MTODOS QUANTITATIVOS

Ol pessoal!
Durante este mdulo B 2015, pudemos estudar que o emprego de tcnicas de estatstica e
probabilidade, para anlise e soluo de problemas esto relacionados a diferentes reas do
conhecimento. Alguns desses mtodos, utilizados tanto na descrio quanto na tomada de
decises so, por exemplo: percentual, mdia, desvio-padro, coeficiente de correlao,
anlise de regresso, testes de hipteses, dentre outras. Ento vamos verificar alguns
conceitos!
Estatstica: um conjunto de mtodos ou tcnicas que nos auxilia a compreender e investigar
uma ampla coleo de dados.
Populao: um grupo de todos os elementos em que existe o interesse de analisar um ou
mais aspectos.

Amostra: um subconjunto ou subgrupo dos elementos que formam a populao.

Estatstica Descritiva: sintetizar as caractersticas mais relevantes de um conjunto de
dados.

Estatstica Inferencial: utiliza-se de dados parciais (apenas uma parte de um conjunto de

todos os dados relacionados com o problema em estudo - amostra) para obter decises e
gerar concluses coerentes.
Segundo Triola (1999), as duas principais classificaes de dados: os qualitativos e
os quantitativos.
Dados Qualitativos: so dados categricos ou atributos, que podem ser divididos em
distintas categorias ou atributos diferenciados por alguma caracterstica no numrica, como
sexo, raa e tipo de defeito de um lote de peas.
Dados Quantitativos: so aqueles formados por nmeros que objetivam representar
contagens ou medidas, como o peso, a altura e o nmero de peas, os quais podem sofrer
operaes aritmticas.
No caso de dados quantitativos, uma subdiviso ainda pode ser feita. Os dados
quantitativos podem ser: Discretos e Contnuos.
Dados Quantitativos Discretos: so dados compostos por um conjunto finito de valores ou
de um conjunto contvel desses valores.

Dados Quantitativos Contnuos: compostos de um nmero infinito de valores imaginveis

que podem ser relacionados a pontos em uma escala contnua.
Foi em 17 de fevereiro de 2015 que se comemorou o 125 aniversrio do nascimento
daquele que foi para muitos, o maior impulsionador para o grande avano da Estatstica
Moderna, Ronald Aylmer Fisher (1890-1962). Ao introduzir o conceito de Anlise da Varincia
no planeamento de experincias.

A ANOVA (ANalysis Of VAriance): um mtodo para teste de igualdade de trs ou mais

mdias populacionais atravs da anlise das varincias amostrais. Este mtodo permite
verificar se um ou mais fatores influenciam ou no na caracterstica de uma determinada
varivel de estudo.
Os principais pressupostos para se realizar o teste ANOVA so:

Amostras independentes, ou seja, uma observao no pode ser influenciada pela

anterior ou pela prxima;

Cada grupo de observaes devem provir de uma populao com distribuio normal;
Homogeneidade das varincias entre os grupos, ou seja, as varincias dentro de cada
grupo devem ser pelo menos aproximadamente iguais quela dentro de todos os
grupos.

A ideia central do teste ANOVA de um fator, atravs do teste de igualdade de mdias,

analisar se um determinado fator influencia ou no na caracterstica de uma determinada
varivel dependente. Em outras palavras, a ideia central testar a hiptese de que trs ou
mais amostras so provenientes de populaes com mdias iguais.
Os Erros tipo I e II na prtica!
Rejeitar a Hiptese Nula e esta ser verdadeira - Erro Tipo I

Aceitar (no rejeitar) a Hiptese Nula e esta ser falsa - Erro Tipo II

Ex.: Quando um gerente de recursos humanos decide contratar, ou no, determinado

profissional
Poder ocorrer o Erro tipo II, caso o gerente contrate o profissional. Isto : contrata e
o profissional revela-se sem qualidades aceitar H0 falsa. Por outro lado, quando o
gerente dispensa (no contrata) determinado profissional, poder estar cometendo o
Erro tipo I rejeitar H0 verdadeira. Isto : no contrata e o profissional revela-se com
qualidades, em outro emprego assemelhado.

Testes paramtricos: tm requisitos sobre a natureza ou a forma das populaes envolvidas.

Testes no paramtricos: no exigem que as amostras venham de populaes com
distribuies normais ou qualquer outra distribuio particular.

Vantagem do uso de testes no paramtricos consiste em no exigir que as

populaes estejam normalmente distribudas.
Desvantagem que estes tendem a desperdiar informao, porque os dados
numricos exatos so, em geral, reduzidos a uma forma qualitativa.

