição Normal, para poder obter o valor
da probabilidade desejada. E isto é bastante difícil. O
que fazer então? Gauss, que criou a Normal, propôs a
seguinte Transformação Linear
X
Z
Essa variável Z tem distribuição Normal com Média 0
e variância 1. E, na maioria das vezes, -4<z<4, que é
um intervalo bastante controlado.
Distribuições Normal
Assim, se X~( ; ) então Z~( 0 ; 1 ). Há várias
tabelas Z que permitem calcular probabilidades entre
intervalos de valores de z.
X
Z
P [ (5,0-6,55)/2,01 <(X-6,55)/2,01< (7,5-6,55)/2,01 ]
P [ -0,77 <Z< 0,47 ]
Diagrama de Dispersão
Correlação Linear
Grau de explicação
Significado
Relação entre variáveis: duas
Quantificação da associação
Variável independente - X
Variável dependente - Y
Situações Possíveis
y’
Ausência associação
x’ linear
y’
Associação linear
positiva x’
y’
x’ Associação linear
negativa
Correlação Linear
Análise do relacionamento entre duas
variáveis
Valores do coeficiente: –1 r +1
Valores Análise
0,00 a 0,19 Correlação bem fraca
0,20 a 0,39 Correlação fraca
0,40 a 0,69 Correlação moderada
0,70 a 0,89 Correlação forte
0,90 a 1,00 Correlação muito forte
Valores possíveis
Situações
Modelo de Regressão
Parâmetros de Regressão
55
50
45
40
35
10 11 12 13 14 15
Equação de uma reta: y = a + bx
55
50
45
40
35
10 11 12 13 14 15
Intercepto: a = 50 – (-2,5)*10 = 75
y = 75 -2,5x
Modelo de Regressão
Visão analítica Função: y = a + bx
Desvio
Modelo de Regressão
Regressão Linear: y = a + bx
(i) y = n.a - b x , e
yp = y
Y Yp
2
Se
n2
Onde: Yp são os valores previstos de Y para cada
valor original de X;
log (axb) = log (a) + log (xb), e log (xb) = b log (x)
a função POTÊNCIA
e a função EXPONENCIAL