Introdução

O presente trabalho prático de estatística, mostra as interpretações das saídas do SPSS de uma
base de dados, que ilustra os resultados dos alunos do 1° ciclo na realização do exame
olímpico de 2020, na Escola Secundária Geral de Nicoadala. Com objectivo de avaliar o nível
de aprendizagem nas disciplinas de ciências nos alunos .

Objectivos:

1. Objectivo Geral
 Analisar o nível de aprendizagem dos alunos na área de ciência com base nos
resultados obtidos nas olimpíadas de 2020 na Escola Secundaria Geral de Nicoadala
aplicando a técnica de análise factorial.
2. Objectivos Específicos:
 Conhecer as disciplinas mais dominadas pelos alunos na área de ciência através dos
resultados obtidos na olimpíada;
 Verificar a correlação entre as disciplinas e adequação da técnica análise factorial;
 Identificar factores a reter e o modelo da técnica Analise factorial ;
 Aplicar os pressupostos da validação do modelo da técnica análise factorial e
interpreta-lo.

Processo metodológico

O desenvolvimento deste trabalho, foi realizado com uma base de dados, fornecido pelo
pedagógico do 1ºciclo da Escola Secundaria Geral de Nicoadala.

E para a obtenção das saídas do SPSS da nossa base de dados, foi utilizado a análise factorial,
procedendo os seguintes passos:

1º Passo: transportamos a base de dados do Microsoft Excel para SPSS e organizamos;

2º Passo: procedemos com a análise factorial usando as ferramentas desta técnica;

3º Passo: com ajuda do mouse, clicamos a ferramenta Analyze→Data reduction→Factor,

depois seleccionamos as variáveis “Matemática, Física, Biologia e Química” para a caixa da
variável. Prosseguimos seleccionando no batão Descriptives→univariate descriptives→
Correlation Matrix→Coeficients→Significance levels→Anti-image→KMO and
Bartlett’s test of sphericity→Reproduced, finalmente clicamos no batão continue.
Isto é, na opção univariate descriptives, vai nos dar a tabela da analise descritiva das
variáveis, as opções coeficents e significance levels vão nos dar a matriz das correlações de
Person e o seu nível de significância. A opção anti-image, vai nos dar a matriz das correlações
parciais, e KMO and Bartlett’s test of sphericity vai permitir-nos avaliar a adequação da
analise factorial à matriz de dados em estudo. E a opção reproduced vai nos dar a matriz de
correlações estimada pelo modelo.

4º Passo: Clicamos no botao Extraction→Display→Unrotated factor solution→Scree plot

→Extract→Continue.

Isto é, na área de extraction, é para seleccionarmos o método de extracção dos factores. As

opções unrotated factor solution, vai nos dar a solução iniciar da análise factorial, e scree plot
permiti-nos decidir qual o número de factores a reter. E a extract, vai ajudar-nos sobre quantos
factores devemos reter.

5º Passo: Clicamos no botão Rotation→Varimax→Continue.

Isto é, na rotação é para seleccionarmos o método de rotação dos factores, para tal,
seleccionamos o método Varimax, porque é o método mais utilizado e adequados perante a
nossa matriz de dados.

6º Passo: Clicamos no batão Scores→Saves as variables e Display factor score coefficient

matrix→Bartlett→Continue.

Isto é, no scores é para seleccionarmos o método de calculo dos factores scores, para tal,
seleccionamos o método Bartlett e Display factor score coeffient matrix.

7º Passo: Finalmente este sendo o último passo, clicamos OK. De mediante tínhamos as
nossas saídas e interpretamos.

Tipo de pesquisa

a) Quanto à forma de abordagem é pesquisa aplicada

De acordo com Prodanov e Defreitas (2013) ‘’a pesquisa aplicada objectiva gerar
conhecimentos para aplicação prática dirigidos à solução de problemas específicos. Envolve
verdades e interesses locais’’(p. 51)
 b) Quanto a natureza é pesquisa quantitativa.

A pesquisa é quantitativa, visto que, para a análise dos dados vai-se utilizar técnica estatística,
neste caso, análise factorial para solucionar o problema, com base dos dados que foi obtido

b) Quanto aos procedimentos técnicos é pesquisa documental

Como os dados por analisar estão arquivadas na Instituição a qual decorreu o estudo, estavam
numa pauta das olimpíadas ou na base de dados do da escola secundária geral de Nicoadala .

Problema do estudo

Esta pesquisa vem na espectativa de responder a seguinte questão: Quais são disciplinas mas
correlacionadas nas olimpíadas de ciências realizados na ESG de Nicoadala ano 2020?