A ideia central do teste de independncia: verificar se dadas duas varveis de estudo

A e B, de uma tabela de contingncia, so independentes entre si. Para tanto, utiliza-se como
ferramenta o teste qui-quadrado para conferir se h ou no a relao de independncia entre
as variveis de estudo.
O teste de Kruskal-Wallis um teste no paramtrico que usa postos de amostras
aleatrias simples de trs ou mais populaes independentes para testar a hiptese nula de
que as populaes tm a mesma mediana.
Ao aplicar o teste de Kruskal-Wallis, calcula-se a estatstica H, que tem uma
distribuio que pode ser aproximada pela distribuio qui-quadrado. Ao aplicar a distribuio
qui-quadrado nesse contexto, o nmero de graus de liberdade do numerado (k-1), onde k
o nmero de grupos em anlise.

O coeficiente de correlao de Pearson no tem esse nome por acaso. comum

atribuir exclusivamente a Karl Pearson o desenvolvimento dessa estatstica, no entanto, como
bem lembrou Stanton (2001), a origem desse coeficiente remonta o trabalho conjunto de Karl
Pearson e Francis Galton (Stanton, 2001: 01).
O coeficiente de correlao de Pearson busca quantificar o quo forte a correlao
linear entre duas variveis intervalares. Este coeficiente nada mais que uma medida
da correlao linear independente das unidades de medida das variveis. O
coeficiente de Pearson oscila entre -1 e +1 ou, dado em porcentagens, entre -100% e
+100%. Para uma relao linear forte entre as variveis, mais prximo de seus valores
extremos, +1 ou -1, se apresentar a medida do coeficiente de correlao r (MARTINS,
2010). Porm, caso a medida do coeficiente encontrar-se prxima de zero, mais fraco
o grau desta relao, tornando-se inexistente para r = 0. Caso r = -1 interpreta-se
como se existisse uma correlao linear inversa, ou seja, quando o valor de uma
varivel aumenta, o valor de outra diminui (ROSA, 2009).
Um exemplo de correlao entre duas variveis seria, por exemplo, temperatura e
tempo de uma reao qumica, velocidade e deslocamento de uma partcula, preo e
quantidade de vendas de um determinado produto.

O modelo de regresso linear, segundo Krajewski, Ritzman e Malhotra (2009), um

dos modelos causais mais conhecidos e utilizados.

Segundo Montgomery (2011) a coleo de ferramentas estatsticas que so usadas

para modelar e explorar relaes entre variveis que esto relacionadas de maneira
no determinstica chamado de anlise de regresso.
O objetivo geral desta tcnica estabelecer uma equao que relacione
adequadamente o comportamento de uma varivel resposta e uma ou mais variveis
explicativas, possibilitando realizar a estimativa de valores da varivel de resposta.
Esta equao pode ser linear ou no linear. Quando a reta da regresso modelada
segundo uma funo linear, a mesma dita regresso linear simples.
Um mtodo que pode ser utilizado para determinar a reta da regresso linear simples
o mtodo dos mnimos quadrados, o qual, consiste na minimizao da distncia
quadrtica entre os pontos amostrais e os valores da reta da regresso.
Regresso o mtodo de anlise da relao existente entre duas variveis: uma
dependente e uma independente.

Conforme Triola (2013) uma das vantagens dos mtodos no paramtricos pode ser
aplicado a uma grande variedade de situaes, porque no possuem as exigncias mais
rgidas dos mtodos paramtricos correspondentes.
Uma das desvantagens dos mtodos no paramtricos que no so to eficientes quanto
os testes paramtricos, de modo que, com os testes no paramtricos, precisamos, em geral,
de evidncia mais forte (tais como amostra maior ou diferenas maiores) para rejeitar a
hiptese nula.

Exerccios de aplicao de Mtodos Quantitativos:

a. Calcule a amplitude dos dados abaixo:

33
50
61
69
80

35
52
64
71
81

35
53
65
73
84

39
54
65
73
85

41
55
65
74
85

41
55
66
74
88

42
57
66
76
89

45
59
66
77
91

25

47
60
67
77
94

Soluo:
Amplitude = Maior medida Menor medida:
A = 97-33 = 64
b. Calcule a mdia dos nmeros abaixo:
10

