MATRIZ CTC Ne!” Nv ~ S/ é 3 MATRIZ CTC N° TNE Shod Juims 0238 Estatistica Teoria e Aplicagdes Usando Microsoft® Excel em Portugués DAVID M. LEVINE Bernard M. Baruch College City University of New York MARK L. BERENSON Bernard M. Baruch College City University of New York DAVID STEPHAN Berard M. Baruch College City University of New Fork Traducio ‘TERESA CRISTINA PADILHA DE SOUZA Gradua om Cici ws pela URE Poregraduoda om Adina Pablica pla FV Revistio Téenica SERGIO DA COSTA CORTES sa pela ENCE IBGE PUCHiD PUCK Professor de Andie EsasicalENCE IBGE Oc EDITORASumario Geral Suplemento Snzadugso Uilizagio do Microsott Excel 27 # Capfulo2 Apresenando Dados em Tabelis«Grifieos 51 ‘Capitulo 3 Resunindoe Descrevendo Didos Nunes (17 ¥4(@ Capitulo 4 Distribuigaes de Probubilidade Basica e de Probubilidade Disereta 167 Ele captuto 5 visuibuigio Noun e istibuigies de Atostrs 217 ( af? Cepitulo 1 Ineodugdo eCoteta de Dados | # & © Copliwlo6 Estiativa 283 { Copitulo 7 Fundamentos do Teste de Hipéteses 329 Capitulo 8 Testes de Duas Amostras e Testes de Amosiras com Dados Nunricos 5 + Capitulo 9 Testes de Duas Amostas ede Amostras¢ com Dados Calegorizados 433 Ye Capitulo 10 Aplicagbes Esaistcas na Gestio da Qualidade eda Produtvidade 467 Be Capitulo 1 Regressto Linear Simples e Coretagso $13 E capitulo 12. Modelos de Regrssto Milipla $79 “e Capitulo 13, Previsto com Séries Temporas pra Dados Anuais 629 [BCoplilo 4 A Tomadade Decisio 679 Apéndice A Revisio de Aritméticae Algebra 717 Apéndice BA Notagio para o Somatirio 719 Apéndiee C Simbolos Estatsticos € © Aifsbeto GregoVersion 24 Apéndice D Conjuntos Especisis de Dados 725, Apéndice E Tabelas 734 Apéndice F Documentagdo para Arquivos em CD-ROM 750 Apéndice G Microsoft® Excel 759 fodice $06 Indice Excel 810Sumario Capftulo 1 - Introduso e Coleta de Dados 1 1:1 Por gue um Gerente Precien Conhece Bstasica 2 13 Blames Decnolvmen ea Eaatea Moder. 2 13cm tautecows Genito Maem 3 ~ 1H Bvotsea Desens lfc esac rd {3 Etudes Emmnernvor rant sugar Arico S Vgca Necouiate aloe 7 o 197 Romesde Dados 8 TB —Tabeles de Medigso. 9 1B) —Tiposde Dados 9 1.82~Tiparde Tabela de Medigao 10 19-Tipes de Ammoseas 13 1.19 Deincandg a Armour Aleta Simple 14 9(LTD- Questees Faces ¢ Outas Questes em Pesquisas sobre Ivestigagzo_ 17 TYP lneegagvo do Amortra 17 1-112~Errode Cobetura 18 1113 Erra por Palade Respasta 19 Ll Errode Amostragen 19 en IN3~Errode Medigio 19" 1.11.6 QuesbesEeas 20 1.13}- Iniroduedo e Coleta de Dados: Uma Revisio e Uma Previsio 20 Js foferay ees Assia roblemas de Revico do Capitulo 22 4 Projetosem Grupo 24 Suplemento do Capitulo 1: Introdugao a Utlizagio do Microsoft Excel Parte 1 - Orientagdo a0 Microsoft Excel S11 9 ue to Progam pares de Pius de Cue? 28 S15-1 “Porque Uiteor o icon tc) 28. $112 Foren tia Mos fear Sede to Exel 28 51.13 Ogenzotao at suplemente "29 '1.2-Utiuando Ambierte se anes 29 51.3 its Casas de Dlogo do Mcost xcel 30 514 Uuttan aanla da Apienso do Mcrosat Exe 32 S15 Organuanda os es Se Exrcos Exel 34 Parte 2 -Iniclando com o Microsoft Excel ‘1/6 Modelando Manihs pra um Lio de Exercios 35 519 Modelando 3 Planiha de Cados 36 518 senda Valores em wma Panta de Dados 37 519 “ano fama Mra eGo, 3 S140 Uthaando Copia par Factor a Eliade Semalas 40 51.11 eagancos Aparna de uma Panis be Dados 41 51127 Utltande Funes em Formulas 2 $1.15 Limplementando una Pantha de Resukados 42 $114 7intosogto Andize de Smusgio. 46 5115 Uttrangoo Gereriace de Cention 45 $1.16 Importance Dacor pars uma Pata Se Tababo 46 5117 Sfeumo 48 Termoschave “49Capitulo 2 Apresentando Dados em Tabelas e Graficos 51 2.t~Inmodiglo 52 2222 Orgniando Dados Folha 32 221-A Dupe Ordos $2 222-A Dips Rano Faha 53 22. Urandoo son Excel or Cliticor God on ono Diese Secondo 58 en a 23 ~Tobulado Dados Numdsicos: A Dstibigo de Freqhtaca 60 2341 ~Slecioande@ Nawera de lesser 60 2.3.2 - Obende ox baer de Giases 61 2.3.3 Enabelecendo os Lntes des Clases 61 23.4 Subjeideds oo Scteionar Lines de Castes 62 2.4~Tobulando Dados Namesicos: A Disb de FrogtrlaRelativae 2 Ditibigio éeFeremagen 64 25 -Grifisscom Dados Namios: HiogramaePoligno 66 251=Hstgranas 65. 2.52 Polignos 6? 2.6~ Discs Acumulies ePligonos Acumulados 69 2h =A Dinrbnido de Percemugen Acuntlada 70 (@eatetorerder, 7 ‘umérics: A Dispsio Ordena a Disposio Ramo itso west nc pre tr abies pt Vanes Nurs 74 Bai Inreangso 74 372 bnando a Fe PREDUENGI pr Ober tne Dina de Freq “1 '2.73~ Ulead Ferme a de Dede pore Oter Dirac de Freginclacde Mehta keane Hinopomas 76.374 intamdsodastsenede Gres par Or Polat de Frost ivegromer 39 24- Orgad ¢Tbsande Dor Capriati: A Taba Resuniga 83 38 -Consrino Gees ce Dacor Cnepttados isc: Haraseem Pia 210” Gonsido Grcor de Dados Cacponratoe © Dagamade Pasa 8 211° Tablno Dados Cagorsaton Utada bear de Coningtona, 90 Uteago ower et par Ob abe Gaspard Chegornanr 38 BaP inmotide 93 2122 Undo o Aste da Tbe Dina ior Ger Tabs Reid Spee Teta de Conn 94 2725" itndo whens de npr Ober Gos be ara, eds eae Dagon de orto 98 2.9L Apmsenuohproprads de Tobtace Griese QuetesBieas 103 B31" he Comsegur Conparar Coons Ge Dede ae Bae Rela 103 3132-hdo Corgi ro ot orn Eas Vre04 2.14~ Apmaenaia de Daler Una Revie nacido 198 ‘Termoe-Chave HOT Problemas de Revie do Captulo 107 1 Projetos em Grupo 114 Capitulo 3 — Resumindo e Descrevendo Dados Numéricos 117 3.1 ~Insodg3o:O que Vem a Se 3.2 Explorando ot Dador "118 33 Propaedsdes de Dados Nomésicos 119 34— Midas ce Tendéncia Cent 119 341—A Média Arimbica 119 34.2 A Mediana 122 343-A Moda 123. 344-4 Médiade lntervalo 124 345—A Media ag Jonas 124 3.4.6- Utzando a Fangbes do Micros Excel para Ober Medias de Lcatzagio 126 35~Metiéige Vargo 132 251-~Amplinde’ 133 332 Ampliude mverquani? 134 35.34 Variéncia 0 Desvio Padeda 134. "'334~0 Coeiente de Veriogao 138 315.5 Uszand os Bones do Microsot Ec pare Ober Mdies de Vrs 138 3-Formaio 14) ED Lileano a Ferarenta Anse de Dados para Obie aiticasDesctas 143, 3 Eequema de Cinco Nimeros Box Pat 145, ne 38) -Erquema de Caco imeros 145 382-0 Box Plor_146 518.3 Smuondo um Bor Pl com oEmpreg do Most Exc 147 ‘39 Caleulando Maas Deserivas Resumidas Ge una Populagio 149 49:1 ~ Medias de Populago de Tendeacla Central 150° 3.92~ Medidas de Varlgbo da Populto 150 393 ~Resubodcs 151 3.94~Formalo 133," '3913~Remnindo ar Descoberios a Parr da Amostra eda Populi 1333916 Uiltando» Dero Paro: a Regra Eupirica 154 119.7 ~ Obtenso 0 DeoviPorSo Var de Ppb0 a arurdo Mon cd 1 142.10 —Reconnecend eExerctando Resumes D>crivoe ApropaadoreExaninro Capitulo 4— Capitulo S— QuesbesBucar 156 SMO = Evian Bros de Anais de inerpreagdo 156 3.10.2~ Quenter Bias 157 3.11 Resumindo eDescrevendo Dacos Nomérizos Revisdo 158 ‘Termos-Chave 159 roblemas de Revisto do Capitulo 160 Projetos ent Grupo 162 Case A ~ Pesquisa sobre Satstugin dos Fimpregades nas Inds Kalosha 163, (Coro B Hstudo sobre Nurigho ma Custer do Campus 168 istribuigdes de Probabilidade Bésiea e de Probabilidade Discreta 16 1 Inout 168 452. Probablicade Objetvae Probabidade Subjeiva 168 43 Coneeios Bison de Pobabiviage 169, 431 Bipages de Anos Eas 169 444-Protbitiade Simples Magia) 171 45 —Proebiaade Combnada 172 46" Reprada Adicio 18 4281 ~ Events ManuamenteEscadentes 175 Exounivor 175 447 rotate Coniionat_ 176 $48 Repa da Mulipicagdo 178 Ulead o nates tx! pce ter Probabdades 180 Disrbegto de Probuidade para una Vandel Alea Discreta 182 Eiperang Matematica eo Valor Metso Esperso 183 71170 Valor Bxperodo ea Verde! Aecgs Ditereta 183 4112-4 Vardnca eo Desi Padrio deme Varia MectSria Discrete 184 4.13 Valor MouettrioEsperade 186 {C4 Uttond o Mews el pro Ober Yes xpeadeseVorbacas 186 4.12~ Ax Pongbes de Datsigo de Probabildade Disreta 190 13 Dinsibeigo Bisa! 19 ‘C131 = Desenvolvimento de Modelo 192 Dimibcigae Binomial 195 1.153 btaand o Micasot Excel por Ober Pobebiiodes Broa 196 414 - Gus Diavbuiges de Probbidades Dncreas 200. 41141 = Dsribigo Hipergeomerica 200 4.14.2 Diario Binonial, Negara 20) 4143 A Ditribugéo de Poeron 202 {Fe zonder Eel poo Ste bobizoees pepe, Soon Negotvos de Posson 208 44.15 -Quentes inane Prbabiidade 211 14.162 Protbiidade Basic: Uma Revisto cumaPrevido 212 TermorChave 213. Problems de Revisiodo Capitulo 213 432 Tabelarde Coningbaia | 46.2~ Brentor Coleivemene 4132~Coractersicar da Distribuigo Normal e Distribuigdes de Amostras 217 5.1 Ineducto 218, 5.2 Modelos Maemaicoe de Variveit AlewsrinsConinuas 218 33 A Disribuigio Nomal 219 ‘S31 =A inpordnta da Dirbugco Nona 219 Disribuigae Noel 219 5.3.2 Prapiedades da 543-0 Modelo Moremiico 2205.4 ~Padrontondo a DisribugSo Nome 221 4 Probable Noma 222 s4—pleages 224 ‘$4i~ Eneeondo as Probbldades Corerpondeis a Valores Conkecides 225 542 Exeonrando os Velre Coespondera Probables Centeias 250 5:4-Uizandeo Metso tcl pra Goer robbie Noma 236 56 avalano o Pressoposio da Normale: Cleland Presnes¢ Consindo Grificone Probabiade "239 S61 Eimaando os Dador~A Ane da Andie de Dados 299 562 Cateandoas Propredades 239" S63 ~Consrndoo Orda de Probebidade Normal HO 584 luerretande os Renaas 22 3.65 Uteando o rosa Exel para Ober um Caco Nomal se Probie 240 5.7 Ours Dastbuites de Probabidade Coninss 249 Sia Disbugdo Exponencal 29 57.2-Uutrondoo nicest Ee pore Ober PbabiadesEpoenciat 250 5.8 InwiogioDistibuiao de Amoseagem 251 (9.59 Dintuto de Amoaragem da Média Aiinaica 252 59:1 Proridades do Meda Areca 292 312 Ero Paido da Média ‘Antindica 384" $.913~FocendoAnostrapem Part de Poul des Nomets 253" 594 Fatend Anasragem a Pat de Pope i Disrbigdo Nao E oral 259 mleces ae sitio de Amosagem de Proportes Ei}: eansso micro txts gata Scar Anorins Nets e Sr Obes Ge Aromas 367 SHI Utcondo Fangdes de Miroso Excel pare Slecioar una Amora ‘Aleta Simple” 268. 511.2 Unlizando a Ferroment de Ande de Dados fara Steinar tna Anestra Aleta Part de ma Poplagao 268 {5113 endo a Feramena de Ane de Dados para Gero Dies de Mier Aleatrios 263 5:12 Tando Amosran Pai de Ppules Fins 774 515 Distt ContnoaseDastrbuiac de Amavagen: Revo. 276 TemerChave "ie - nae Problemas de Resi do Capitulo 278 Projasem Grupo 280, 535 -Uilisande as Tobelas Capitulo 6-Estimativa 283 46.1 ~Inrodugio 288 {62 —Estimativa do Interval de Contianga da Melia Attica (@ Comber) 284 63 Estimativa do Intrvalo de Confanya da Mia Artic (@ Desconbecido) 288 63.1 ~A Disrbuigdo de Studen!™ 289 6.32 ~Propriedaes da Distrbulgdot 289° 63.3 ~ 0 Conecito de Graus de Liberdade 290 64-Reamosrager 293 665 ~Estmativa do Interval de Contanga para a Proporgio 296 {66 DeerminagSo do Tamanho da Amosta paraaMédia Ariunéica 298, {61 ~DeterminagSo do Tamanho da Amst para una Proporgo | 300 {68 ~ Clea da Estimatvae Deterinagio do Tamanho dk Amos pra Poplag ies Fintas 303 68.) ~Caleulo da Média Arimética 303 6.82~ Calewlando a Proporgdo 303 68.3~Dereminacte do Tamanko da Amosira 304 69.-Aplicaee da Esimative em Audioria 306 69 ~Intraduedo 2 Audioria 306 69: ees ae eaeseeneare ee mea tos ee TIL 2 cscen tespers tenet atenenancoterapons Sia ice aes sip cn ea cetorp. ite ie cn a Saas as SRE TRE Tet spas ctanae CRIN amen nn tance, Srmaercessinones Get teats pore0Mélade de Rearotrogem 316 610.16 -Uilzande o Mose Exe com 0 Fawr de Coma ce Popuogtes nas 317. 610.7 ~Uttondoe Mra ce or Apart de Estimate em Auto 318 «6.11 - Estates Determinagso do Tamanho da Amst e Quests Eucas 322 6.12 Esimative Inferencia Estas: Reviso e uma Previsio 323 Termos-Chave 323. roblemas de Revsio do Capitulo 324 © Projelosem Grupo 328 Capitulo 7 ~ Fundamentos do Teste de Hipéteses 329 T= tardogdo 330 722” Metdoioia de Teste de Hipsteses 330 72d ~Atipsese Nala eu Hipsese Atematva 330 72.20 Valor Crtico dda Esta do Tete 431 7.23 Reps de Rejeigdo ede Neo TRejegdo 382,724 ~ Riscos na Tomada de Decsdo por Meta da Metodolog ddo Teste de Hinds 333 13-0 Teste Z de Hipbws para Medi Astmsica(e Comhecdo) 395 Resmindo os Pass Jo Teste de Hipoteses. 337 Méiodo dn Valor p pra ooste de Hipteces: Testes Bicaudais 38 16 Liga enve a Eximatvedolaterval de Confianga co Teste de Hipéses 40 13 ~Teses Unicaasie 341 18 ~Métodos do Valor p para Teste de Hipoteses: Testes Unicandas 343 119 ~ Teste de ipstses fru Média Arimiica (o Desconhecio) 344 TDI ~nnoducio 244 79.2~Aplcagde 344 79.3~ Pressposos do Teste} de ma Amesia 346 Gases 22 a tlznd o Miroaoft Exel para Testes de uma Amosca 353 THT = Undcondee Macros Excel pao Tete 2 de ume Asta por 0 Médo ‘mec Conca) “383 721-2 ~ Utzon 0 Mert Excel poraoTestet limo amos pra a Mada Antica fo Desconheade) 356 Tia utkdende o mcs Excel por Teste £8 ura Amos 707 0 Propose 38 “ 71.12 -Hipetees Puteri Annas do Teste « Questes Bicas 360 713 Metadologia do Teste de Hite Revissoe Previsio 382 ‘Termos-Chave 364 Problems de Revsio do Capltolo 364 Capitulo 8 - Testes de Duas Amostras ¢ Testes de Amostras ¢ com Dados Numéricos 367 B= Indagio 368 82" A Escola o Procedimensede Teste Apropriado 368 2) = Prcedimenos Parametric SOR 822~ Procedimentos Parmairien 36h 823A Inportincia des Pressiposas na Escolha do Teste M9." A34~A Biola do Procedimente de Teste Apropriads Quando Comparam Daas Amosiras Independents 369 183 Tene de Vencia Combinad para Diferengas enue Duas Médias Avitméticas A) Inmate 370. 83.2 Desenolssene do Tes de Vaiéncia. Conbinade 371” 833 Apcagto 372 S34 — Resume 375 "Ca Utitro Mice Excel poroo Teste de Vornce Combinads 375 ‘84 Tex de Soma de Clsificages ds Wileoxon para Diferengas em Duss Medians 382 Read —Iuroducdo 382 84.2 Procedimeno 383 84.3-Aplicacie BED. cero str oN Tet Soma Castes de ies? ag 5 Tote oar Gem Ds Vaincas 392 E31 odin 0 E63 ~ Denies 92 SSR Aplcuge 390 8S4~ Conte 395 tzandoo reso Excel para o Tet pore Dilerengos ene Duos seniTse FANOVA Fa Doge Eases erent leet ae Meenas ae” Ses conan Mii hier St ab Secale see) Gpisies 0 Mirott Exe por Texte ANOVA de ot Uno 412 t onder el poo Pon oe Congo Maer 147 ~Tet de Cascais de Krasa- Walls para ifrengs er Medians ¢ to “immatacts is" "aoa Buchenincne aie es A AAS: Veo ond Monk ce poo Tx de Cotter de ik ° renga entre Medianas¢ 422 ee aemes #.4—Tenes de Hipsess Basador em Duns Anoss¢ em Amos cde Dados, Numericor Reviio 6 Termes-Chave. 427 Protlnss de Revise do Capulo 27 4 Projensem Grupo 31 Etude de Caso € Teste de Marketing e Promogio de una Canela Eserogriicn 30 Capitulo 9 ~ Testes de Duas Amostras e de Amostras ¢ com Dados Categorizados 433 Suteinmdogto 34 5.2 TetZ pr Dferengas em Du + Proporgs (Amos Independents) 434 $21 hretygso "as" 92:3 ~besnvohinene ae 3 Anas 5 ond Misra xl pro Tete 2 por ieenas em Duos 93 Peper, a7 a am ~0 Fes prs Diferenga enue Dua Propores (Amos Independents) $40 9.3.1 ~Introdugdo 440 9.3.2 Desenvolviment» 441 > 933 ~Apicalo 442 9134~Teswnae quad Iyalede de Das ua Pert tnt de 2. rat de Cipro eer A 4. ~ Oeste pr iferengns en Proportes (amos Independens) 4 ‘#9.5~OTese x7 de Independéncia 452 “ * a utzon o Maa cel poo Testes 458 ene de Hips com Bascom Dado Caegiadot Nevo 6 ‘Termes-Chuve 462 * 2 i Problemas de Revsto do Capitulo 462 Estudo de Caso D ~ Pesquisa de Satisfagto de uma Companhia de Aviagio 463, Capitulo 10 ~ Aplicagdes Estatisticas na Gestdo da Qualidade e da Produtividade 467 Vo=Invedeio 468 102 Qualia e Procutvidse: Pepsi Histriea 468 103~A Teoria dos Gificos de Conde | 463 1044 Aigasisuents paras Eur umn Process: Diagrams en Espina de Pine (inka) Dg de Fingers ot kt ~furodgeo 471. 