Actividade Pratica

Na Escola Secundaria Geral de Nicoadala, foi realizado um exame olímpico no ano de 2020,
com o objectivo de avaliar o nível de aprendizagem dos alunos nas disciplinas de ciências,
tais como: Matemática, Física, Biologia e Química. Foram registados 50 alunos, como ilustra
 Matemátic Biologi Químic
Alunos a Física a a

1 15 10 16 12

2 12 14 16 13

3 10 12 13 10

4 11 13 10 16

5 17 12 16 16

6 19 10 9 12

7 11 10 19 14

8 9 10 17,75 19,5

9 9,75 11 16 2

10 12 13 5 0,75

11 14,2 14 7 12,8

12 10,3 17 10 15,8

13 17 12 15 12,75

14 16 12 14 10

15 13 16,75 12 13,75

16 12 10 10 11

17 12 10 14 13,78

18 13 13 13 12,5

19 15 15 12 11

20 10 16 17,4 14

21 10 12 13 12

22 10 11,6 15 5

23 10 11,6 12 12

24 8 13,75 11 9

25 3 10,5 10 5,5

26 8 10,75 10,75 5,75

Interpretação das saídas

Estatística descritiva
Std. Analysis
Mean Deviation N
Matematica 11,724 4,4025 50
Fisica 11,372 3,8416 50
Biologia 12,568 4,2062 50
Quimica 10,662 5,0768 50
De acordo com a tabela estatísticas descritiva, mostra que os alunos registados na disciplina
de Biologia são os que merecem o premio, porque apresentam a média mais representativa em
relação aos alunos registados nas outras disciplinas.

Matriz das correlações entre as disciplina

Matematica Fisica Biologia Quimica
Correlation Matematica 1,000 ,244 ,074 ,385
Fisica ,244 1,000 ,054 ,553
Biologia ,074 ,054 1,000 ,331
Quimica ,385 ,553 ,331 1,000
Sig. (1- Matematica ,044 ,306 ,003
tailed) Fisica ,044 ,356 ,000
Biologia ,306 ,356 ,009
Quimica ,003 ,000 ,009
De acordo com a tabela “matriz das correlações” mostra-nos que existem uma correlação
forte e significativa entre a disciplina de Química e física e que estas estão correlacionadas
fracamente com as outras disciplinas. E também existem correlações perfeitas entre si.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling
,540
Adequacy.
Bartlett's Test of Approx. Chi-Square 31,553
Sphericity Df 6
Sig. ,000

KMO=0,540≈ 0 , 5 a recomendação a face à análise factorial é mau mas ainda aceitável.

O teste de Esfericidade de Bartlett apresenta um p−value<0,001 e portanto descarta-se H 0

afirmando que as variáveis estão correlacionadas significativamente.

O quadro seguinte pode também ser utilizado para avaliar a adequação da análise factorial
(AF) as variáveis desta base de dados:

Matriz anti_ imagem

Matematica Fisica Biologia Quimica
Anti-image Matematica ,848 -,024 ,048 -,209
Covariance Fisica -,024 ,675 ,124 -,322
Biologia ,048 ,124 ,864 -,248
Quimica -,209 -,322 -,248 ,546
Anti-image Matematica ,683a -,031 ,056 -,308
Correlation Fisica -,031 ,544a ,162 -,531
Biologia ,056 ,162 ,424a -,361
Quimica -,308 -,531 -,361 ,526a

Com base na tabela, afirmamos que:

  As matrizes de anti-imagem para a variancia-covariancia e para as correlações
apresentam os valores negativos das co-variâncias e correlações parciais entre as
variáveis;
 Estes valores estimam as correlações entre as variáveis que não são devidas aos
factores comuns.
 Valores baixos destas correlações parciais indicam que as variáveis partiam um ou
mais factores comuns;
 Valores altos sugerem que as variáveis são mais ou menos independentes;
 Os valores da diagonal principal são uma outra medida de adequação dos dados à AF
designada como “ medida de adequação da amostragem” ( do anglo-saxonico MAS)
para cada uma das variáveis na analise. Esta medida é uma particularização do KMO
para cada uma das i variáveis presentes na analise calculado como:

∑ r 2x x
i j
j ≠ i=1
KMO i= p p

∑ r
2
xi x j + ∑ 2
rx x i j∨x k
j ≠i =1 j ≠i=1

Quando os valores de MAS são inferiores a 0,5, isto indicam que essa variável não se ajusta a
estrutura definida pelas outras variáveis , neste caso, a sua AF deve ser eliminada.
Como KMO>0 , 5 sugerimos que todas as variáveis podem ser utilizadas.
E os quadros seguintes indicam as comunalidades, os valores próprios e percentagem da
variância explicada e gráfico exibe o Scree plot:

Communalities
Extractio
Initial n
Matematica 1,000 ,383
Fisica 1,000 ,551
Biologia 1,000 ,179
Quimica 1,000 ,780
Extraction Method: Principal
Component Analysis.
 Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings
% of Cumulative % of Cumulative
Component Total Variance % Total Variance %
1 1,893 47,318 47,318 1,893 47,318 47,318
2 ,977 24,423 71,741
3 ,774 19,357 91,098
4 ,356 8,902 100,000
de acordo co a tabela acima pode se verificar duas a retenção de um factor porque explica com
uma variância total de 47,318 variância .
Interpretação do diagrama scree plot.
De acordo com a regra de retenção dos factores com valores próprios superiores a 1, foi retido
um factor ( o que é confirmado pelo scree plot) podemos reter um factores ( factor 1 ) os seus
auctovalores são maiores que unidade.
Component Matrixa
Component
1
Matematica ,619
Fisica ,742
Biologia ,423
Quimica ,883

A classificação nos teste poderia ser dada por:

 Z Matematica=0,619 I + μ Matematica
Z Fisica=0,742 I + μFisica
Z Bilogia=0,423 I + μ Biologia
ZQuimica =0,883 I + μ Quimica

Isto é que a classificação de uma qualquer variável seleccionada ao acaso em cada um dos
testes pode ser explicitada por um factor geral ( e.g. Inteligência geral -I).

De acordo a nossa base de dado, como foi retido uma componente, então a solução não pode
ser rotada. Neste caso, não é possível expressar o nosso modelo factorial.

Factor 1=

Component
2
Matematica ,327
Fisica ,392
Biologia ,224
Quimica ,467

0,327 × matematica+ 0,392× fisica+0,224 ×biologia+ 0,467 ×quimica

O quadro seguinte apresenta a matriz das correlações entre as variáveis originais estimadas
pelo modelo factorial com um factor retido, bem como a matriz dos resíduos.
 Reproduced Correlations
Matematica Fisica Biologia Quimica
Reproduced Matematica ,383a ,459 ,262 ,546
Correlation Fisica ,459 ,551a ,314 ,656
Biologia ,262 ,314 ,179a ,374
Quimica ,546 ,656 ,374 ,780a
Residualb Matematica -,215 -,188 -,162
Fisica -,215 -,260 -,102
Biologia -,188 -,260 -,043
Quimica -,162 -,102 -,043

GFI=1-0,5tr ×( R−∏ ¿ =1−0 , 5 tr ׿ =1−0 ,5 ¿=1-0,134162=0,865838

2

Estimando os graus de liberdade pelo método da máxima verosimilhança, o GFI ajustado é:

10
AGFI=1−(k /gl)(1−GFI )=1−¿ =1− ×0,134162=1−¿ 0,67081=0,32919
2

√ √
p−1 p p−1 p
De modo semelhante, RMSR¿ ∑∑ ¿ ¿ ¿¿ ¿ = ∑∑ ¿ ¿ ¿ ¿¿ =
i=1 j=i+ 1 i=1 j=i+ 1

√ (−0,215)2 +(−0,260)2 +(−0,043)2

3 (3−1)/2
=
√
0,115674 =0,19636191
3

De acordo com os valores do GFI,AGFI e RMSR*, e ponderando a baixa percentagem de

resíduos com valor absoluto superior a 0.05, pode ainda afirmar-se que o modelo é razoável.
Assim, descartamos a H 0 : ∑ ¿ ∑ θ Podendo concluir que o modelo não se ajusta aos dados.
Conclusão

De acordo com o estudo feito, com a técnica da análise factorial, a respeito da base de dados,
fornecido pelo Pedagógico da Escola Secundária Geral de Nicoadala, pode-se concluir que os
alunos registados na disciplina de Biologia, tiveram maior nível de aprendizagem em relação
aos alunos registados nas outras disciplinas. Isto ilustra que os alunos assimilam muito os
conteúdos da disciplina de Biologia.
Refencias bibliográfica

Maroc, J. (2007). Análise Estatística. Com utilização do SPSS. (3ª. ed), Lisboa: Silabo,

Martins, G. A. ( 2009). Estatística Geral e Aplicada.( 3. ed.), São Paulo: Altas,

Gerhardet, T. E. & Silvestre, D. T.( 2009). Métodos de Pesquisa. (1 ed), UFRGS: Rio de
Grande Sul.