29

26

28

15

23

17

20

48
60
68
78
97

X = 10 + 29 + 26 + 28 +15 + 23 +17 + 25 + 0 + 20 = 193

X = 193 / 10
X = 19,3

c. Verifique o nmero que ocorreu com maior frequncia

7 - 6 - 8 - 7 - 6 - 4 - 5 - 7 - 7 - 8 - 5 - 10 - 6 - 7 - 8 - 5 - 10 - 4 - 6 - 7 - 7 - 9 - 5 - 6 - 8 - 6 - 7 - 10
- 4 - 6 - 9 - 5 - 8 - 9 - 10 - 7 - 7 - 5 - 9 - 10
O nmero 7 ocorreu com maior frequncia e denominado de Moda
d. Calcule a mediana dos dados abaixo:
10 - 7 - 12 - 6 - 10 9
1 passo, colocar em ordem crescente:
6 - 7 - 9 - 10 - 10 - 12.
2 passo, verificar se a quantidade de dados par ou mpar; nesse caso par, ento a
mediana a mdia aritmtica dos dois valores centrais da srie, ou seja:
6 - 7 - 9 - 10 - 10 - 12
Md = (9 + 10) / 2;
Md = 9,5.
e. Calcule a mediana dos dados abaixo:
10 - 7 - 12 - 6 - 10 - 9 7
1 passo, colocar em ordem crescente:
6 - 7 - 7 - 9 - 10 - 10 12.
No 2 passo, verificar se a quantidade de dados par ou mpar; nesse caso mpar, ento a
mediana o valor central da srie, ou seja:
6 - 7 - 7 - 9 - 10 - 10 12.
Md = 9.
f.

Calcule o desvio padro dos dados abaixo:

8, 4, 6, 9, 10, 5

X= (8 + 4 + 6 + 9 + 10 + 5) / 6
X = 42/6
X=7

Xi
4
5
6
8
9
10

S2
9
4
1
1
4
9
28

Xi - X
47=-3
5 7 = -2
67=-1
87=1
97=2
10 7 = 3
0

S2 = 28/6-1 = 28/5
S2 = 5,6
S = 5,6
S = 2,36
g. A tabela a seguir apresenta as quantidades, em quilos, contidas em uma amostra de
40 pacotes de feijo.
0,94
0,98
0,99
1,01
1,02

0,94
0,98
0,99
1,02
1,03

0,96
0,98
0,99
1,02
1,03

0,96
0,98
1,00
1,02
1,04

0,97
0,98
1,01
1,02
1,04

0,97
0,98
1,01
1,02
1,05

0,97
0,99
1,01
1,02
1,06

0,98
0,99
1,01
1,02
1,06

Tabela 1

Aps realizados os clculos de amplitude de cada intervalo e da quantidade mdia de feijes

Classes
0,94 | 0,96
0,96 | 0,98
0,98 | 1,00
1,00 | 1,02
1,02 | 1,04
1,04 || 1,06
Total:

Freqncia (fi)
2
5
12
6
10
5
40

Ponto
(Pm)
0,95
0,97
0,99
1,01
1,03
1,05
-----

Mdio

Tabela 2

Calcule a varincia.

Pm
= 0,03136

S2 = 0,03136 / 39
S2 = 0,0008
S = 0,0008
S = 0,028

.f
2

(0,03136 dado no exemplo)

Pm X

Pm

0,95-1,006
0,97-1,006
0,99-1,006
1,01-1,006
1,03-1,006
1,05-1,006
-----

0,006272
0,00648
0,003072
0,000096
0,00576
0,00968
0,03136

.f
2

h. Uma companhia de seguros constata que a cada cem pedidos de pagamento, trs so
fraudulentos. Qual a probabilidade de que a companhia receba, seguidamente,
quatro pedidos fraudulentos?
P(F)=3/100=0,03
Quatro pedidos seguidos:
P(QF)=0,034
P(QF) = 0,00000081 (Forma decimal)
P(QF) = 0,000081% (Porcentagem)

i.

Uma bola retirada ao acaso de uma urna que contm 6 bolas vermelhas, 8 bolas
pretas e 4 bolas verdes.

Desta forma ser necessrio demonstrar o clculo da probabilidade dela no ser preta.
A bola retirada no pode ser preta; logo, poder ser vermelha ou verde. Ento:
P (Vermelha ou Verde) = P (Vermelha) + P (Verde)
P (Vermelha ou Verde) = 6/18 + 4/18
P (Vermelha ou Verde) = 10/18
j.

Clculo de Probabilidade:

Qual a probabilidade de obtermos o total de seis (6) pontos na jogada de dois (2) dados
honestos?
S = {36 resultados possveis}
A = {a soma dos dois dados igual a 6}
A = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)}
P(A) = 5/36
k. Um determinado equipamento tem vida til de 10000 horas com desvio padro de 600
seguindo uma distribuio normal. Determine a probabilidade de um equipamento,
selecionado ao acaso, tenha vida til entre 10000 e 11800 horas?

X
S

Z= 11800 10000 / 600

Z = 1800 / 600
Z=3
Na tabela...
P(0 <= X <= 3) = 0,4987
P(0 <= X <= 3) = 49,87%

Boa Prova!
Prof. Emerson Seixas