1042-0 Diagrana em Epa de Pie (nde Iiikana) "62" 104.3 ~ Digrames de Faso de Proceso 473 105~Os 14 Poms de Deming: Una Teoria de Gerénca por Proceso “477 103 Graficos de Console prea Popo eo Mimero de les Fara do Padres de ‘estate Caieospenp. ~ hradacee 1062- 0Grsfcop 480 1083-0 Gri op 484 el? utzon o bicese Excel par os Cfo p ep 488 107-F Esperiecia d Mignga Verma Varabiiade do Proceso de Enendmento 4 1048~ Gries de Cone para» Amplitude (Rc para Média Aditi) 496 TOI = nraduiie 96. 1082~GrifcoR Un Gr de Corl para a Dipenas WP i083-Criteok oe Uttzonde © Mies Exe por os Gros R eK 507 1.9 Resuno e Visto Geral 508 ‘Termos-Chave 509 Problemaede Revislo doCCapitulo S10 ‘apitulo 11 - Regressio Linear Simples e Correlagio S13 Tin =o Si4 112-0 Dagimsde Dipenso 14 113 Tipor de Moseion de Resto S18 HAT DBSanegode eared Rages Line Spies 0 Vitis dos Mininos Guadrados "330.1142 ~Prenistes a Anais Regrenior nerpolotoversa Exrepolerdo 522 115-Eno Padi de Esimatva 325 TH62 Mesias de Variago na Regressions Conelaglo sm Mia) cObenieds Sonate: Quadroder” 537 11620 Coffee de Daserinagio 539 CES ition sitet de Creo do Miso Excel ea Fungo TENDENCIA po! nde ete 30 11.7 ~htteonco o fesaments hes Dados pura Regreso 535 13 oeaghe- Matindo «Fog a Associanto 337 T1810 Coefsiene de Canela. 337 AUSSS Dnaeandoe fomas COME so rset Excel pare Andie do Cone. $3 119 “Presapots da Regrwso eda Coreloto 341 iO Andtne de Resiuos 343 Tot modus 342 1102 Avliado da Adequate do Modelo Slimede "30h 1110. valine dos Pramposer 343 a tdzond oteosoh cel por ase de Ress 47 1111 Neda utocoretyor A Bsus de Din Wason 548 WPT tnradads 3811112 ~Gnifieor de Restos para Detector a Matarlagae "318 "1.1130 Procedimet de Durr Wauson 550 ES Uitndoo izsentie pr bao tare 352 11.12 Exim do nerds Confongs pra Prever 388 TIT Obtemte de Estado icra de Cone 54 AETBSS bcos» hero cl pore Ober ume Exot donc Beaton pare 35? 113~ Exim metal de Peis para ums Observes Individual ¥, 559 TTL Obtengdo de Esai do Itevelo de Prevsdo 338 ALTE a rh ct Oran sai nen a Ps fay 00 1114 os Paint Foam Reese Coro 5 1HAS~Anmaiias na Repessto eQueses cas 64 Misa iwodagio S10 Th1S2~As Amadis da Reqressio $65 T1133 Conercoe as 508 11 16~Resumo e Visto Gee 569 Termos-Chave 369 Protas de Revo o Cuptlo 70. usa de Caso f= Previso de Creulagto do Jornal de Domingo 516 Capitulo 12 - Modelos de Regressiio Mailtipla $79 121 = Ineodugto $80 122 ~ Desenwolvendo.o Modelo de Repsssto Mikpha | S80 11.3 _Previnde da Vandel Dependent ¥ para Valores Fomecis das Vaieis Expiewivas 586 12.4- Maid da Associag30 no Modelo de Regressto Maipla $87 125— Andlise de Resid na Regressio Molipla 388 T26-Tenandoa Sigaiieicia ds Relago engea Varitvel Dependence as Varnes Explcaivas 390 1 Testando Paces de umn Modelo de Repessio Miltipha $92 {2K Inference Relcionsda 90 Coeficiente de Regseso da Populagso 997 Tae) Tesesde Hpiess 997 [282~ Euan berated Config129 -Coxfene de Denia Paria 620 1210-MaseiodeRereaso Curiae £0 1210 ~Enonands os Copies deReqrestocPrvendoY 602 12102 Tenens o Siete ce Mol Carve 04 131a3~Teaonios Bf Cnc 121 -Models Vans Simin 03 12122 Oster Tipos de Moise Reps. 612 Teta“ Tormos de rapt Models de Regresdo. 613 12122-Uinindo noma eon lols epee. 613 123 Moluoiveandde, 618 GEIS Uitanda etc tas pr ners tps 616 Tera Garon Guus epesssde ferent sir Dado pore Rpesso Mingio iy 13.15* using wpe Consfen deferens war Dat po fer ape ST 72S nde an pare Ober os Coxe de etermizeo fowl 6a"? 144 elses otto Ee phage Coen, 619 12's “Utdzone oNscoet Ec py oa ees Vorb 12S ¢ Shao Foes hae Se {ote Uno 9 ero Ea pr Ober otro do orbno 620 1215 Armaan na Rgresi Mhipne Que Ear 620 {13 Amadis na Regrets Mie, 20" T2132 ~ Comes dices 0 1216-Resanoe Visto Gen! 622 Teimoechve G2 Problema de Revit do Capitulo «22 Ende de Case FA Commpathi eProcamento de Batata e Mountain Sa ee Capitulo 13 ~ Previséio com Séries Temporais para Dados Anuais 629 TL -lhwrodugio 630 132A Impondacs da Prevsio nos Nescios 630 1324 ~daradugdo Previso620 1222~Tipus de Metal de Previn 630 1323 = radu Anise de Seven Tenporait 680 1324~ Objeivos da Andie de Sértes Tempra 631 15.3 —Faiores Componentes do Modelo Csico Multiplicative de Series Tempocas 631 133 Introdugdo 631133220 Madela Cision Mulipictva de Sees Temporais 632 134 ~ Ajostand a Série Temporal Anal: Méias MéveineAjuste Exponencst 63 1341 Médias Mévelr 634 [342 Aji Exponencll 637 (LEED. tran o mirosot xe pore Macis Mévee Aste Exonercol 640 135 “Aadlise de Sis Temporas de Dados Anais: Ajostomentose Previn da “Tendénca dos Minimes Quadrados. 646 1351 =O Modelo Linear 615 13.520 Modelo Quadrético 649 135.3— O Modelo Expanenclal 650 azn 0 Miroslfae por Aur 0 Tendéci dos Mirimas Guodrodes 631 13.6--Modelager Avto-Regressiva pan Ajusamento de TendZaciase para Previsio 688 = Desenvolinenta do Modelo 658 Utlznde 0 Mose Exel para Medlogem Auto Represive 666 13,7 Bseofhendo umm Modelo de Previsdo Apropiato 668 IA2. ~Andlige de Resduos 656 13.7.2 ~ Medinde a Mapnitude Uo Ero Residual 667 13.73 ~ 0 Princpiode Porcini” 657 174 Conparaia ere Giro Méiodos de Prevsio 667 PAZS~Selogio do Modelo: Um Aveo 620 Ueands «ns cl pre Ober ea ttt co Mo 138~ Armaaihas Reltivas Andis de Sree Temporis 671 1.9 Resomoe Visio Gerd 672 Termoe-Chave 673 Problema de Revsio do Capitulo 673 Enude de Cero G ~Cimblo de Mocdas Estrangciras 677 av sumo apitulo 14— A Tomada de Decisio 679 V4 Ineodigto 680 14.2 —Tabela de Retoroe Arvore de Decisio 689 143 ~ Crisis pas a Tamada 6 Decisto 634 14:4— Tomada de Decisio com lformagics da Amosva, 692 1455~ Uitidaée 700 146~A Tomada de Deciso: Revisto 701 ‘Termos-Chave 703, Proolemas de Revisio do Capitulo 703 Respostas para Prablemas Seleconados 707 ‘Aptndice A ~ Revisio de Aritmética e Algebra mT AE Rea Se att ‘Apéndice B~ A Notagio para oSomatério 719 Apéndice C - Simbolos Estatisticas e 0 Alfabeto Grego 724 Cl Simbolos Estatsicos 724 €2~ Alfabeto Grego 726 ‘Apéndice D - Conjunto Especiais de Dados 725 Dil = Conjunto Especis) de Dados | 725, D2—Conjunio Especial de Dados 2. 730 D3 ~Conjunto Expeial de Dados 3732 Apindice E-Tabelas 734 EL ~Tabelas de Nimeros Aletéelos 735, 2A Disbuigho Normal Padronizada 737 E3 Valores Crtcosde 738 4 Valores Crios de 740 E5~Valores Caicos de F741 {E Valores Cros Inferior: e Superiores de 7, do Teste da Soma de Classificgbes eWieoxon 745 E:7- Valores Cros do Interval Q de Student 746 ES —Falores de Grificos de Contole 748, [E9- Valores rico ded, 4, da Exaitica D de Dutt. Watson 749 Apéndice F - Documentagao para Arquivos em CD-ROM 750 : 1/=Visio Geral do CD-ROM 750 Conteido dos Arquivos 750 3 — Arquivos dos Livros de Exerctcos do Microsoft Excel 756 FA Insgbes sobre 3 Italo do CD-ROM 758 Anéndice G - Microsoft® Excel 97 759 Parte: Ataliages do Suplemento do Captulo 1 761 Pane I: Atuaizabes em Grifics ea Tabla Dinkmice 768 Pane I: Uilizandoo Asitent para lnteroet do Mirosot Excel 97. 799 Pane IV: Guias de Referéncia #03 Indice 806 indice Excel 810Prefacio ‘Ao planer este livro-texto os autores se concentraram na maneira como feramentas de produtvida de desktops (microcompuladores), ais evo aplicativos de planilhas de edleulo,vém alterando os pr cessos de tomada de decisio gereneial. Enguanto no passado ces prcisavam recorrer a um Depart znento de Desenvolvimento de Sistemas de Informagia Gerencial wg 3 um Centr de Informtia i {de ober relatérios personalizados gerados partir de dadoscorporativs, hoje um nner ea ver ie de gerentes ullizaplanhas de edleulo como meiode recuperare analssr diretamenteos dadosdos qua necessiamn, Neste contexto,cimpregadorcs,atalmente,esibo comegando a desear se no a exis} {que seus empregados praduodos em fucukdades, no momento de sua admis, possuam mais do 4 tim vago conhecimento sobre ferramenastais como aplcativos de planilhas de ealeulo, Estas mudangas, juntamtente com conscientzago de que aplieaivos de planilhs de edleulo pode realizar um tipo de anise anteriormente ealizada upenss por meio 6 pacotesesatsticx especial dos, nos levaram a desenvolvereste Enatstica Teoria e Aplicagtes Usilizao Micranft™ Excel. Nos texto coniém as seguintes caracterisicas que odistinguem de muitos outs extovetatisteos disp is para estudantes da stea de administagdo ‘© A.utilizagdo do Microsoft Excel como uma ferament para andlise tea a0 longo de tao texte ‘Uma versio simplificada de abordagem por wpico, com amplitude de cobenurasuficieme, ‘* Enfase na foco gerencial para mstedos estatsticos. CARACTERISTICA PRINCIPAL: A UTILIZACAO DO MICROSOFT EXCEL PARA ANALISE ESTATISTICA AO LONGO DE TODO O TEXTO Exiatistica Teoria e Aplicagies Usando Microsoft Eve integra upicaive & plnithas de eSleulo® crosoft Excel a0 longo de todo o text. Esta abordagem é fundamentalmente diferente da dos vi textos publicados e revisados nos ikimos vine anos. Desde oadvento da revolugo da informa, tos estalsticos vém despendendo esforgos para alcangar 4 maneira spropriada de incorporar 0 uso pacoies de sfiware para aestastica. De mancira geral, pacoles tals como SAS, SPSS e Minitab ido apresentados, Um dema envolvendo o ensino desse curso na faculdade é de que modo osestud. {es poderiam ter aceso (Trequentement através de licengas de uso e versBes para alunos) ao sofiw estalistico selecionudo c como esses pacotespoderiam ser utiizados no curso. Geren, os estud tes nio esti familiarizados com esses pacotesuntes do curso de esatistca, esomente wn ndiero it {ado pode ailiz-tos nos cursos subsequentes. Assim sendu, os estudanex podem vé-os apenas co ‘mais um obstdculo a ser ulrapassado durante o curso de esttistica. 'No entanto, nos ultimos anos, com o crescimento da fuscionalidade e do poder dos aplicat e planthas de edlevlo,praticamente ads os tipos de anise estarstica ensinados pum curso introdut \m o Suporte diteto do programa Microsoft Excel (Versio 5.0 ov mais recente), disponivel para u variedade de diferentes sistemas inclindo Windows 3.1, Windows 9S/98/NT © Macintosh. Além seu possivel uso num curso de estatistiea, os alunos constaniementeaprendem us fundumentos de u aplicagio de plaifha de eleulo ~ ou o proprio Microsoft Excel ou um programa similar ~ em um cu 4e sistemas de informagao, e ent uizam o Excel ei cusos de contabilidade. finangase ouras it 4 administra. Mesmo que nia estejam faniiarizadox como Excel, eles. sei divida, texto ou\ falar deste software, e sua wlizag no curs de esatisica dar maior relovineia a0 curso.‘Tendo emvista que ahabilidade cm aplicagdes de planilhas de e6lculo dos alunos prineipiantesefe- livamente varia, e como a disponibilidade de computadores na escola e em casa égevelmente limita, ‘a demonstra de como o Microsofi Excel pode ser incorporado a um curso deestatistica também deve ‘variar. Este ivo fi eserto para una série de stuagbes, incluindo as seguintes: 1. Conceitesestatstcas com 0 desenvolvimento passo a passo do Excel, Professores que queiram cnsinarconceits estaistcos eo desenvolvimento de salugdes baseadas em Excel rio descobrir que © texto inclu instrugSes detalhadas para o deseaho e a immplementagio dos livros de exercfcios (workbooks do Excel para cada tdpicoestalstico discuido, Ess nstrugées so apresentadaswil- ‘zando-se uma metodolopa de desenvolvimento coerente, que auxiiaoestodante no desenwolvimen- {0 de suas proprias soles para problemas estatsicas. (A metodologiaestéresomida no Capftulo 1S eestdrefltida em todos os lives de exerccios de Excel que se encarram inelufdos noCD-ROM. {que acompanha ese texto.) 2. Concetosestalisticos eom utilizasio do Rxcel, Professores que queicam ineuir o Excel em seus eur sos. que, no entanto nfo dispiemt de tempu ou inclinagn peu Uscutrpassosespeciticos do desen- Yolvimenio do livto de exercicios podem simplesmenie uilizar os exemplos implementados no CD- ROM que aconipanha este texto, juntamente om as pares das segs de Excel que analisam os resul- tados das livros de exercicios. A imtencio de muitos dos livros de exericios do CD-ROM ¢ permitir «que funcionem como gabartos generlizados nos quas diferentes conjuntos de dados podem ser nse- ‘dos eanalisads. (Cada seo Excel inl pelo menos um lvro de exercicios, «as verses inlizadas de todos os livtos de exerci cua implementigo ¢ discutda no texto esto ineludas no CD-ROM que ‘compnh este ivr.) Além sso esta edo revisida incu meos vos de exercicios macroeat tizados que apresentam solves para novos problemas com apenas um clique ov dois do mouse. 3. Conceios estatisticns expastas em Excel, Quundo o professor guise trnar os estudantescientes das aplicugdesestatsticas de plans de eileulo mas 9 90 direto do Microsoft Excel no €pritico, ‘9s eltados obtidos a partir do Excel para cada t6pico estattico podem ser ilustrados. (Nestes c3: 0s, © conteddo do CD-ROM pode servir de base para taefas pessais opcionais ou para o enrique: timento do aprendizado do aluno.) Aspectos Especiais do Texto Relacionados ao Excel 1 para o Excel. Tendo cm vista as diversas experiéncias de alunos novatos este texto incl ilo tutorial de faci eompreensio, Inrvligde a Urlingdo do Microsoft Exel (Copttula 1 ‘Suplement, que pressupae nenkuma experigncia no uso do Excel ou ambientes Windows no qual 0 Prograna exceuta 2, Utilizagio da estrutura do livo de exercieios. Todos os exemplosdiscuidos neste texto fazer ws0 mipeto das FungBes doiveo de exerci para organizar deforma Idgicaos dado, o eleulos © 0s resultados de uma anise estaistica em diferentes planithas. Além disso, todos os livros de exert € incluidos no CD-ROM que acompanba o texto contém plaifhas de visto geral que resumem © ‘ented dolivro de exercicios ¢ os conetitsestatitics relevantes. A planilha com uma Visio ge- ral relueionada a0 exempl discutido na Copitul 11 est ilustrada na Figura P.1.Excel 3 seguir ‘3, Instrugoes generalizadas.Insirugdes 0 textos para uilizagdo do Microsofi Excel funcionariojgual- ne bem coms verses aus do programs para Macintosh, Windows 3.1, Windows 95, Windows 98.c Windows NT. (Detalhes que 530 espectios para ambiewias Windows em particular, ais como (0 uso de chaves aceleradoras, fram evitados.) 4. Métodas alternatives do Excel 50 comparados. Quando proprio, o texto explora a diferengas en tte uso deferment de Andlre de Dados eplanilhs bascadas em férmulas para aise estates, ‘. Cobertura de um amplo conjunto de fungGes Excel. O testo inclu uma ampla discussio das fungbes especalzadas o Assistene da Tabela Dinirica. 0 Assistente de Grifico 0 Assistete de Imporago de “Tento para importararquivos de texto para o Microsoft Excel s feramentas de Anise de Dados para andliséestastiea eo Gerenciador de Cendres conn una ajuda ns anises de simulagio What i) “Girone van ttt mu mee ein wht spl oa Ee.) 6, Livros de exerefcios macro enfatizados Esta edi revisads ine indimeros livros de exercicios macro enfatizados. Integragao com o Excel Em cada capitulo subseqlente ao Capitulo 1,86 ter sido abordado um tpico etic, 0 wso de Micosof Excl alos o pico ettiico€dsutid em deta pst paso, Cada apesenac Ub Encl tem com ebjeivoategurar que os alunos sr capazes de wiz as fag esporBes dk Sterno prs fcr 9 gus acabou de se aera No ext. Assi. ao tennaro texto os anos tere Squires fundancmos in Excel prs rar eu pros rox de exerci ean ais ‘eked cout ipo de ania Unexcrplo deve dette pode er istonadisessto do wo do Exe pars obler entitles desrtive Nas SeyGes 3.4.6€ 35.5, as fungoes Excel so disctdas, 20 passe que PatSoquo 3? éexpcadsauilzayio da ferramenta Anise de Das, O produto cid partir do Esse ai osedo na Pig. 3:7 Saves que ext eproducid na Figura P.2. Free sui. ners reprosugBes de ia tai como exta slo vliiadas ao longo Jo texto qualquer produt sts obido€expicado em deta Dados das Etcolas da Pensilvinia Eg Variavel Taras de Escolares I Méela Artmetica 38 Mediana 23 Moda ND Minimo 49 Maino 7 [Média de Intervalo 83 Classiteagdo do Primeiro Quart 4,75, 12 Primetro Guarti 63 IClassiteasio do Terceiro Quer 6.25 4 [Tercews Quart 103 {AS Maca das Jurtas(Michinge) a3 setamenanmess eens canceExemplos de Simulagao (What If) (Uma das vantagens de ulizar uma aplicagSo de planitha como o Microsoft Excel 6 que ela facilitao ust ds ani de simulago, que permite a0 aluno explora oefeito de modificagaes de valores de dade. (Um exemplo desta andlise ocorr no célculo de probabiidades numa curva norm, A Figura P.3,EXcel ‘mostra 0 Uso do Excel para se encontrar uma probabilidade numa curva norm arses caso, semudarrns odesvio pdr par 10, obieremos os resultados mostrados na Figura Pt Exce Iatimeros problemas 20 longo do xt inclvem itens que pedem a aluno para fazer esse lipo de anise 4° simlagao. Estes problemas s80 marcados com um cone Excel HER, préximo da parte que fequer uma anise de simulaglo. Este tipo de andlse de sensibilidade enftiza a comprecnsio do t6pico espe- cifieo estudado, Para facilitar o uso de inimerisandlises de simulagdo, a fungio Gerenciador de Cené: rios do Exeel € abordada no Suplemento do Capitulo ‘Sobre 0 CD-ROM que Acompanha a Edigao Revisada deste Texto (O.CD-ROM que acompanha este texto inclu Hivos de exercicios Excel para todos 0s exemplos diseu- Lidos no texto todos os prubemas destacados com um icone Excel (0. CD-ROM também con- ‘6m deasssete livros de exerciclos macro enfatizados. Um (MOUSING XLS) permite que novatos (e {oxox os demais) pratique as habilidades do mouse no uso do Micrasofi Excel. A iustragBo na Figura P.S.Excel representa uma pate deste livro de exerecios, (Ours livrs de exereiios macro enfatizados posibiltam ao ususto ober solugdes para novos pro- blemas com apenas um ou dois eliques. Todos estes vrs = oF [+ - Lay eel 2: 3 éaia Arnica 18 “4 IDesvie Padrio 6 1 [Probablidades da Cauda Esauera orm dex « |_7 Water deZ a BrP px Voebatslmonte possi Tndos de i Poupangs doGovemodse UA? = Sm) NSO) vant covitas Discsias ——> Yoed atualmenls ang? __Niaro Numéricas <7 CContinsss pe Oust a sua ature? Motos nwo Clade OeDados diserets siorespostas numéricas que surgem a pati de um processo de contagem, enquan- ‘to dados continuos sto respostas numéricas que surgem a parr de um processo de medigi. “Oniimero de vistas assinadss” é um exemplo de vsssvel numérica discrete, uma vex que somente um ndmero intere pode ser obtido como respost, Alvalmente 0 individuo no assina nenhuma revista, assina uma revista, duas revistas assim por diane. Por qui lado, "a altura de wn individuo” € um exemplo de varivel numérica continua, uma ver que a resposta pode assumir qualquer valor dentro de uma extensdo continua ou de um intervalo, dependendo di precisio do instrumento de redigio. Por texemplo, uma pessoa cuj altura ¢indicada como 1,70 m pode ser medida como 1,702 mi, 1,703 m ou 1.70312 m se um instrumento mais preciso estverdispon: el. Portanto, podemos verifies que a altura um fendmene continuo que pode assumir quilquer valor dentro de unt intervalo, inleressate notar que. tedricaments, dus pessoas 10 podem ter exatamente a mesma altura, uma vez que quanto mais refinado odispesitivo de medigao, maior a probabilidade de se detecta diferengas entre ela, No entanto, a mairia dos dicpesitivas de medio no € suficienementesofisticada para detecar pequenas diferengas,edesse modo observes iguats so fequentementeencontradas em dados experimenais ou de pesquisa, ainda que a variavelaleatoria seja verdadeitamente continua 1.8.2 ipos de Tabelas de Medico Poderfamostanbém descrevernossosdados resulta de acodo com o nivel de medio aleangad, Em sentido mais arplo, todos 0s dadoscoletads so “medidos" de alguma mane. Por exempo, dads raméricos discetos podem er interpetados como aqueles que sugem de um proceso de medica aravés dle contagem Osquar nveis amplamente reconcidos de modiqso $30 — do mas aco 20 mais fore Ax escalas nominal, orina. de iervalo ede proporcionaldade + Escalas Nominal e Ordinal Dados obtidos partir de uma varivel eategorizada sto interpeta- os como tendo sido medidos numa escala nominal ov numa escala ordinal Se 0s dados observados so merament classficados em véras eateyorias dsinas, nas quais nernon ordenamento est impli- tito, €aleangado um nivel nominal de medio. Por ozo lado, se os dados Observadosforem elas ‘eados em categorias distinas, nas qusis o afdenamento est implicito, stinge-se um nivel ordinal de ‘medigdo. Esasdiferengas sfo mosiradas nis Figuras 1.5 ¢ 1.6, respectivamemte, ‘Avescale nominal a forma mais fala de mediga0 porque nenhunna tentative pode ser feita para apurar as diferengas dentro de uma categoria em particular ou para especificar qualquer ordenamento ‘ou dirceianamento através das vérias eaegoriss. A escala ordinal & unva forma um tanto mas eficaz ‘de medigio, porque um valor observade em uma categoria em geral possui mais de uma propriedade na tabela do que um valor observado clssificado em cutra categoria. Nao obstane, dentro de uma categoria em particular, nig & feita qualyuer tentativa para apurar diferengas entre 0s valores classi ficados. Noentanto, a tabela ordinal sinda & uma forma nsufieiente de medigdo, uma vez que nenh- ‘ma assertiva numérica significativa pode ser feita sobre us difevengas entre as eategorias. O ‘ordenamento indica somente qual categoria ¢ a "mgior", a melhor” ou a "preferida” —e ndo quo “maior”, "methor" ou “prferida” elas S30. Por excmplo, campeonatos de basquete ou futeboh univer” sitdrios 530 outra aplicagdes de tabela ordinal. As diferengas, quanto 3 capacidade, ene os times clasificados em primeiro e segundo lugares podem no ser iguais 3s diferengas de capacidades entre | Vandre! Cleporcade | Propiedad de automével — —q—e Sin Nae | Tipo de ca. do vida que possui—g—t Prarobmtado Por dete Toda a vida Outro Nenhum | Fugio pari peice @—S- Demcata Republcaro Indeperdente Owes 10 caplet Vanivel Cstegorzaca (Caagois Odenacas . a a (Wate baizo — wale ata) (Caro SegundaniaTercotarta Quarries Htostsieto Ratovamerte Isao Neuro elsiorsnts Selteto Muto Salseto {Ue tmprdpr ats 12 anos moro ald 14 anos Inpro ai 18 anos (iis ato Mae alc) Priest inser Protest Assoclaco Protesor Aca at's 80888 CCC CCC 000 00 D Denominage de clase 6 esudare Senstagao so peae Classicagiode times “Ta nafocliade canteen Steet Pe equmasemnssmetre st eeeee meee Figura 1. sample deecdatna of times clasificados em segundo eterceiro lugares, ou entre aqueles classificados em sexto st so. ¢ assim por diane. + Escalas de Intervalo ¢ Proporcionalidade Uma escala de intervalo¢ uma escala orenad tm que atiferenga ene as medigbes€ uma quantidadesinificaiva. Por exemplo, 20 meio-ia, um: Teitra de temperatura de 8 graus Celsius € dis graus Ces mais quente do que uma leiura de tem peratura de 36 graus Celsius Alémdsso. a difereaga de dois graus Celsius na temperatura 20 meio-d mesma que seria obtida seas dua leitras de temperature fossem 34 € 32 graus Celsius; portanto, diferonea tem o mesino significado em qualquer ponte da eseala. sie ‘Sev além dea diferngas sere signif uivs e igus em toes os pontos da esa. exis zero verddeiro de modo que as propoteionalidades das mediyGes seam sensiveis para se considera ‘atts esata € uma eseala de proporcionalidude, Unta pessoa qu tem 2 m de altura 6 duas veze fray alta do que alguém que tem {mde altura; em :r-ento, medidas de comprimento So esc ‘de proporcionalidade. A temperatura € um caso mais stil: esalas Fahrenheit e Celsius (centgre {do} sho ecalas de intervalo, endo de proporcionalidade demarcix 0 do "0" € arbitra, no € rea ‘Ninguém poderiaafinnar que, a0 meio-da, uma leitura de temperatura de 76 praus Fabrenheit€ dus wezes ina aia do que ui Tetura de temperatura de 38 graus Fahrenheit, Porém, quando medida pani de um nero absolute couno na escala Kelvin. temperatura esté numa escaa de proporcional ‘ade, porque dobrar a temperatura é, ra verdade, bra velocidude mia das moléculas que con pen aubsancia, A Figura 17 oferece exemplos de varidves de excalas de inervalo ede propore ‘onalidade. ‘Admite-se que em geral os dados obties a pate de variveis muméicas from medidos em un scala de intervato ou em uma escala de proporeionalidade. Estas escals constituem nivel mais ‘de medigdo, Elay suo formas nai eficuzes de medigao do que uma scala ordinal, porave podertos i tinguir ndo 36 qual & 0 maior valor observado como também quio maior ele 6 Nivetde Moco | Timpeaiaa|ongaus CanaouFthcene) eine | Verdes Numtrica Ceicncano (reponano, ebracacuamco) “ype tervalo | ‘urn (om plegadas ou contietos) Se Rrrercnatd ras ov qaogeamss) SF empaccionatcade {doce (om anos ou das) > Pecvorderanade Sali om asses amedcaros ovens iaponeses) SF Propercionaticace figura 1.7 xemplo densa de interaloe de proprconaiade edie Colta de Dados* Guldados: A Necessidade de Definiges Operacionals Independentemente do nivel de ‘edigdo de nossas vativeis. definicdes operactunais (ver Referéncia 5) slo necesséris pra seolnera ‘esposia apropriads ou alcangar 0 produto apropriado, ‘unicado a outros individuos. aigo que tem o mesmo significado ontem, hoje camila prrstooos 9s indiefduos. ( {Una defini operacionalforece um significado pare um conceito ou vrivel que pote seo. Como exemplo, pegue a palararedondo,Emiborso dion oerega um significado em temmos ite ‘ss, éneeessro um signifiado que possaserutlzado na pies Desc modo aqucalo rat oko gu iis rondo, pore quan algun cosa eatasa "ser eaonda” anche sane nie é redonda. Is presser defnido de umn modo que se poss apicar deforma convene, deta ara um irabalhador a producto, por exerpo, Se proto a Prod), No contexte de una penn, consider perguna “Qual su dae?” Para evi problemas de bigtidade, devemosdesenvolver uma ding opecions] pra as respsis pour Pees 1o,dovemos deixar claro se aidadedeveria se epotaraoaniveraro mas présige bono lies ne eto, uma vez ue, eeu aversion primo ins, voce provavelmente Caaihone oan anierrio, quando estar compltando 20 anos no entano, vo® na provavelnene pone ons idadeaualseesvese completanéo 50 anos" Como mais um exemplo de dtnioes operacionss, consider a seguinte noticia qu aparece num jamal de um sbsibie de Nova York alguns nox "Fors cans Consagompor Cabsre Settles ae _ Povonda do que Nason? LILCO eo Cena Guraudacordan=' Oartgoincluivensd dosti adr eee do conn de Suk estanos conan qe SufoK 60 n°) ais tor executivo do condado de Nassau (-Vamos dclrr um empate no espe ds coopcrraa nat sal) Ear ques ierenga nat dus eximaivs decor J fede que oCenss seasev oy ‘und Lighsing Company (LULCO) possuem diferentes deines gpcacionas ulead pene ina appulagso ns dois condados.O Cans Bureau lia tnas de escinenloc wavaldade beds lode migra confrie demonstra nes devolugtes de impost de enda euna oem asc nea {650 nlmero io de pessoas por domo vem Gininui longo dos moe aioe Por Had, como se podeia ever a LILCO wil o nimera de meddores de une it dors oases 62 Pa construgo eu ator para @ nome de peso em cade omnes, Problemas para a Segéo 1.8 13 Esgigue denn caruma vie! ecyas na andy dum explodes 14 Eas cena ene wa nel enna deseo onto are ak ‘sone am 9m ans ps ue ee oe nee ei Yandel se nen eas ec a ea PHO 1 amie eam seg aves Ceacpe eae ose unde de iv tines se mera Sco cons ie Sn oa a ‘Ein penton pan conan re ("Niner cee pasa ©) ipod tone pines cao 19) Nimeyode cana dona dst aad por és {Suet em mn) Gaon degra abs es Sai porns (6) Co disco pchaeene ites (8 Tae mel eae ences pra hana og tin eds te) Pptete gence OS Ninco de came est cate ors {Dolo ten mimes oe cham ese po ns {) Seeds eterna eee cpus daieio 1 ‘Sinai te seis ia xa snd dvs doen diene 12 Capo} | te lipitor @ se een Hise tatemcere ee ence ae ae tpt eee ce cree eee eee fee oe ote eae ogee cerearaerl ae a coaeneetes Se ee oor ree ape Cee ee ee tn ih goles e er pea e e, eae ricer Sinisa pees isan fainter @ taeecas 1.9 Tipos DE AMosTRAS Confone most a Fgu18exssm bascamente dun expsies de amos: mesa probabliin cama probabilistic, aso xen sme um ai po Bitte eona una uc degen pont Nears sop dea fot treed dona pe ge sear aoe im de a iybcemum pessn Aig outee vento pcs de omrapetn ocean ti Stoning de qua (quot sping) os snontgan Se in (ch sping) aso Scar mas neat tm ars eapsndt em mods mostagem re Reeten Waeto, “Mun cada eumensive, yoo meio de fazemos infers sali cota Je uma am pats ppl ve inset ana proba ‘Uma amostra probabilistica ¢ aquola na qual os Suits da amostta sio escolhidos com base probabilidades conhecis lavage Cle de Ox“Tips be Aosta Uizadoe —|— — Y Y ’ t 1 YY nia Amaara Fata facia agosto Acta. Ante Jbiopmeni ‘Smet tea a Figua 18Tpos de amos squats de amostasprobabilisias gerlmente mais iad so a amosta set simples, Sinn stenien manna ent ee (lt "NS aml spe ns nin oe por area chine ess deca drut een ues sed dh eh om parla st hnces de qualquer our er escahido, Alem dso, uma amosia sles simples também poe ser tlic como aqelano qual cada possve amos extn pons anes cance Slog de values amos qs oder etext = na seuss deals sobre procedimentos de amosiagem semis, amostrapem esas « amotragem de gropo pest encnirada nis Partai (310. “ “s 1.10 DELINEANDO A AMOSTRA ALEATORIA SIMPLES tem sido bt de evlude ds procadimenes mis sic. . pic ia etna eaten raeinerenateee tage cee Racca a Se ee aon ist earn becca cient heaence en atta = rn ree St umetnman inner momen cipal, ¢entdo este 14 Captus caro expsiien 6ecolocado na cesta (amostagem com reposigia), Os cartes na cet io eto cae a eageuna caro€feado, Ume vez reclocaco o prime cro chance de aa ren pnulay na sgunda rade inchindo ate prime nv, an eens cle er uo previ sleonado — nds IN, Novant, sinfermages Sten car na ag pnipal car ecloead0 Pee reparar partes Hen ee emo me qur nce tanato dscado da amon, se aleangado, Asim, a gig cad individu oU emer carers ed semprea meso ches TiN de ser ssectonao. de ser econ xjtamos tro mesmo indnido ou item pssivelmenteselesonado ma oe a ef cmn ses hos ral mas prado eu socO8 ua ve? Ao conor rnc mudigbes rept: do mesma ess. Assim Sen, eMPegarimo- pessoas ieee 4 Fs apni de moo ema vez tad determina inva omes oto een ovate. Como ies, a ze aosrs Sem reposgo a chan ont spin we condo na pease ceca Ge HN. Quem ue els tera poinetes Do cradascv un aio pina ced oc se cal lag, em vx de eolcado a eta (aostagem sm repasi). 0: N = ee oe ee sap ciao vem embralhdose 0 segundd cart €retrado, A chanced saa au slew prevents esclhdo ma gun reirada agora | abe Fi ar cro, septa armas es Um arquivo principal embers 17 ~ Este process ee rear moar contin leq ea obi amos esa tani m va een dew eazaraosrage com ou stm repo 0 modo dae” pr spss um fr neptv mporante ows capasdad de mista Be ca lego da amour prs pa. Exe toro onto pmo er 1969 quando a Selective Se ¢ aleworiamenn Por env um sistema delta aft Co escoler homens par sees ae ce plas Forgas Armas por coin da Guerra do Vein? ado Pel or eect, os mados de amostagem da “eats” confor gr dese ea i ce tases de sheya0 ene eaadonhos ea cleniens so dessve ee tii no proces deseo, Tl melo wtliza uma taba de name ie vec Tatea El do ApéniceE) para blr vamos : arin (er Tats lestnon consis om uma si dedi gerados aleatoriamente esta ae coups fram gerafos (re eferenci 21), Ua vez que meso sea ram a oe go oy a chance de pr latoramente sialque digit expcic ips! se cd aqua our dt. a robbie € | sobre 1. Asis uma si Pe eae, expan gs crc eS dle Fosse ogi 0, ae SO dels lage ee Boa De fat, pesdusadore qe iza abel de ndmeoe sets ser auras praos prt sletredade anes de empegt os: ATabels Eee erie esa isoridade Ua vex qu cada gto sqhteia dele na tabla aoa aba abel eno ant horvontl quant vercamence. As waren ab a selina niet clues Os digits, prs mesos, so Agupados em Se cine coma aide dna de altar a viualinago da tabel ea thar esa pa selcciona a amos, €pimeramente neces eet ds eg artes membros indvidai dx popelaie, Eocene aaa or denen alstros cselecionand of indviuos da esrtra de Le me digs combina com sags econrados na abe, im pula culos nimers oe arog deamon desde sua concepg30, consideremos 0 S¢Bu5 cxempl. cle gu uns empresa qe sleiona naam de 2) eatathadores de hor ne Fanner etd th crear de brio neg No ela como eos Fa a eS pei doers ear prepaaos pr ma els msi. Sosa er tasers br inet dram reper pease (M0 € una See er aac S25 dase empregados deve set contacto a fides bre 2 201 er ie nce qin fr debi, sus ora Gla 2 empress de tPeategrt ilo dn rg de peso} emp une cad Deara retraraamostra leatria lizamos uma tabela de némerosalea6ros, A estrutura da popula- ‘0 compreendia uma listagem de nomese enderegos de todos os N = 500 emprogadas de hordso ine srl obtdos «partir dos arquivos de pessoal da empresa. Uma vex que o tamanho da populaso (S00) & lum ndmero de ts digits, cada némero de cédigo especiticado também deve possur és digitos, de ‘modo que todos 0s empregados de horéro integral tenham igual chance de sleplo. Assim, um cédigo (001 € dido a primeico empregado de hori integral na listigem de populagio, un cSdizo O02 ¢ dado 30 segundo trabalhador de horério integral na listagem de pop'agSo,.., um cbdigo de 382 € dado 20 tricemfsina qlinguagésimo segundo individuo na populagio e assim por diane, até que um c6digo 500 seja dado 20 N-ésimo trabaladar de hordio integral da lista, Uma vez que N= 500 ¢ maior valor codificado posvel, todas as sequéncias de c6digos de ts diitos maiores do que N (isto 6, de $01 até 999 © 000) so descartadas. ‘A fim de seleconar uma amostraaleatéra, deve ser estabelecido um ponto e panida sleatéri para 1 tahela de nimeros sleatéros. Tal método consiste em echar os olhose riscar a tabela de nimeros sleatGrios com um lpis. Suponha que llizemos tal procedineiwo e desse modo selecionemes a init (05, coluna 05, da TabelaI.1 (uma réplica da Tabela E.1) como ponto de partida. Lendo da exquera Tabela 1.1 Utilizando uma tabela de niimeros aleatérios Coluna 000000001 NN 2222 ams a3s33 BBE inte | 12345 6789012345 67890 12445 6789012385890 or | 49280 8924 35779 oo2e e1163 7275 aoa ORE 2 | Gia 41657 Orae8 R612 SHOES 9734920778081 fot | sae 63025 250786129 THE 97553 —9TSSO UTR fos] capes 98012 Roca Base Se0ns Goons 128647 os | $3550 $8555 Stash WS507 Di8eS Toss T6783 S170N os | 9710 03364 -aasz2—ausa4 63919 3638411095 —sat10 oy | 70813 29He—teus7 L007? Ssog0 1688 6823920461 ‘os | 89382 93809 00796 95045 34101 8127 66090 «BENT Coluns0s) 09 | 37818 721427140 507s 22580 16703 533624940, 10 | @0130 22834 1413094595. 21298 56203 S267! 13525 ti | mers sissy se731 19486 55790 om 2R661 67S 12 | 39087 7193840355 4324 08401 26299 39420 S920 13 | 53700 24586 93247 3596 11868 63397 aun IBD ne | 14756 23997 Tee 83832 32768 1892857070 1s | 326s 5325170654 G91 OTS 338256662 ie | 2336 737s aise. 06546 mis 47651 08877 17 | 45704 2492615130, 7303 $8088 5255147182 18 | 09893 2050814025, 46827 56788 96097 ‘T8822 9 | 5438274598 91499, 68479-7686 46162 BSS 20 | 947509923. 37089 80336 94598 2094034858 21 | roa 344385140 38340 2050 ase ate OK 2 | ssis7 a795¢ aS 14575 STeO0 ams) 228073742 23 | 11100 o2340 1286014687 Sona wHKB9 287072815 24 | 36un15oms 30592 S743 73a 68856583 OSL 2s | 2301349387 6330816080 51690 54607 T2407 55538 "ee Param ex de Th Rand Corpor, A Nilion Rando Digi oh 1000 Rol rsp lene. 1 ‘The Hee Pres 188) apenas Table Emo Apne Es il Je rm, Und com sora. 16 captuor \ para a direita na Tabela 1.1 em sequéncas de tés digits, sem pur, os empregados individuais 5 felecionados para a pesquisa, © individuo com 0 mimero de cédigo 003 & 0 primiro empregado de hordro integral na amos! (linha 06 colunes 05 a7) O segundo indviduo se'ecionadopossuionémero de e6digo 364 linha ‘Quer amostra probabilstica aleatria selecionads i ormover una estimativa das caaetritias 63 po- pulagoalvo,¢ no da populagdo real ‘Talvez 0 mais famosa caso de vies de selegdo tena ocorsido na pesquisa de intenglo de voto fita pela Literiry Digest em 1936, Naguele no, a Literary Digest. unsa revista americana bastante respeita- 4a, peviu que © governaior Alf Landon, do Kansas, era S77 dos volos e, de forma esmmagador,g sharia as cleigdes presidenciais. Quando os voios foram eletivamente contados, Landon teve apenas 38, eo presidente Franklin Delano Roosevelt foi facimentereelcito para urn segundo mandato. O ‘amano do err na pesquisa de imengio de voto da Literary Digest foi considerado enorme sem pre= cedentes no que diz respeito As prineipais pesquisas de inteng0 de veto. Tendo perdido a credible, revista foi faléncia. ‘Ogque houve de errado? A previsto da Literury Digest bascou-se nas respostas de 2,4 milhbes de indiviguos, uma amostra grande demais, Um dos principais motivos de erro foi o vies de selecio. Em 1936, as Estados Unidos ainda esiavam sofrends devigo 4 Grande Depresséo, No entanto, 2 Literary Digest comps Sua estrtura de populagio (universo) a partir de fontes como calélogos {elefOnicos, lista de sos de cubes, assinantes de revista elicengas de vie "0s (ver Referéncia 7) — desse modo, selecionou 0: ticos © exclu da sua lista a maioria da populagSo vouanie, que, ‘durante aque pertodo de gificuldades na economia, néo poder fazer face a gastos com comodi- ddades como telefones, assinaturas de revistas e automéveis. Assim, a estimativa de 57% de votos para Landon pode tr ficado préxima daguela da populayio-alve. mas certamente mo da populaglo veal 1B caput 1.11.3 Erro por Falta de Resposta [Nem todas as pessoas se dispem a responder auma pesquisa. De fato, stds fm indicado que individues as classes econdmicas mais alta e mais baixa tendem a responder com menor fequtncia @ Pesquisas do ‘que pessoas pertencentes classe média. Erros por falta de resposta resulta da falhaem coletar dos de todos 0s clement da amosta, eos eros decorrentes da faa de respost resullam em ves ela fala de ‘esposta, Uma vez que no se pode presumir, de aneia ger, que as pessoas que no respondem apesQu 82 Sig elas Aquat que o fazem, cnt extreme inparane avompanar ag alas de respost p64 um inervalo de tempo especitico, Vériastentativas deveriam set fet, por coeio ou por telefone, para convencer ais inividuos a mudar de dein. Com base nesses resulads,& feito um esforo para amar ‘ar as estimativas obidas das primeirasrespostas Aauelas obidas em seguida, de modo que poss ter ‘uma flatva eenteza de que a inferencias feta apart da investiga;to sho vidas. (ver Refercia 1.) 1.11.4 Etro de Amostragem Eisen rs razdesprincipais para se fazer uma amostea,em vez de um censo complsto: € mais conve niente, menos dispendioso, e mas eficiente. Entrelanto, a0 selecionar os elementos wilizanp-se uma sinosira probabilisticaaleai6nis, Sepepdeide de ande se jneis na abela de ners aeatios, sorte ird.indjear quem, na estrotura da populapo, irk ov mo ser includo, Embora somente uma amostra sea cfetivamente selecionada, se muitas amstrs diferentes focem retrada,espera-t qu cada amestra ja, ‘uma fepresentagio em miniatura da populapto e produzaestimatvas razoives de suas caractersticas. EErros de .miostragem reffeiem a feterogeneidade ou “diferengas de oporunidade™ de amosia part amnosia, com base na probabilidade de os elementos serem selecionados nas amosras em panicula, ‘Quando lems sobre resultados de investigagbes 00 pesquisas de intengao de votos em jomais ov ‘evista, existe freqUentemente um comentrin com relap0 2 margem de erto ou precisio — por exe plo, espera-se que os resultados desta votagio estejam entre = 4 pintospercentuais do valor real” Eros ‘Se amostragem podem ser reduzidos tomando-setamanhos de amosiramisiors, embora isto posse a rentar o custo de realizagio da pesquisa 1.11.5 Erro de Medio Em um bom» esto de pesquisa, evia-se um questionsio para reunirnforma;bes significative. Os do os obtidas devem ser vidos; isto, as respostas “cers” devem ser avaliadas, ede um modo fal qu ere medigdes signifcativas, Porém, existe sq um dilema: obter modigBessigificativas €goralmente mus fil de dizer do qu e faer. Considereo seguinte provérbio: {Unt homem com un rel6gio sempre sabe que horas sdo: tum mem com dois reldgios sempre procura dentfenr gual es ceria: tum homer com dec relégios se lembra sempre da dificuldade de saber us horas. Infelizmene, o process de obtengo de uma medigio costuma ser guido pelo que € convenient, e nio pe que €nocescco, Eas medics obtids io eralmente uma sproximagio daquelas que de fata se dese Erros de Medigao referee falta de exatidio das resposasregistradas, o que ocore por deft nein ta formulagio da pergunla, por um efeio causado pelo entrevstador sobre o informants, ‘or causa do esfego realizado pelo informant, Deve-se dar muita atengSo ao erro de medign que ocore devido a deficiécias mt formulagso ‘ergunia. Uma pergunia deve ser clara, e no ambigua. Além disso, els deve ser apresentads objet ‘mente de mancirarieurs;“perguntas direcionadss” devem ser evitades. ‘Come exempla, em novembro de 1993 0 U.S. Labor Department informou que a taxa de desemp ‘2onos EUA havias'do subestinnada por mais de uma década em fungo de redag3o precria nos go Ciondros Pesquisa sobre Populugao Atual (Current Population Survey). A falha de redagaofez.© aula de Dies«que fosse sbestiado significaivamente 0 nimero de mulheres na forg 6 taba Uma vez que a8 ‘ase desempreg exaovinculados a programas de benefcies us Como os sistemas de compensagao Ge desemrego do Estado, ra mperaio que os aaliss daspsquisas de goveroreiicassem sit. gio, ajutando aedacto do quesonsio. ‘Una segue fonte de erode medic ocore em enrevistaspestosse em pesquiss or telefone, «quando o infant se sent obign a agradaroentrevistado. Ese io deer pode ser minimizado {or mcio de um ucinamestoapopriago do enrevistador ‘Uma teezr ont de eo de medio ocme devi to esfrgo (ou sua fl) por pate do info smant. As vez as medics oiidas so exagers gross, comets intenionalment oo devidos {ata de lembranga por parte do informant. Em qualquer um desescaos, sto compromee a tld ‘e da pesquisa —lembre se "lixo dentro lino fora. Ese lipo de emo pode ser minimizada de dss ‘ners. examinandocuidadosameste os dads echamando de vollaos nd ius cus resporat pareeem esranhase etabelecendo um prograna de ftora de charade seats de modo ate ‘etfier da confabildade dus expos. i 1.11.6 Questoesfticas > = ‘Con relago &proliferago de etdos de pesquisa (ver ReferEncia 2), Fie Miler, eto do ntcirio ‘Research Alert afou que "hou uno dese na cia. O que ssusa€ gue pessoas trim J. ‘ates com tae nese tipo de material Pole ser un ern invite, mas do sem mar Nem todo estud de petits € bon, sgificatvo os importante e nem odo esto de pesquisa € ico, Devemos "os tomar saudavelnente cco eavalarenicamenteo gue lemos e owimosDevemos ex mina © Chjetvo da pesquisa porque el i condirida pra qu ent descanla se acharmos que caece deobjetvigade ou de credibiidede Consideragds cas surge em rlagB0 2s quatro tips de enos penis que podem acorer 20 proj nti qu wa anon probe sein, Deventer lee tre projeos de invesigapio precise polecs de pesauita antics. A cave 3 eng. Enos eo sd cago ornate sna quan ica etn Se ppov ovo apeticos forem nteneiont ne exluios da estutra da popu (oiversa), de modo que os resus da ‘esqueatendam a indica ut psig mai favorvel pars optroinadord investiga. De modo lar, ros por fala de esposta cs vieses por fla de Tesposta tomun-e uma guesta ica Somente fe gropar ou inviduosespetiosiverern mer pretabliade de estar dsponveis pa responders Um modelo de pesisae patocinador itenionamente projear a pesquisa com ointuto de exchit tas prpos ou ndvidvos. ios de aniostragen, no eano, tonne ura questo ia em qualquer As es atungdes, O patocnador de uma psa pate ecionalnene enol petgunas direct ‘ada que ram conduit a respostan muri veg espe. Alin dso, nfm qu MeN ‘ete o proceso de lvesiagao pode ilencionaiment Tomecerfaleas informa, Problemas para a Segao 1.11 LIT “tos pesquisa indica que os americans, deforma esnagadra prefeiram um Chysler a um Toyota ‘pos fazerem um este de dcp cm anon.” Que informagdes vot gona e bt antes de trrelados desta psgusa? 1.18 "Una pesquisa iden que a grade maira de estadunies na fauldadeesclhes os jeans Gap como st roupas que mals esto ha mda Que forges voce gosta de er anes de acl os resuladat desta pesauisa? 1.12 INTRODUGAO € COLETA DE DADOS: UMA REviSAO E UMA PREVISAO_ Como voot pode ver no grticoresumido a seguir este capitulo ofereceu uma introdugio&esttistica ‘acuta wcoeta de dados. Yoos devera ser eapaz de responder is seguines perguniasconccituais 20 capuso 1 Qual é diferenga entre uma amostra e uma populagio? 2. Qual €@ diferengaente uma estastica e um parknetto? 3. Qual é a diferenga entre um estudo enumerativo e um estado analitico? 4 Qual éa diferenga ene wna varidvel aleatéria eategorizada e uma varivelaleatria numérica? ‘5, Qual 6a diferega ene dads discret edados continvos? {6 Quai sio os varios nivels de medigao? 17, O que 6 uma dfinigi operacional epor que ela € to impoctante? eae om | ensmvo | | _Avaitco i T T Reese ; eanca nesta Seams | I I I Puamovo Jo ronaacso | [ acts : Vari Metta Deana ' peroneal fy. | Calegorizada =“ Sicae =a Ticaawe | | Eos cae LLL Nerina Sian ‘mene _| | poonaicoss i I Hl Dice ontnua | 1 T | —c | Face ! eovaco \ Proje Realize | cblcados | [une Expoincia| [une Pesatica i Te Connaragie ' Ameri Etcas. = Tape ronan | [ Niger{8 Quuisas rncpais rates paras obterem dadose que métods podem ser ilizatos pan aleangaristo? 8. Qua adiferenca ene amostragem probabilistic eamostagem nlo-robablisica? 10, Porque compo dea esr de ppl completo imparane pr oe e uma pesos 11. Qual a ifeengaenreamoscageni com repsigio eamestragem sein reposigio? 12, O quedistingue as quatro fontes potnciais dee o lidar com pesquiss projtadas como uso de smestragem probabiies? Verifique lista de perguntas para ver st vocé sabe as respostas ¢poderi (1) explicar suas respostas ‘2 alguém que io tvesse ldo ese capitulo e (2) fazer referencia aliturasespeciicas ou a exemplos {que sustentem suas tespos i, Além diss, rele qualquer uma das seges que possa no ter parecido 0 0 = 6 w © 2 = % mB 8 Bo ob R R SB mw e & . Br Problemas para a Segdio 2.2 Bo wt +21 Dada seine dspusigio nme e-folha 9) ns 10 | 32230 11| sermons 56 captue2 ‘ase “Bnroom Ses” Copy 1983 by Comune ein of Und Sas ne Yoon NY {m8 Apa com pred Cann eyed 098.3436 Ebr ee Cems 4 daa thom apts ogni a Contes Reena aap iva a eclares ‘Ssclwer pennr ox orn ord sigan esis ends lt ‘Sommer Uon ees Contr Ror (2) Desenvolva uma dispacigdo dena, (8) Blore uma eisposgto rao fla, seuetnde OncoremTabanseGesien 5SBD sroce.ve BRS voocus + 24 Os dado a spur so os valores cones (em dares (to valor Kui dvi plo mero de 26 Osdudora seguir eesetn op (ceo em pets) (0 = fac, 10) = execene ‘tuos ern destaque) para na amostr afeatria de $0 a es da New York Stock Exchange (NYSE. 2 Bolsa Pe laay harry trrrg nelle panache peor se varesde NY tng de amend: imo Sana T Gatea aeean REGO OC ] ———— Taso Sao rr rr » 6 & 5 0 2 7 0 I 7 SE eee mo & § © we 3 wo W 2 6 i Ciemonn 2 7 i a 15 3 3 2 a 3 2 8 ‘Smmucker's Najoral Cremosa cal 1S BiafSminarowhend Mis remem 2 ° 1) Deswebe una digs orden ‘Ada a Nana Geemos % (8) Foome uma digi anor sim Cero = Te Seotae AlLNatal Senos % E) cancen Kroger Seno ie bean mn a ‘Country Pure Brand (Safeway) Cremoss By 25) Um ofan cm am rograa ature v8 spd qt" ce free peda en esd Stade Stews) Semest 3 com panes popula una en exon spare edo Exar Under Gxate sora PrecrPan Semon 2 Senta eae inden cnc (nts nna eid po populate de 100.00) a hoe Fern) Exmos 2 sb exaor em sno ean nee Semon a Holywood Naot Semon 3 Tocidénca de Cincer Tncidéncla de Cicer fool Cit Semess yy Esato porPopstogi de ono00 | ado por Populus de 100.0% ieee Seemoss £ Iabama_ «@ Ty igen & Albertsons Cremosit 7 Nae 2 Fon 2 Serta hurts caustCom) Sate te a poe Smocker's Natural Epps n ‘ron So een a Sn Epes 2 a s Misou i ae Ea lane z ae au Mona 2 ‘ASN 1008 Nara En paar % Ceca do Nowe 3 Neva 3 BErSam Area Mite Enpedaes > olin a vada ‘Country Pare Brand (Safews En pe H Cola = New Hempsive 4 TlonSevsersal Nae” Em pedarr Fs Eonecee a Now Jeaey we Saree Barto % Dako do None ‘ae Nove Yer as Fong cub Em peas i ‘utd So ue Nove Mexico us Ener Emp ie Detiwae Se oun 6 vi {im dn iu Pd 3 Ohta Me Pee Pan En pone 2 etre 20 Orceon we Nona stewsy En pean FA oat on Pentivesa a8 Tat Vey Naw pedagn % teano ca] Rhode ied as Loa) Le ly Stns) Expert i tiie am ‘Temenos ‘te ‘senso Exper " {ane a Yom 3 Pate _ Empesae 3 iowa ” van Bi Shar Fine Shin Conta Compy__fan en 6 Kes Ms Vermont ns = ee Tome Poa Bae. ph 19D Cesc Unt Unl Sa, Yoke NOM. Aspe Kemucky a Virgin 40 Som perms de Conver Ren, eb de 1,90, Taber ex cnjnn de ads tam pre Louisiana cre Virginia Ocidental ~ ‘Spfimene nt Customer Rear adsegioscetvacruonc cole aprscnad so don 20 © Mane BI Wathingon ue ‘aefp msg rao can ps Cesena Camere Manne a Wocortie Bf = Soecbuas aa Wyoming Be Para casa das varies reso cose xo) (3) illo cman Cases no Mion Escel para dseavoher aps onenad Ft bt ofa Ce ONY (8) habres dept rma wy D sawroorar 27 Osada sepirs0 caso oc gs em es para seo Jeli e 3 samp “para ccblo ; norma Bras pus beso (a) Desenvolva ume disposizio ordenude. 1a) Desenveiva a Sispasiqia urdenada para cada conjum de dados. (b)Elabore uma disponigo ramo-c-folh. (b) lahore a dixposigde rame-e-fuths para cadu cunjunte de dads. = Captus 2 _Aresentando Dados em Tabelas © Geficos SsFie Stra, coppign 190 by Comme Une of Ud Sines In Vorken NY. 10TR Adipado com emis de Comme Repos jh 1982p, 40-4. Eners ee ojo de seta pro {int Gene er singin ea ae nai oes No 2.3 TABULANDO DADOs NuMERICOs: A DisTRIBUIGAO DE FREQUENCIA Uutizando tno os dados de forma but como ums dipoigh ordenads, ou ua deposigho ramo-c feta evieada da nas cscolare ara 6 faculdadesenivridades do Texas (ver Tabelas21 © 2¢ 2 Figura 2.1, anlista desea contr asabelas e rico propriados quedo reajaroeliio que ‘last preparando pra ogerente de marking de farldade. Tndpendentememe de qe sea selecionad uma desig ordenada cu uma disposigo ramo-e-fo- apc gin de eae ina ero cn ‘nds mao dds na lable resurmo aod. Acs, pecieaemoscgaizar sdados cm gropor dc etase sto categoria) de acordo com as dishes doinicrvalo de obervgtes cabelas de m0d0 ‘onveriene Tl oraniayto dor dado rn fora de ala € change de dstibuiio de lequénca, Uma distribuigdo de freqitncia € uma tabelaresumida na qual os dados sto organizados em ‘Brupos de classe ou calegrias converienlemente esabelecidase numevicamenteordenadas, ‘Quando as observagbes sto agrupadas ov condensaiss em tabelas de dstribuigho de freqUénct processo de andliseeinterpretasdo de dados torna-se mais fil de manejare mais signifiatvo. Nesta Forma resumida, as prineipuis caractristicas dos dados podem set sproximadas, compensando desse modo 0 fato de que, quando os dadosestio demasiadamenteagrupades, as informagbesiniciais per nentcsaobservagées individuais, que se encontravam autriorente disponiveis, so perdidss 20 longo Lo processo de agrupanento ou condensagio. ‘Ao construira tabela de distibuigio de feqUénca,Jeve-s atentar para: 1, selec do mierospropriads de grpos de clas paras bela A obtensio de um intemal de eles ample soroprads par cada grupo de clase 5.0 estabelesimento de fimires (Irontetas) para cada grupo de clase a fim de evitar uma sobreosigae :*) 2.3.1 Selecionando 0 Ncimero de Classes (* (© nimero de grupos de classe ser uilizado dependeprincipalmente do nimero de observagbes nos dados. Um numero maior de observes equsr um numero nur de pros de classes. Em geal. er tet, adit cia deve possican:menos cinco (8) grupos dese, porém nea «logue quine (13. Se nfo exisiem grupos Se class sficentes ous orem demasiados, pouca infor ‘Sado serdobida Como exemplo, a ditrbuigSo de feqléncia que ponsul apenas um gropo de classe ue abrage todo o interval de was escolres podria ser labor da seguine forms: "Tunas Eacolares (em 5000) ‘Namere de Exolas 208130 @ Tot @ 60 capt? (A Certeeo ne Freces ; Ke 143,332 ley ‘Através de uma tabela tho resumid, no entanto, no se obtém nenhuma informacio adicional que jé silo forse conhecida a partir do exame dos dados brutes ou da disposigao ordenada. Uma tabela com ‘ame eoncentragdo muito grande de dados no € sinifcativa. O mesmu seria verdadeiro no extremo ‘posto se uma tabelaconiver grupos de classe em demasia haverduma concentra 20 insufciene de dados, «muito pouco ser apreendio. 2.3.2 Obtendo os Intervalos de Classes ‘Ao desenvolvera tabela de distibugio de feqincia, édesevel que cada grupo de clase tenta lrg fade interval igual. Para determina’ largura do intervalo de aa classe area de dados 6 dividid: pelo nimero de grupes de clase desejado imervalo Largura do intervalo = —————_nierale___ cam ‘nimoro de grupos de classe desejado oa) ‘Uma vez que exstem somente 60 observagdes em nossos dados sobre taxasescolares,decidimo aque sis grupos de classe seriam suficientes. Através da dsposigao ordenade da Tabela 2.2, interval 2 geterminado come 12.0 ~ 2,4= 9,6 mil délarese, utlizandoa Equagio (2.1) largura do interval: de classe € aproximadamente 9.6 Largura do intervalo = 1.6 mil détares, 6 Por uma questio de convenigacis ¢ Fcilidade de letra, o interval selecionado ou a targura de cad grupo de clase €aredondado para 2,0 mil dle 2.3.3 Estabelecendo os Limites das Classes Para onsirratbeladedistibuigdo de requtncia, 6 necessvio estbelecer limites de classe clarament ‘efinidos para cada grupo de clsse de modo que as observagbes tanto em forma bruta quanto em dispos {Goes ordenadas pos se ammnadss de modo apropriado. A sobreposigio de clases deve ser evitada ‘Desde que a largura de ca interalode classe prsos dados relatvos taxa escolar fo fia em 2.0m as enjrenslstades na Bona de Vales Je Nova York, {@) Deseo osiograma de percenepem, (©) Desenheopoigono de percentage. D csscsnar 1222 Pando da gribuigode percentage desenvovids no Problems 2.17 com lash incinss dcin (G_ Desene oistograma de percentage. A) Desenne 9 plgone de percage HS ....., 223 Panind ds sieges esenvlviasmoProema 2.18, pata cada una das varies nomics re lado, esis sio) com elgg Sv erected mao de rend, {@) "Desene os respective hiram preentagem. (8) Desene os resewtivos polgonos de percentage. D sussr 224 Panindo das distibigdes de percemapem éesenvolvias no Prablen 2.9 com rig vidal de pas. {G) Deseahe or hiemgranax de percenagem em grfcos sepstados. (8) Desene or poliganos de percentage etn ut prifico. 2.6 DistRrisuicOes ACUMULADAS E POLIGONOS ACUMULADOS Dai outros métodos dics de apresentag- de dados que facltam a anlisee a imerpetagbos80 bela de disibuiggo acumlads eos graficos de poliganos acumlados, Amabos pace scr desenv os. partir da abel de distribu defreqbéneis, da tbels de dsibuigo de frequgncia elativas tabela de distibuigdo de percentage. soroerinda Dados om Tb etc,V 2.6.1 A Distribuigao de Percentagem Acumulada ‘Dependendo ds nossa preferénca individual para proporgdes ou percentagens, ao compara dois ou mas ‘conjutos de dados com tamanbos diferentes, ou seleionamos adisibuigdo de freguéacta relative ov selecionams a distrbuigto de percentage. Uma vez que jf temos a dsirbuigio de percentage das, taxasescolares puta residents de fora do estado de 60 escolas do Texas e de 43 escolak da Carolina do "Norte nis Tabels 2.5227, podemos ulizar estas tabelas para constrsiras espectivasdistibuigSes de pereentagem acvrulada. Veja as Tabelas 28 ¢ 2.9 Tabela 2.8 Distribuicae de percentagem acumulada de taxas escolares para as 69 escolas do Texas “Taxas Bscolares| Pereentagan de Eseoas ‘em $000) com Valor "ner a dead 20 a0 to 27 60 a7 80 167 woo 500 Ro 98,3 io 1000, ‘Fo Dados nen os Ta 25 ‘Tabela 2.9 Distribuicio de percentagem acumulada de taxas escolares para as 45 escolas da Carolina do Norte. Percentayem de Facolas ‘Twas Racolaree (erm 000) 20 so 50 80 10 20 180 16 180. Uma tabela de distribuigdo de percentagem acumulada ¢ consruda primeiranenteregisirando- seo limite inferior de cada classe a panir da distibuigdo de percentagem depois inserindo un limite {x1ra no fing), Caleulamos entio as percentagens acumuladss na cOluna “iferior a” dterminando 2 [ercenlagem de observagbes inferiores a cada um des valoreslinteextabelecidos, Assim, a partir di ‘Tabela 2.8, vemos que 0,0% das taxasescolares para residentes de fora do esta em insttugBex do “Tesas€ inferior a 2.0 mil dates; 21.7% das tanas escolares so inferives 4.0 mi Uares 61.7% so inferiores a 60 mil délares, assim por diame até que 100% das taxasescolares seam inferores 3 14.0 nil dares. Este processo acumulado & obscrvade ra Tabela 2.10, 70 capiwo2 ‘Tabela 2.10 Elaborando a distribuiglo de percentagem acumulada re Feces de ach Toss aan ra ingame . ta eee ado Eas einirsls Lintner do incr Noten) aoa Cases _tevencactear ie gee eae is ene Sb 18 nae 8 REE 15 fonsminenors 4160 00 108 = 207400 + 1504 133+ 834 ag +00 219+ 400 + 150 2.6.2 Poligono de Percentagem Acumulada ‘Gor desenamos o valor Ga percentagem (acumolads) corespondente a parir da lista de esta buigio « Aproximando as Pereentagens Com® excoro x anaisa do sin de conto do cena ae eromars parcel faux euiveriades do Texas gue cb cule pera dss ros Ets mi dares. Para comseguiinto. prea ma 2 ae efor Apeecnapemdessads endo aproximads en ete até gui 3 cacy aPteenlaget inal io Vera NEt e802 ercenagom de Eeclas 8 ° | °o 2 4 6 8 2 2 Teas Esra $200) ered Dado Tae alos8 5 soos ca Caine oo None 5rcortogom de Eaclas ¢ 8 0 2 4 ea “Texas Escolar (om S220) {igua22teaans de percentagem sla das acs escalates efor do etd nae do Tene ximadamente 69,25 das escolas do Texas postuem taxa eseoles abuino de 7.0 mil dive, é0 implica, € claro, que em cerca de 30.8% dss encolus as taxas escolans syann de pela micnon ini. scolan’s sam de pl 70 mil erome de marking do serio de ont a auld, pode ane ue sro ain Indo Tens Cul do Nore nn mil délares, enquanto na Carolina do Norte vemos que 25% de todas as tgxanescolatesesta0 abaixo 72 captso? Problemas para a Segao 2.6 Nota: Para usar 0 Microsoft Excel para resolver estes problemas, consult a Seyao 2.7. Tous2xts necauixt 225 Examine 3 Fgura 29. (a) 100% das tas esolares pare resides fora do estado em cna estado et alta de ue valor? (@)_ Gx aac as ecraes par resets de osc estado em cad estdo ep sao de gu vl? (6) .0% dann eacoaes par eset Ge fora do eaten cada etado eto sbix de gue vlt? (a) 90.05 das tas escolar para resienes de ora do edo em cats esta es aba de que valor? (6) Que prceaagem de aya eaclares para esidentes de fora do estan em cals tad ei abana de SD dares? (0. Que percentage ce txas ecobres pra resdenes fora 6 eto em eda esta et abino de Tomi sles? (g)Discut os resultados que vod enconvou (8) Como poder asus ifrmagio servi do jude 20 sata de pexqusa do servigo de consukoria dt feeulade? Deut emery at SPEER pnieda disrtuigto de fregiénea desenvolvids no Problema 210(b) com rego 2 as deconsome, {at Babar a distbuigo de reqiéncia acumlads, (8) Elabre a astibugie de perestagem acumulada, {©)_Desene's ogiva(poligong de percentage acumulads), sroca er *"°237 A pms dsribaigdo de fegutnea desenvlvds no Problema 2.11 com lao 30s valores conte “4:8 compan ads na NYSE Bot ace Vales de Nova York, (@) Eabor distbuipo de fegiencia aromas () Eabore a disibuigto de ercentagem acunuads ()_Desente ops [plano de pereentgen scumulad) coancenixr ‘228 A pir da disibuigiodefegéncia desnvolvida no Problems 2.12 com relSo8 incidéecade nce, (a) labore a ditto defequtyea acomulada. (@) labore dutbuyae de perentagem acumulad, {e)_ Desens ops (pligono de percentage scons). BS won: 229 A pani as dasibuigbs de Geass desenvelvidas no Problem 2.13 para cada uma se vaive> ‘nmerca (puss coso € so) com lap caraceria a mania de mendoin, Tabela 2.1.Excet Esbos0 da planitha Dados para o livro de exercilos Taxas Escolares para residentes de fora do estade do Texas = € 2 t 7 © Yoo Locatacto | calendtio | Foco rpramando nore toremecisies 7(a) Eahore tespectiva ditibuigto de fequénci cum. (@) labore a respectivadistbugae de peeenagem acon, {@)_Deseahe a espoctvaoiva (paligono ce pereenagem acura). D surssrxr 2.30 A parr ds istbugde eSrencins eseolvidss no Problema 2.14 com rela vida i de nn pada de dis fabicanes, (@)_ labore disboigo de freqatncaacumslads (@) Elbo a distibuigio de pereetager seumulada (@)_Desenhe a opva(pligono de pereensgem acumlad) no gic, 2.7 UtiiZANDOo 0 MicrosoFt EXCEL PARA OBTER TABELAS E GRAFICOS PARA VARIAVEIS NUMERICAS FES narsuas 2.7.1 Introdugao [Nas Segdes 23.2.6 organiganos os dados sobre axa escolares para residents de fora do estado do Texas em uma distibuiglo de freqUéncia e em seguida elaboramos as dsribuigdes de freqUéncarelativa, de pe cuniagem ede percentagem acumulada, Uilizando ests dstibuigds, desenvolvemos ent o histograms, © poligono de percentage eo poligooo de percentagem acumulad, Nesta sepoiremos diseutr como O “Microsoft Excel pode serutlizado pare obte abate pric a parr desis dado. Para organizer noss® livro de exerefcos com este fim, precisamos desenkar um planitha de Dados e uma planilia de CSlculos. Panitbas adicionais, inclusive aquelas para os prificos do histograma edo poligono de frequéncia,se20 Birevereapesentarum resumen, neasndo tnd abel egrificos (@)Preparr enviar una apenas oa 10 minios pars oer de simentago da revit. & sascemesse G23. O fabricar de un ragrincin muito conbeci pur hone mulher oa planejando devenvolver tn ovo produto parser comerclali mas prin ran. © distor de marketing conn se Br PrvoGetmio aestudarancaateriica as agrnciss unimente dsponives Se do (220 farce Tiger en melhor pig pao exaelever et ego 30 va nha Ge ada. ‘i du Conjrta Espa de Dads 3 do Apnaie Dee Has forages a sabre €3 dees Brincas 0 Grenio——— S44 poopy mye F588 {Gy Esquemstioa como gop ie ncuinha eas wa (0). Elahorars din de perentagerh de fequlaca ma wewna abel, (©). Tragaropollgens ds percemivem (a Forman dsbuigan de poreeagen acm (e)Traar a ogiva de percentage Af) Reiar ums ania deri (@)_ Alm dso. cms ons el de comtingoni on infor rua sob ipo de fap 5 arom, colii, no nto nena irre (it fe, fone, nda 2) Cons uma abel com ase as perenne (3) Cosi unstable com base as peeenSene por na. {G)_Consrirama tates con base em prcetges por cluna (Repo) a) semen par raed feininas AO) Repetr(g) a Q) sent prs farm mas i om) Compare pir em sonirsteo etads bt (8) tay, Esrevere spesnty um resurgent. amxan todo taba ¢ pric: (6). Prepare enviar un upesctogi otal Js 10 int a itor de skin Notas Finais 1. OCD-ROM que scompant cs iv snc um ial Vis asi ya Apiagds (STEMLEARLS) gue ‘sua a vag de wa Usps mone She, Referéncias 1 Chamber. J. M..W.S. Cesta Kiem A. Tukey ypc esha for Oana (Bos ton MA; Dont en, (08 2 Clovland, WS. "Grp in Sieiie Muha” He Aca pp 261369 2, Cleveling.W.S. "Grail Meds fr Data Preston all ese Desk Bt Chan, snd Mule Lopsine” Me Americ Satria, Vol. 36 Nene 1984, pp 20-28, 44 Cletlans, W" Sand R. McGill "CraphisatPetcpon: They. Experimenaion, and Applicaton to Development af Graphical Meteds.” uml of te America Suateal Agata. Vl 19 (Sepembe 1984), p.531 554 8. Cobb Group, Rumung Mico Eure $ (Ren, WA: Micros Pes. 84) 6, Groson, Fr D-Comisn and 8, Klin, Aid Gon Saas, de Exglewvon Cl, NS: Prato, at 1985), 7, Bhvcaber. A, S.C:."Radiment of Nunerae” Jounal af he Rov Slate Soe. Series A, Vol. (97 pp. 187. 8 Miro eel Verso 7 Rednond. WA: Micros Pes. 1996). 3. Hl Hoh Lae with Sons Now Yok We Nor, 984) 10. Kime, A, Howto Use and Mizu) Suis (lew Cis Ni: Peseta, 1978). HL Tule, E.R. Tie Visual Display of QuataieInformation (Cheshire, CT: Graphics PEs. 1D. 12 Tulle E-R. Bison Infor Chee, CT. Grapes Pv, AX. Tukey 1. Eyprutory Data Anal Reading MA: AdinoneWeke, ITIL WE Velleman, PF and D.C tagline Hai nd Coyne of Fsplonatary Da nati (BO toa, MA: Dory Pes. 1980) IS. Wainer Helo ta Disp Dats Bal.” Soe Shiny, Vo May WAN pT, tsi, Nol. 38 Nowe 198)capitulod Resumindo e Descrevendo Dados Numéricos OBJETIVO Oty oes sire as cats de DO CAPITULO Saracioc forrats)e suas mesidss” ‘esehvasresumide comme ume juda na snaive de JadorIntroDUCAO: O QUE VEM A SEGUIR = Noseapttulos anteriores, aprendemos conto upresentar dads numricos ttn em forma de tabelss quanta 1a forma de grificos. Agora, convo podemos fazer esis informagdes feet sentido? Emboa i apteson tagdo de dados sja um componente essenial da esaistiea desertvg elt nag reat toda historia ‘0a andlise de dados nao envolve somente apresentar of dados umSticos eobservar 0 que os daler exo tetando transmit, mas tmibém envolvecafculare resumes fungbes chav analsat Os rsa, {ados encontados. Neste capitulo, remos examinar estes aspoctor: 0 fesunio, a desergi e, porting ‘interpretagto dos dados. 3.2 EXPLORANDO os Dapos Para introduzir as dias relevantes deste capitulo, vane retomna & nalista do servigo de eonsultora da faculdade (no Capitulo 2) que descjava estudar as axasescolaes cobradas para renidenes de fora Jo ‘xtado pelas faculdades euniversdades em diferentes regides dos EUA. Ein particular. és estadonf- ‘am selecionados para avaliagio imediata — 0 Texas, & Carolina do Norte e a Pensivani, Suponta ‘ve, para fins de investigagSo, nossa analsta fossecomegarselecionando uma amos slate de st escolas de uma lista da populuggo de 90 faculdades e universdades no estado ds Pensilvnia (vero Conjunto Especial de Dados I do Apéndice D). "Tava Escolar Bscolas da Penta (em $1000" University oF Pinsbrgh 03 [Est race Unversity 49 Genova Calle 89 Dress Unieriy a3 CCliforsia Uni of Pa 03 Slippery Rock Univeniy 13 Verificamos que a seis escoas (negra na order em que foram slecianass) si apresenadse Jumtamente com suas taxas escolar pur residents de fra Jo esta (em mires de ules) O que Pode ser extrado desses dados que poderiaajudar noss analisa em sua avaliagio? Com base ness mostra, observamos oseguinte 1. Qs dados estto em forma bruta. Iso 6, os dads coletados parecer estar em uma seqjéncia alsa fia aparcntemenie sem qualquer pade20 quanta 30 modo como ws obervagies esa Ista 2, Cada uma das taxas escolares acontece apenas uma ver. Isto €, enum delasé observa ca mice freqbéncia do que a outa, 3. AcxtensBo das tas escoaresabrange de 4.9 alé 11,7 mi dares. 4 Nao parecem enistr quaisquer taxasescolares fora do comum ou exiraordiniias nessa most, Organizadasem ordem numérica (sto & numa disposigdo ordenada”) as axssescoares nest 380 em milhares de dotares) si 49% 6,4: 7.7: 89, 10,3 e 11,7. (Seas axe escolaes, em nithares de fagfa dscaidoanenemene. Pra ize sto, dgtamas na eGula B12 =3"(CONT NEMOadost.7 = 1) Fetterosaporaobsevar que oval preentasena couse B12 ¢5,25,inando que o terceraquath cores Ponce aovalr cascada coma’, be aeordo com nose regia are encontrar os qu podem edo Sere lpn orumera team prinout © Fara ober fecero quart, prectamos uta fungi MENOR pare encontrar o quinto menor valor que Caresponde 30 valet do ercevo quer para estes des Cleamos entae na calla B13 e digtamos “HaENOR(Dads8287, 5), Note que dgtamas valor numeric de 3 como s dasheayso do qt “As regrs para se oh\erem os quarts wlizadat nas aps #e 6 podem ser implementadas como um ‘xnjunto de Formulas no Microsoft Excel que uilizam a Fungo SE. Uma discuss completa desta bordagem est sign do Site dese texto. No entamt, esta ubordagem enconira-se ilustadae ex ‘leads no livto de exerccios 3-4-6-SAMLXLS include no CD-ROM que acompanha este texto. A bordagem ado neste tivo de exercicios elimina oedleulo manual desses valores. | Para ober mada ds unis, posers tra a més ete ot quai mas bulbs B11 € 13. voce deve clara cEkis B14 cena digtor (11+ BTS)2 AFiguru .1.Excel representa sestatstica dessritvaobtda strats da ilizagio dessas fangs do Exe Lembre-se de que os valores de B10.e B12 foram arredondados. x [Esatiaicas de Amosta dos Dados ds Escolas Varia! Taxa Escolar PERPPEEEE| Mode mn ila de tntervalo 83 ‘Siete dp tea porn tum soos presents [13 Terceiro Quart 103 ee ide saeonscn ‘2 esas 3 tn is toe a DlStenteSe Pike Onth —18 ttre due 3 gus 3..0XCH Means de tendioca cna ouuian F12|Classificagdo do Terceiro Quart Be eit ; seg 2 \ \ 1 Aeninge¢Decmendo Ouso.Numises 127Enipora implementa formulas utlizando as fungbes desis nesta segio demande mas tempo ‘do que liza a ferramenia Andlise de Dados, adauirinws aeapacidade de mouificar nossos ds. ose visualizar os resultados sem ter que emitir novos comandos. Polemos, portanto,estudar 0 efeite de valores extemos nas véras medidas de tendcia central supondo que a taxa escolar em Slippery Rock Univesity & de 19.7 em vez de 7.7. Modifiqueo valor na planitha Dados ne célula 'B9 para 19,7, eento va até panilhaCéleulos para vero Conjunto atualizado de esttisticasdes- eritivas mostrado na Figura 3.2 Excel aa x a 7 |Fstatisicas da Amostra dos Dados das Escolas z 3] Voriével Taxa Escolar Média Asitmética 103 5 |ttediana 96 Moda aun Tein 49 | Maximo 197 “S |Média de tntervato 23 AO] Ciassiticagso do Primeiro Quart 1,75, 11 Primero Quart 63 A2|Classiicago do Terceiro Quart 5,25 figs B2LCEL mean evade de S25 SB el te 3 eae a mnédia de intervalo ‘Comparando estes resultados com agucles da Figura 3. Excel, vemos que a media aritmeti- 10 muito afetdas por este valor extrem de 19.7. enquan ted 9, | ‘Do mesmo mode que antes, para visualizar os efeitos de muitas mifcagbex diferentes. ui 20 Gerrard Cnais ver Sie IS.) parsamanenar ia cojuts de alesse adn tomate | + Utilizando o Microsoft Excel para Obter Estatisticas Classificadas por Grupo Fre- ‘quentemente estamos interessados em) obteresiatisticas para uma varivel numérica aber por una Yardvel colegorizada de interesc. Por exemplo,poderfamosqusrer determinar taxa escola mia para faculdadesprivadas e também para faculdades pblicas para a populagao de 90 escolas da Pensivni. sso pode serconseguido ulizando-se a selegho da angio Tabela Dindiniea no men Dados que fi abordada na Seglo 212. Para obterataxa escolar médi pat: Faculdsdes publiease também para f- culdades privadas, abra 0 livro de exeretciox para os dads sobre tanax excoates para residentes de fora do estado para a populagio de 90 excolas da Pensilvania PA-POP-1.XLS ¢ selecione Insert | Pia reomeiea planta atta como Di 189 seleione o commando Dados} Take 128 Captus B®. ‘Agora vocé pode vera primeira das quatro eaixas de disogo do Assistente da Tabela Dinémica, conforme iste Figura 2-10,Excel, Cligue no botio Banco de Dados ov Lista do Microsoft Excel; € ‘epois clique no botdo Continvar para seguir para a etapa 2 do Assistente da Tabels Dinimica. Esta segunda das quatro caias de didlogo Assistente da Tabela Dindmic x pede que voc digit o ine alo de seus dados. Voce deve digitar Dados!B 91 eclicaro bot Coninuar para seguir para aetapa 3. "A terecira das quatro cains de dislogo do Assistente da Tabela Dinimica pede que voc® indique as safdveis a serem incluidasnatabela dinimiea eo tipo de dados a seem analisados. No lado dieito da ‘Gina de didlogo, voc rd ver caixas que corespondem 20s nomes das vargveis, taxa escolst para esi- Gentes de fora do estado, tipo lcalizagto, calendrio efoco. Uma vez que desejamos obter uma tabela ‘Sumida pure a variével Tipo arrast liber oiulo Tipo para a linha Area, A seguir, arase c libere Talula Taxa na dea de Dados O titulo agora liberado oa frea de Dados precist estar como Média da ‘Taxa Escolar. Se 0 nome no se modiicar para Média da Taxa Escolar, clique duplamente no tu Tiocrado, Iso ie raze até voce uma caixa de dslogo chamada Campo da Tabela Dintrics. Na eaixa ds lista“Resumido Por, selecione MEDIA. (Note que outrasestatistiea tais como MINIMO, MAXI- MO DESVPAD também estio disponfveis,) Clique no batdo OK para volar &caixa de dislogo 3 do ‘ssistente da Tabela Dindimica e entio clique no botio Continua para prosseguir até capa 4 do Assis: tente da Tabela Dindmica ‘Nesta diima das quatro cainas de dislogo do Assistene da Tabela Dindmica, voc precisa primeira- mente digit a céllainicial da Tabela Dindmia (Dinimica!A3) e entfo fomecer um nome par tabe Teual como Média da Taxa Escolar. clecione a caixa de verificagto Totais para Colunas para verifcar beilovo do tamanho da amosira e depois slecioneaeaixa Autoformaar Tabela de mado que o Exce} possaformatar a tabelaoferecida. Clique no botdo Concur. "A Figura 3.3.Exce lust a Tabela Dinfunica que obivemes 7 2 ‘3 | _ Wadia de Taxe Escolar ‘4 [tgo [rota 5 [Piwada _|12.13576071 6 [Pubiea _|7 77727273 ee "7 [Total Global | 10,6966567) fora oc oni deve Sots Problemas para a Sesdo 3.4 ‘Nota Estes problemos podem se reobvidesullzondo-se a tungBes do Micosolt Excel dscutids na Sey2c Bet ou 0 erramenta Andlve de Dados dicutida na Seco 3.7 + 3.1 Datos os dois conjmos de dads seguir — cada um com ames de amano = 7 ferrgsne betula teers tae oes) Cortes 3802S (3) Pars cudaconjunt,cleule a mia as juts, 1) Compare Ses ead fag un resumo des descobers. 10) Compare opacity dasa en cas conjnt, compare o segundo lien dt amosiuem cad ‘Sonu por cane, Dosey hs pve palaeas suas descent ese tem evan et ‘Sonsiderag seu rear a pate ia a medina, moda, 2 méla de interaloe3 mé 2 suid ¢ Berroa Numb212 Um tind econ deve deride das oto, lle dove secon para Conia e100 mona se clvadO inte bes adc ns elder ier ‘ene as as ates com intervals de 1S minutes. Os empos (em segundos) para acco comes hp Imosados na tabela que se segue. (@) Com bese nests dos qual das dua cedars oreinador deve selecione? Por qué? (©) A wlegtedeveria ser diferent seo welnadr soubese que Cara aia Bn. da quart coms) Porat? (6). Discitat ierengat ete ot onsite demi artifice de medion come medias de enn. ‘iacenal e como ite comespone (a) (0 Corrs Ce Gen) 120 Osea Shes 123 aS RS... 3.3. Suponia que devi au eo, onjnto de das caendo os ices PregafLucro (Pf) 2emgr- ss com aes nepociaday ta American Sach Exchange fl estado como 8, 15,14, 17,13. 16:18 18 ‘61, onde otto valor deveria ter sido I6 si ver se 61. Uilizando o Excel, mone quia 3 mda Srmeice, @ medians ea india de inervalo foram setadss peo eo Usa, alu eat estas uo conjunos de das "com emo acter econpare os enltador Wiiasndo ifeeses esting: {ives de tendénei centr D srssomcrer 1.4 Uh rican debater enters pgou sh amore de 13 baer abricada en un meno dia de progugloe una ur meses at ue ftane- Omir de hans ue ead Us demon a fal 3, 26, Sas, ssi. 108, om 52, es Sez, (a) Cideulea maa rims, a mena mods. ain do neva a mia das unt. Olhando esrbuigdo ge tempo que media cesta aren hore equal pares pire? Por qo (b) De que maneis estas inforagde stim de sa fabian” Discs {)Saponia geo imei valor fone LH em we de 12. Rept) lira ee vale. CCtmeneifeengs ns enti, = 3.5 Fol afimato ne Sito 3.5.3 qu una input roid aml ria S(%-R=0 (@) Uslizando as wns excolares pra esidenes de fos do estado da amostra desis scolas do Tess verifique esta propiedad se mann. 1) Uuliendo a tas ecolares pra residenes de ord estado de amos desis escola da Caso ado Node. venigue se eta propriedade se wantin, D coonesar 130 36 Osdadoe da ele a seguir rprseslm yuan i serine coma em urs por de 30 gate fart uma amos aleatria de 10 ups de bscios de chelate casi {G)" Quit € quanidsle mea de calorias? Es quandade medina de exons? {Com et infor poe seruiizads po una empresa dsposts 2 epociar uns macs Iiecoits de chacaie casein? Deis Pred Caras Preduio To eaonas 146 itary Roshan Cimon's «8 Dads Bigeunete Toto 12 ava Chena Cuank ° Moe Peas Nas (Gian Ameren Coals Company Stop Shop 8 Palsbary Oven Lovin ‘3 Daca Hines te Pilsbary i ie amet Sra yee ager ne Sayre cr Rennes ns SESS So Sac ee i tte ace @] swsesser 7 On dado a sepirsh ox press de bel (em dies) pars us ames tide 17 sd So Tipo V (ne. r roy ca 3 se a se 30 398 1499 599 ue ° cr 350 3 2 eects see ee AF To Adoeacom pemcids Coane So Sib emcee ‘Cocca seid don ae € #20 <0 ec acer ta) Qulopgemaot ops msn? “cima 1 ee tpt eae Sgn 8 ie fa sei mivoa qe ts vee D roomane ae oes ei ose estes —_—_ ——_—rner ‘Quantia Doada no Nanve da siglo Rend (51.0000) Nenedatesiwige roe r 149 eke Hopkins Unies ‘Universty of C34 a San Franco we Unive of Washingion a Yale Unisesity a Sto Unveriy us Univer of California a Los ngs 32 Marra Univer ss Unncrsy of Michigan 3 University a Penns aia ‘ a {Caton Univer : ewnindoeoetmendo Ones nimeson 3‘Quantis Doada 20 (cominuagés) Nome da Instituiga undo 1.000.000) Washington Universi 3 §. Lois 31 Dike Ushessy so Univer of Minneiua 62 Unive of California San Diego 53 Universi of Neth Carling EY University of Wisconia ae Universi of Rochester 35 Yeshiva Unversity a8 Universi of Chicago a University of iasburg> 159 Corre Uniersy 37 Fonts US. Depa of ath adnan Senos, PO Hea Senigs (2) Organize ox dads ev uma dspsio oan on em uma disposi ramo-e-foha (©) Caeules mesa a mediana a mows «mia do ncvakoe 8 isos ones (6) Deserve propredade de tendénca cea pra ese dad. D} seanarar 39, Dur oes 0 das de omho.o em “Shore Speci” chegou sas so seu destino nostempoe a _aur(emminves:umndmero nega sptica qe tn chegou aaa naguelaguandade ees, SSR cne ica tee meee tea (@)_ Se vot fos conta por uma companhia de esvads de er pars most ques ervias fer: ‘enium bom servig, qua serials dad sche oc liza prvacangs to? () Se vod fose contrat or uns enna de gic eters posuzindo un Gocumentatc park ‘osvar que as fenovis en fee un sevgo ri. gus modhss resumes vot vila? (©) Se vost extivessetentnao sr otjsivoe nual avai desempenho cas fesovias gue ae, ids esumids voce tirana? (Et pe mn ify pte Yee no poe expander a lazer suposig dion sc usin asin de ex oro for von pesfodon) (4) Qual sera efeko de sass concasdes se 9 valor de 124 Svewe aide incoetaeteFegitrido € event deft ser 127 D vareant 2.10 Par estar a quatdade de gua gue srs nessyia para abate a Snide de Falling Rock ‘ima dead ocomelie da edad pes a0 pecs ye deeds a guamidae de 4408 gore amos de nis wea atuameme& nino de 1 ffs liu Ssepuime mere de aes (em miares) no ane pssado. 12 MS 14 7 ae 159 a8 eS) (3), Qual a quandade media de fg liza poe funn? E a medians? Eo aaa diners? Es rsa osu? 1) ‘Suponts que a const d cidade spree vag der aos esa 4.000 fants vivenda ea Falling Rock. Quanios gales de dgua erin necendrosanualnent, uaa de consumo po an Fiase manivers meana? + {9 Deque munerasintoenasia frncida en a «(hy ei il poo const da cidade? Discus (@) Por que oGoneto tu cidade liz dada de una pesesa gn vee de apenas eto conn ‘wil aciade? Umogine qo tipo de usuioanda na eno ielldos no rocetso de estinativa) 3.5. MeDIDAS DE VARIAGAO {ava segunda propriedade importante que desereve um conjunto de dads numéricos € a variaglo. Va- ago 6 quamidade de dispersia ou spread nos dos. Dos conjunios de daidos podem dvergi ia 132 caida a tendéncia central como oa vais ot, confoane mastam a igus 3.1 €33, oi ccjantos de Gados podem eras mesmes medidas de endcia cenal, prt dveri baste em ens de vai fo, Oconjunto de dadoslstrado na Figura 3.3 €mulo menor ariel do que sguoeapescntado pur Fra anc medidas de vaio sfx ampli, amped varie. 0 devo pdt cooosicientede vast. 3.5.1 Amplitude Amplitude ¢ a dferenga entre a maiore a menor observago cm um» Casjunto de das: een = eC] Usilizando a disposigdo ordenada ds taxas escolares para residentes de fora do estado (em mares ‘de dates) de nossa amostra de ses excolas na Pensilvnia : Z) amplitude € 11, 677 89 = 49 = 630 mil doles. ‘Aamplitde ined &diperst otal wo conjumo de dados.Enbor 2 amplitude sea uma medida simples da varagfo otal noe cada, seu poo ac extn fto de que el ao leva em consdetopo a Imaeira como os dades ett efetivamente isULIdos ene menor © w moe Var. Iso pode Ser dbservdo na Figur 3.4 Conformeevidonla balan no seria appa tia amplitude cond tnedida de varigao quando pelo menos um de seus Componentes € una obervagao extent ewido eDecrendo Des mbar 1333.5.2 Amplitude Interquartil Amplitude interquartléadiferengaente 0 trcero eo prineiro quaril em um conjunto de dados C Say ssa medida considera a dperso nos dados que esto ente os $04 de observes cons da sri de da. dos (eno I+ 03 quis) e, desse modo, na0 6, de mney alguna, influencada por valores extemos, Para os dados sobre taxascscolares para residents de fora do etado da Penslvina, temos Amplitude imerquartil = Q,~Q, = 103 ~ 63 = 4 mil dares. Esta € a amplitude de taxa escolares para o grupo do meio das excolas da Pensilvnia %-% Anmptitude interquari 3.5.3 A Varincia e o Desvio Padrao Embora amplitude seja uma medida de dispersdo totale a amplitude interquartl soja uma medida ds lspersdo central, nenhums essas medidas de variago leva em conta @ modo come ix abservagbes se Gistribuem ou se agrupam, Duas maneiras geralmente ulizadas de vatiagio qu efeivamente levsm {em conta d modo como todos os valores nos dados eso disisiouldos s30 a varldncta e sua riz quads 4a, 0 desvio padrio, Essas medidas avaliam o modo como ox dados flutuam em torno da média + Detinindo a Varincin da Amosta A vatitca dams ¢apravinadanete (ou qs inns tres to purnte cat cas und cbcreies un como ds dda mde mies Soconuat Asim send, prs wn amosta cco wabergtes tye ase Naan aetna sinter oes % RY +(x, RY ena (te mT Ustizando nossa esritaresumida a fémula acim pode ser express do seguinte modo: ‘A varidneia € a soma das aiferengas av quadsado em torno 6a mi ‘ho da amostra mews 1 iti divigids el tame onde 7 r= tamanbo de smo AX, = iio alr ds vv acti X Yer, - Hy = somatério de todas as diferengas ao quadrado entre os valores X,¢ ¥ Se 0 dnominodor tives sido nem ver de n ~ 1.2 méia da diferenges 20 quadado em imo iia arta teria sido oid No enna,» ~ 1 € vlzado ai devido a crs proprcdade tena devs possido pea esata qc aor apropriad arinferecin eatin Cipto 3). Amediga que eres o amano de smosvauiferens na Sia porn ou = 1 #0 tomando ends Yee menor * Definindo 0 Desvio Padrao da Amostra 0 desvio padrdo da amostra (representado pelo simbolo $) €raizquadrada da variinia da amor, expressa do Seguinte modo: 134 Captus inte | devo pada €a rz quadrada da some das diferengas 20 quadrado em torno da média ari iviida pelo tamara da amosia menos 1 en SoH oa «+ Caleulando $e 5 Para valeulara variincis, devernos: 1. Obie ierena ene ca observa cama Brera quate et eee 5 Soqaroswatads 20 undo Dido soma port 1 : sr cleulr desis pio spleens panos iz qudras da vaici Fa ee eda Pein, das brates as sclera oe J x doy em mires de ares to ve 490 89 677 eK = 8,3 mil dtares. 'A varlnci da amastea écaleulads come . 368 (em withares de dares 30 quadrado) eo desvio palrdo da amosta& aleulado come (6-368 = 2.52 it dares ' ‘ so quai eens + obtendo 5 © Suis vez que noeieuo series xaos ceva guaade sooner alin pie sensi A nica aso em gue eS pode = aoe en dado goad cla Sbcrgio ara exe 8 rae ea josunes spa abe ea ve a Fae dss nnn race nl so costs uaa enone a es posanes apr ganhs sana wel vals POR neato er ra reer a se pe reenter esa. Pa aaa reenter herr, penn, ares pubs i or Faas incre ngemonen vam que stometoinporae esr ee, ei isc ut rou on ad como tam iss (Ya samt due moos ato umescoenconranse apes ¢ 0 desi paso mole «0 Que a Variinca ¢ 0 Destlo Paro tndicam A variincn¢odesvio ns jaan Martine <2 chustmstta roe cu abet ors Mea oer eae memne dm ano ernie DessovrdeOadorNamens 13S‘A varincia apresena algunas propriedades matemicas bastante iis. No enant, seus cleus re. sultan em unidades a0 quadrado — rhares de dares ao quadrado, dare a0 quadrada, ceiimetrs a0, ‘quadradoe assim por diante. Assim sendo, nossa principal medida de variacto serdo desvio padt20, cjg ‘alorrepeesena as unidades originals dos dados — milhaes de dares, dblares ou centimetos. [Na amostra de seis esclas desvio padrla ¢ igual a 2,52 mil d6lares. so nos diz que a muiovia ds tanasescolares nessa amostraconcentra-se entre 2,52 mil lars em torno da média aritmica de 8.3), rl dares (sto €, entre 5,78 ¢ 10,82 mil dolar) + Por Que Hievamas os Desvios ao Quadrado As sul pare vartnsa devo pions poderiam meramente uilizar D%- X) ‘como um numerador, porque, como vor pode lembrar a médiaseimetiea funciona come um punto de ‘eqilbvo para a observagBes maiores e menoves do que els Porta, a ont dos desvios em orn midis € sempre 2707 ov sea, El-¥) <0 Para demonsrar isto, vamos novanente fazer referéacia 20s dados sobre laxasescolares pa rest denies de fora do estado das seis escoas da Pensilvinia: 49 631 Porn. (10,3 -8.3)+(4,9-8,3)+18,9~8,3) + ULT=8.3) #(63-83)+(7,7-83) Iso ¢ itstrado no diagrama da Balanga de bolas, et anexo,apresentado na Figura 35. ‘Conforme veriicamos antriormente, és das observagies slo wenuees Jo que @ inédiae ues sio iaioes. Embora a soma ds sis desvios (2.0: ~3.4: 06; 3.4: ~2,0¢~0,6) seja 20, 801 dos dey ‘ios ao quadrado nos permite estudara vatiagio nos dades. Desse modo uilizanos 4-3 quand catelamos a warncia ésvio pads. No proceso de elevag 020 qusdrado. as observan Bes ‘Que esto mais distantes da média arunéica adquirem melee peso do que aquelas que estdo mai per ‘Os respectivas desvios 30 quadrado para os dados sobre taxusexcolaes para residents de fora do tado da Pensvinia S10 40011556 036 nse 490036 Taras ecotres a residents de eta om oa escola da Pencivans Batanga em (1.000) = 83 Figua 3.5 Ames como um pnt guns 136 copnao [Natannos que a quartaobservagdo (X, = 11,7 mil d6lares) 3.4 mil dlares maior do que a média & a segunda observasto (X, = 49 mil délazes) 634 mil doles menor. No processo de clevagdo so que { ado, ambos os valores contibuem substancialmente mss pra oleulo de S*e Sdo que ottras obser- {rade a amosra, que estio mais pero da média Portano, poderos generalizar do seguinte modo: 1. Quant suis expttads ou dispersos etverem odds, maior ero a aupltuds, a amide {erga a varinca eo esto po, ° 2. Quanto ls concensados ou homogéneos fore os dads, meneres serio aampiue, samplinde inert varnls e destin pediao “ “ 1 Sicha cbvervagbes fore uns de oo que no cna varago nos dads, ampli, a Sante imerquo a alana co Gest pd eo dos igus 2. « caleulando #5 Réremulas para Caleuladoras As fn vance evi pe ence Fy e(hy e iespr efi, as pen Ran set de so pico ato Cae ess Ps mm ato nbn oles par ei era J eS sane dre ae wn nrtroe, Paraesas stages as coma od 8 Set Ag annica paves Yoo nero io, nos 8 epi frmas Meet dadons pra ealaannos saree desvio pod. “A varidncl igual somados Xs a0 quadrado nenos tmanho ds amostra veres a méai aritmétice ‘a0 quadrado,dividia peo tamanho da amostra menos 1 | Sao G8) os soma ds quadrados das observagdes individusis tama dant verso quads da mia rita amos 3 lado inc fm semua paraceadrs a aunbes 3.8) (38) apeseta slg tn nat ta el uso enon adr os mesos ode denon sda Ete an de fmuls J soma er Ape Boe Le- = de Voto as ns aot ste cles an sie de rad ext Pens. 2 i ete ceacdasvtande o Eaugies (8) (39) do sepsis na ake a7$= 6368 52 mil dares 3.5.4 O Coeficiente de Variacao ‘De modo distito das medidas anteriores que acabarns de esta. ocoeficiente de varingio€ a med. dla reltiva da varag. Ele € expresso como ns perceniagen ot V7 des ulzarem tenis de Gades dos dados expec. _ ‘0 cosfciente de varagio, ideniticado pelo simbolo CV, mede a dispersto dos dados em elago§ rédia aritmética, Pode ser ealeulado do seguine nvxlo Sea TT ETO IT cv-(Z}0 ew 8. © desvio padrio de um conjunto de dados numéticos 5 mia aritmética de un conjunto de daos mice Voltando as taxas escolare para residentes de for do estado da anvsta de eis escolas da Psi nia, o.cotficiente de variagio@ (s conde Q {252}con=s008 Seas une eae cae Eas aee ianaeaaananes Se ea ae ree sect cata ecient stare See ee earn eee sa Foeitolerteies ent tenerppre epee tented Jor 3.5.5 Utilizando as Funges do Microsoft Excel para Obter Medidas de Variagao [Nesta sego,dscutimos diferentes medidas de variagdo (amplitude, amplitude intequari.desvio po {rGo,varinca, ecoefciene de varagio). Agora remo usa como 35 firmulas do Excel podem set ‘desenvolvdas par ealcular cada uma Gesak medidas de viragdo, Para ote esas medidas pa anes 138 Captus dz seis exolas da Pensivinia,precisamas posiciona as lnhas na panlha Clute, confor ilutaa abcla 3.1 Eacel, Linas adicionas encontam-seindicada na Tabela 32.Excel Tabela 3.2.Excel Linhas adicionais para medidas de variagao na planilha Célculos para os dados sobre taxas escolares de fesidentes de fora do estado para a amostra de sels escolas da Pensilvania Pensivinia a 15 [impinge __ 16 | Amplitude interquedel 7 | Desvio Padito 18 | Varidneia 07 513. ESVPAD(Dados82:87), -YAR@ados182:87) 17/84 19 | Coeficiente de Varagio BES jrocrans “Abra seu live de exeretios desemvovido na Seq 3.456 ou PA-SAM2XLS. Seleione pana 1 era Calaton edigteos nomes das estatsca as celuss ALS.A19 ¢a5 fms pars se etiituce nas cuss BLS:BIS. Ao faer isso, precisamos nos Tembrar de que os dados exto na anna Dados eo eleulos esto n lila Calves. ra achcmentspartelculara amplitude, subraimos oval mimo da cua B7 do valor xin dances BS (BED). A seul, para calolara amplitade ierquar, sbafmos 0 primero quart na Sina BIT do teresa quan na clula BLS (B13-B10. Un ver que exes este eslclados, lizamos & fangio DESVPAD para eaculr 0 desvio pa- drhdna dado ns cilas 82 BY du plana Dadoreafungao VAR para caleuaravarinciados mesos sae aera fa calcularo octciente de varage, divisios 0 desvi pad macula BIT pete ain amsia nella Ba, Un wee Seacttenedevataghng ge 7] Irene expresso como percentage ove- — Ine pei Somwns paral BI nN Ts sees Rdosenabursasteramene CT [Esataicas da Amosta dos Dados das Escolar fat geformategio.e depot cicamos no LZ tendo Aumentar Casas Decaf duns ve. dex former um resultado com dias Gacdec 4 é T . * Varlével Taxa Escolar Média Attica lMediana ‘A Figura 3\Excel representa asesta- [Iwoda tistcas Jesritivas obidas através da ui- eee Tiago desta fungbes do Excel de Interval Medi {d|ClassificagSo do Primetro Quart [Primeiro Quart Classificagao do Terceiro Quart [13 |Terceiro Quart 103 singe 83 intervalo 6a Intervato iterquactl lDesvio Padrao- 2578 S2asigiaeesrabde tebe mar egurs IVariancia 6,368 Syccinli simon afer [yp coniciente de Vaid 300% eumidoe Ooervendo OndosNumeseas 139Confone snos na Seo 3.4 com x meds deen lc vlorsenremos nas varias meds de ara {ora do estado na Si iret 2. Msiiqueovalornaplrilha Dado a cul BY par I9-Te nde scar re vara er conju aihzado de eas descivs moxeadar nae SR ‘Coniparando estes dois conjuntos de resultados, Aro foram bastante efetadas por este Valor extrem muito menos afetoda. A ampitide mudou de 638 Eni cea pademos cera ofan supondo que a taxa escolar pars residemes de Rock University teria sido incorretamentedigitala como 19.7 om vee de podenios ver que a ampliute © desvio pa -e 787, enquanto aamplivade interquartile ta 14,8 © 0 desvin padrio de 2.52 para 5.24, ‘enguanio# amplitude imerquarl se tomnou 5,4 emt Vee de. Como antes, se estivéssemos interesnado litos dk c FEM ver Of eleitos de muita le mediana:assimeti 8 drcta ou positiva Média artmética = mediana:assimetia em ze0 ou Simsia Méia artmetica < mediana:assimetia 3 esquetda ov Asse pita sarge gan ile aren ie Jo 2 ile acta suet por alum vo exrotini te levad 8 assimetia negativa ocore quando a mii arias Teele por niga tremamene tino. Ox dados 880 simsiricos quando no existe valores realmente coecees os Aire especifica, de mado qu os wlores base alos se equiibam ents snes Figur 3.6 represen as digs eweccmunin dda edo lang Ld caer cued por wes er nh ego avon mae ques dele dia €castada por res exttnarent evan) eo nds toetoee goo ge st for carta gs econ cs asics: san ois exempl da st ewcolar Peli ova sob eeu et yetado naga de bolt a Figura. 1A nad arnaiens ate eae ae lares¢ os dadosparecem ser distibuid de mado sintrcn em torno das medi de endone oe, a Eslesonunto de dadoe 8 ossinginco a esqueraa. le fepresenia um bam esempanho ‘enum taste de uma Sasa 5 Since Amie anaice a) | bv be posse mas bases.” Batanga Z ato compl de das Sssinato 8 greta Bs represen Ui deeper aso enue SDarauese Se 8 unos 8 sido anna lea ies ana (1 sae feces rie aes Esta congeto de dado 6 simsicn, | Ei tomesona um cesomperts orem um ese co una ase oe ete Ain eamsteaa | Peegeeaemesmisa Figura 3 compara ders cannon de aon ge Serge mo formato 142 ciptus Problemas pora a Segéo 3.6 © sersaarer + 2.19 Pua cada conjamo de datos do Problema 3.1 (@)_ Desereva fost ds disibagio, (©). Compare or reslador e disco suas descoberts, $320 Uttlando ce dados sobre vids il de bateriat6oPobiems 3.4, descree frmato da dst + 321 Uttzand os dsdos sobre doagées do Problma 3.8. daserey2 © formato de diribeg. 5.22 Uiteando os dads sob 9 "ara" dem do Problema 39, descrevao format du dt 0. 324 Usllano or dado sobre ocontum de dps do Problema 310. serve o formato a bua, }.7 UTILIZANDO A FERRAMENTA ANALISE DE DADOS PARA Oster Estatisticas Descritivas ‘Além de (ou em vez de) uilizar diversas funyaes para calcula esttiicasdeseivas,podertnos ut Tiara ferramenta Andlise de Dados par simultanearvente obter um conjunto de estatsticas descriti- vas. A vantagem da erramenta Anise de Dados 6 que ela ¢ mais fel de ublizar uma vez que indmeras esitisticas podem ser obtidas através de apenas urna operacto. Uma desvantagem € que. se os dados orem modificados apés aferamenta Anilise de Dados er sido ulizad. toda a segioeia de etapas teria que sec repetia com 05 novos aos. FSD oases Com tiveo d= exerecios sobre os datos relaivos a tans escolares para residemesde fore do estado a amosta de seis escolas da Pesivaniaabeno (PA-SAM-1-XL)-cligue a aba planilha Dados. A ferramenia Esatistica Desritiva ds ops 0 Anise de Das &entSouuliada do seguite modo: © Seine Feamentas|Aniive de Dados Seeane ate Deev cca de as Feramesta e Anse cla o oto OF © Ga" inetd de antnds opal Yc ox doy, Ofte oneal dt Aus pence 38 fades Osdobtar) ete os tos Oo v (@) Una ve qu os dads x locaizados em ua colina, clque no botio de oes Agrpado por Col (2 Ureaver quo tuo paraavaniveltans excl pararesisentes Sere do eis ott cd,» pre ‘acd do tenso'e ervags seein daa de wera Rouos a Prime Colon. (8) Bets aba Ne de Conan pre eda sem se ssid Uma verge a es dace 0 Capo 6 {5 Peobter 1 wires minimo& mbsmo,sacoe scabs Ge vero Enema Mase Eesne Menor ‘et em sun cab ello Se qiermor cle curs meds Se oczeto cigtando ovata Ital come 3 para excess manor ou mio posers inca qu vio’ cassia deseamos abe & ecionea peo Hor Pasa de Taba diate onome Oeste ena cab de deo, 1 Sclecione aa de veiicagho Remo Ease Acaaa de logo Dialaen Desa Sever parecer com ‘aued spends a agus 3 bec Chque no bolle Ok ‘A Figura 3.7.Excorepescnao resultado obs através da ops 30 statistic Destinos foramenta ‘Andlse de Dados par os dads sre tatascscolares para resdenes de fora do exado da amosra de seis escolas da Pensilvania, Emibora este resultado sja similar Sguee itstrado na Figura 3.4 Exc, exstem algumas pequenss Aierengas, Tis estlticas aguiinelutas no fazem parte da Figura 3. Excel. Sip eles 0 eo pao. a asinnra «2 curtose, © emer éodesvio pai avai pet ar qvadrada do tanano da amosta © Serd discutido no Capa 5. A asimetra € uri medida da fala de simetia no Conjunto de dudos, © ‘bascia-se em wma estafsiea que € uma fungio das diferengas ao cubo em tomo da mdi arti, A ‘curt ¢ una medida da concentragga catia de valores ne cen dadistribuigBo em eomparaga0 com as ponias eaudas).ebascixse naiferengas em toro Ja mdiy aria clevada 3 yuarta potena no € discutida neste liveo (ver Reterénia 3b deine) panes © Cotras Pea | en [Fe snatomene (ee [tance [| | ne pot | Nees Bexar | Pavone | 7 2 3 [media 83 4 [erro Padréo 1030210335 % |tediana 83 6 No Tr. 2523489647 a 668, al areses5e1 [4ai/Assimetria 24743615 [4 Jintervato 68 [42 t8inimo 49 13] tximo 17 [44]soma 8 [15] Contagem 6 [46 Jttatortt) wT HF |rtenor(t) 49 [18 [Nivel de Confiancags.o%) 2019172162 ‘settee pre reenter deo 148 capttos | | | | | "Note que o valor ds assimetria tem o formato 2,17436-15, tlzando um formato aumérieo conheci- Progress NR eS 2 % ™® Campbe co fT a ne) a [ist Cup O-Noodes Oo oD os mk 2 ow Progresso Healthy Class Hm on mF 2 uw Lipton Soup Min CN be kw eet Campbels Ramen Noodle = CN DCm 970 ‘Nissin Tip Ramen CN BC on mM a 360 Campbell's Soup Mix CN DC 026 to 2 0 Pathmark Koco aw 2 ow Shope NK OM w 2 an) Maruchan Ramin CN DC oo 0 3 8 we Lady Lee CN CC a) Wieiht Watchers NR om i Cn) noe Chicken Favor CN DC Oss oa 1% 80 anpbel's HomeCookia’ = CN CROs 3 % Ro + Hain CN CR 0% Dg R80 Mrs. Gnss Noodle Soup ce % S00 Campbel's Cop Instant Doone as 3 2% 1.190 LipionCup-A-Souplnsamt’ = CN Lag gS 1 Me Campbel'sChunkyClasic = CN CRON rit) Gampbel's Healthy Reet «= CN CR '8O ar) Pritikin Chicken Seup cN CR og) 1 un 180 Camptet' Low Sodium CN CR om sg 2 6s Healthy Choice CN CR ORS Ds (continue) 164 casos nos sobre alr Marea Proisto Tipo Casto Calas _Gordure ancora _Siio a Verena v@ OB m3 COmbelsiioneCoia’ = YR) isto “Ganges Cans Y o& ce om 3 8 ee ety Choe en Yo on mG 3 “frogs Toms ee Se Fete Yep Yo a BF fe My ens Tosa ‘ woo: Be Cambes Honsnyie ‘ @ 3 3 i peas Heit mo ot & Sects wih oeer—V 2} $s Cones t % 3 = Epes Mabay segs B i & & oe r 100 1 9 630 3 oo 8 t mf > Bo whetpe Ce sams Ch aa papas DC = esd pcos 1 es ‘eases ‘Conor em cetny yyy de ogee stn por port Se ana. Sondre gran por port de ong, ‘Slncx crap ume conten oda por prod ong. Niele soe ira or eo e oa . S's Copy 1 poser Uno f Unie Sates, ne one NY. 17S, Aaa cn ein SOS commer Rep mvc e198, 8.0 nore capa Se nr bs pees eidnincaen mas Rp aps shen esses concent a Sevres so aca a ee fpoendsma le Case: ions da Conamer Report Untangle sere de 2 pam da 7) D sovrour (a) Fag una svtingo desta completa de todas as varies ums presenads ma bel (@) Fagus vaio simiar compan econtastano ca una das vee umes base no fio de sro proto ua ops de palit, de vegeta ou de toate 5 6 Brinda gaa srlnie compan: asada case es ies one Teas com bss wotipodesopa~enltadaonceita, nade prota para serv desi pros prt osha dessa (a) Foca ecomentagoescom reg esse dscobenas Notas Finais Resunnne Drovers Dose Numcas 65Caso B — Estudo sobre Nutrigio na Cafeteria do Campus ‘Ann Foxe, vice resident de Actinisiraaode Alunes numa faculdae ecfneas humanas, promod um enconto com Camille Nels, reeémrindicadadictora de Administragdo Alimentarse Bias ek {ato de que o crdipio nem sempre oferece uma refeito bara, rida e complcia-Ao serquesionns pela vice-president Foster para responders esses eclamagées, a senhora Nelle afimou dees, Campus haviaperas3 semanas vita piniramentsegind ocarcpnlecsidoe are ‘enquanto experimentava uma seleco de refeigdes a cada dia. “ is wads sox meus cuidador,peendo seguir um novo rum, dz a, Conaermce nr ie ae ae faculdade est sivas numa srearurl equ alimentos vlads em pariclan ete et dos nos meses de inverno, quad as remesas vind a cidade as pets podenaoee ag Sada os mates de spas nltdas, una vex qe em poder fasinentess er decy into as efeiges de almosoe jae ydam ofrecer os muienss Sema ethane bara tid, como fo reivindcad." A dra. Bany concordouem que slestudacens tase ee cers informaes neces pars a oma de esto quanto inplememtag A ee oferceu se apoio ao empreendiment: "raya for reia"diacrla iene ue reer g os ass pas qu somos os respons por taaenecesdadns“A ca Beryl ena oferecia uma asessora para oy lunes. "Quen soce ques coat eps evi oa A dia Bary conte voce para asstrklsem su enue foeceuric of aden ee £7eremes mars de sopaselatadas pra ue v8 velgu sey valor nutes eae ee nlim 0 custo, ¢ a quatidade de cslvias. de gordua, de calonas da gordura e de Sodio de 8 sone cenlatadas diferentes Caracteristicas nutriclonals de 47 sopas enlatadas diferentes SE eriatlcas nutriclonals de 47 sopas en 'Agor que ess preocupagbes fons | racteristicas nutriclonals de 47 sopas enlatadas diferentes (continuoso) Calorias Maree Produto Tipe _CustoCalorias_Gordura da Gordura _Séaio , eB Bt. source Yee 8: | | Progresso Vegetable vo Re 5 1 B Healy Cacize Tomato y R073 140 3 a a eectet, } & 8 2 8 sect y $B Bs 2 Health Valley Fat-Free v cR (092 33 1 ie aa “Campbells Healthy Request’ = «VCR OSS on 1 i ‘to So Hee sesh 2 - ete cee cers 7 pee te ee eee uns a re 1M Gye Cesena CH sls npr so. ~ esaons rGoobr: I~ er 2 Grr coer: par de ong Gaon por porto fon {Gordon anor a de 8 ons. [el eso em lies or ego de 8 ‘Stoner comm uma regen gor or pg de fa Calorie Barca Produto Tipo _Custo Caloris Gordura_daGordura _Sédio (CarpbeisHomenyle CN CC Oss 3 Prope CN CR 5 2 on) CCampbel's CN CC 3 Nissin Cup O'Nonles CN oD 3 mG 2 Progress Healthy Css CN CR on Bow Lipton Soup Mix CN BC ot BoM Camphel'sRamea Nowe = CN DCD ® oo ‘issn Tip Ramen SN DC On mG a 0 Campbells Soup Mix GN DC 02% im 30 Pathak cy ce eo 2 ee ShopRite CN CC® 2 er) Maruchen Ramen CN DC 0G 8 Te Lady Lee Cy rs i ty) ao Weight Waters re) i 3M Knot Chicken Favor cN bc Ost 0 2 % a0 Campbeits Home Cookin’ = CN CROs 3 % eo SN CR 0810 4 Bw Noodle Soup mH pe on tp 2 2% son Cop Insane GN Deas, 5 210 ASouplasm CNL 366s : rn) Chunky Clasic © «CN CRT x a0 Healy Rewet = CN CR 070g 2 saa) Brita Chicken Soup cy CR 087 ' ui 180 ‘Campbell's Low Sodium ch CR os, 4 2 s Healthy Choice cy ck oes 2 se (continue) 164 coos SE cree corner ue ere “Ganamers ers pooh tats cone pesado ne iene Ne Semele eect : $8 Beemer sone eaten 0 nn ee arias ee bumércas epresentadas ne wbels Fieas com base no tipo de sopa — enlataduleoncentraa, enlatadae pronta para servi, dsidratadal J pron para coznhar ou desidratadafnsantine, (€) Fuga recomendagSes com relagio ts suas deseubertas. Notas Finais snplamentewiizads sto os dei que d- 1. Essa medida so chamadas de quanti Alguns gaat mais mpl onde te ‘iden os dos ordenans em dc co percent ur ov ids dad ondenas em Ps ‘us informa sabre eat meds, vas Referens 8 uh 2 Utlizando a regis do somatiio do Apendice B. deroesranes a seuine prov Aevamind Otreendo Onder Nerécst 165Dx,-n¥ <0 da-fx=0 1a gra oinervalo de ~096 222,74 nil dlaes; no enanto, uma taxa escolar negaiva no & stramos 0 intervalo como de 0222.74 il doors ‘Assia € molto Fequentemente avibatda a Benjamin Dist (1804-18S1), das vezes primeio-minisvo da Tnglatens, No entano, uma recente reportage [Weerner,D.,"Who Realy Suid I?" Chance, val. 6 outa de 1983), p37 india que ela pode ter sido eserita por outa pes, Referéncia Cobb Group. Running Microsoft Excel Version § (Redmond, WA: Microsoft Press, 194). Hull, Dy How to Lie with Stasis (New York: W.W.Necton, 1984), Kimble, G.A. How to Uz and Misuse) Satsies (Englewood Cis, NI: Prec, 1978), (Microsof Escel Version 7 Redman, WA: Mierosot Corporation, 596). ‘Tukey, 1. Exploratory Data Analysis (eating, MA: Addison-Wesley. 197). Velleman, P.F and D.C: Hosglin, Applications, Basics, and Computing of Eyvoratry Duta Analyse (Bs ton, MA: Duxbury Press, 1981) capitulo Distribuicdes de Probabilidade Basica e de Probabilidade Discreta OBJETIVO DO CAPITULO Promover o entendimento dos conceitos bbisicos de probabilidade, das caractersticas das distribuicSes de probabilidade binomial ede outras distribuigdes discretas