Baixe o app para aproveitar ainda mais
Prévia do material em texto
GL301 – Estatística I Leonardo T. Duarte Primeiro Semestre de 2013 Estatística Descritiva O que é estatística? ● Panorama geral da estatística ● Estatística descritiva: descrição numérica e/ou visual das amostras. População Modelo probabilístico Amostras Tipos de dados ● Dados correspondem ao objeto de estudo da estatística Tipos de dados ● Dados correspondem ao objeto de estudo da estatística ● Como classificá-los? Tipos de dados ● Dados correspondem ao objeto de estudo da estatística ● Como classificá-los? ● Dados qualitativos – Dados categóricos - “sim” ou “não” – Dados ordinais - “ruim”, “regular”, “bom”, “ótimo” ● Dados quantitativos – Dados discretos – número de alunos na sala “43” conjuntos enumeráveis (e.g. naturais) – Dados contínuos – largura de um produto “2,65 mm” conjuntos enumeráveis (e.g. reais) Estatística descritiva ● Como organizar, resumir, e apresentar dados? ● Estatística descritiva Estatística descritiva ● Como organizar, resumir, e apresentar dados? ● Estatística descritiva ● métodos numéricos – Medidas de tendência central (média, mediana, moda) – Medidas de dispersão (variância, intervalo) Estatística descritiva ● Como organizar, resumir, e apresentar dados? ● Estatística descritiva ● métodos numéricos – Medidas de tendência central (média, mediana, moda) – Medidas de dispersão (variância, intervalo) ● métodos visuais – Tabelas – Gráficos Estatística descritiva ● Como organizar, resumir, e apresentar dados? ● Estatística descritiva ● métodos numéricos – Medidas de tendência central (média, mediana, moda) – Medidas de dispersão (variância, amplitude) ● métodos visuais – Tabelas – Gráficos Linearidade da média ● Seja X = {x1, x2,...,xN} um conjunto de dados ● A média de X é dada por: Linearidade da média ● Seja X = {x1, x2,...,xN} um conjunto de dados ● A média de X é dada por: ● Média é um operador linear (satisfaz o princípio da superposição) ● Dados os conjuntos X = {x1, x2,...,xN} e Y = {y1, y2,...,yN}, então maX+bY = amX + bmY ● Prova: linearidade do operador somatório Significado físico da média aritmética ● Se cada amostra representa um corpo massa unitária disposto no eixo x, então a média corresponde ao centro de massa ● mX=13 Retirado de Montgomerry et al 2003 Significado matemático da média aritmética ● Seja um dado xi do conjunto X. É possível calcular a distância de xi a um ponto arbitrário A. Significado matemático da média aritmética ● Seja um dado xi do conjunto X. É possível calcular a distância de xi a um ponto arbitrário A. ● Exemplo: di = (xi-A)2 Significado matemático da média aritmética ● Seja um dado xi do conjunto X. É possível calcular a distância de xi a um ponto arbitrário A. ● Exemplo: di = (xi-A)2 ● Calculemos a média das distâncias dos pontos do conjunto X = {x1, x2,...,xN} ao ponto A, ou seja, a média do conjunto D = {(x1-A)2,(x2-A)2,...,(xN-A)2} ● Qual valor de A que minimiza mD? Significado matemático da média aritmética ● Seja um dado xi do conjunto X. É possível calcular a distância de xi a um ponto arbitrário A. ● Exemplo: di = (xi-A)2 ● Calculemos a média das distâncias dos pontos do conjunto X = {x1, x2,...,xN} ao ponto A, ou seja, a média do conjunto D = {(x1-A)2,(x2-A)2,...,(xN-A)2} ● Qual valor de A que minimiza mD? RESPOSTA → A = mX Peculiaridades da média ● Considere o conjunto de dados X = {1 , 2, 2, 2, 1, 5, 5, 6, 7, 6} A média deste conjunto é mX= 3.7 Não há nenhum dado “próximo” da média. Peculiaridades da média ● Considere o conjunto de dados X = {1 , 2, 2, 2, 1, 5, 5, 6, 7, 6} A média deste conjunto é mX= 3.7 Não há nenhum dado “próximo” da média. ● Além disso, a média de um conjunto de dados discretos pode ser um número real. Peculiaridades da média ● Considere o conjunto de dados X = {1 , 2, 2, 2, 1, 5, 5, 6, 7, 6} A média deste conjunto é mX= 3.7 Não há nenhum dado “próximo” da média. ● Além disso, a média de um conjunto de dados discretos pode ser um número real. ● Sensível a outliers X = {1 , 2, 2, 2, 1, 5, 5, 6, 7, 6,100} mX= 12.45 Mediana ● Valor que separa metade das amostras de um lado e a outra metade de outro ● Exemplo: X = {12,13,10,15,8,7,11,12} Mediana ● Valor que separa metade das amostras de um lado e a outra metade de outro ● Exemplo: X = {12,13,10,15,8,7,11,12} ● Ordenando este conjunto 7, 8, 10, 11, 12 ,12, 13, 15 Mediana 7, 8, 10, 11, 11.5, 12 ,12, 13, 15 Mediana ● Valor que separa metade das amostras de um lado e a outra metade de outro ● Exemplo: X = {12,13,10,15,8,7,11,12} ● Ordenando este conjunto 7, 8, 10, 11, 12 ,12, 13, 15 Mediana 7, 8, 10, 11, 11.5, 12 ,12, 13, 15 ● Exemplo: X = {12,13,10,15,8,7,11,12,100} Mediana 7, 8, 10, 11, 12 ,12, 13, 15, 100 Significado matemático da mediana ● Seja um dado xi do conjunto X. É possível calcular a distância de xi a um ponto arbitrário A. ● Exemplo: di = |xi-A| ● Calculemos a média das distâncias dos pontos do conjunto X = {x1, x2,...,xN} ao ponto A, ou seja, a média do conjunto D = {|x1-A|,|x2-A|,...,|xN-A|} ● Qual valor de A que minimiza mD? RESPOSTA → A = medianax Moda ● Para dados discretos, a moda é o valor (ou valores) mais frequente(s) ● Considere o conjunto de dados X = {1 , 2, 2, 2, 1, 5, 5, 6, 7, 6} Moda ● Para dados discretos, a moda é o valor (ou valores) mais frequente(s) ● Considere o conjunto de dados X = {1 , 2, 2, 2, 1, 5, 5, 6, 7, 6} A moda do conjunto é moda= 2 Moda ● Para dados discretos, a moda é o valor (ou valores) mais frequente(s) ● Considere o conjunto de dados X = {1 , 2, 2, 2, 1, 5, 5, 6, 7, 6} A moda do conjunto é moda= 2 ● A moda pode ser um conjunto ● Exemplo: X = {1 , 2, 2, 2, 1, 5, 5, 5, 6, 7, 6} Moda = {2,5} Estatística descritiva ● Como organizar, resumir, e apresentar dados? ● Estatística descritiva ● métodos numéricos – Medidas de tendência central (média, mediana, moda) – Medidas de dispersão (variância, amplitude) ● métodos visuais – Tabelas – Gráficos Amplitude dos dados ● Seja X um conjunto de N observações representados por X = {x1, x2,...,xN}. ● A amplitude das observações X é dada por Amplitude de X = max(X) – min(X) Amplitude dos dados ● Seja X um conjunto de N observações representados por X = {x1, x2,...,xN}. ● A amplitude das observações X é dada por Amplitude de X = max(X) – min(X) ● Exemplo: X = {1 -2 3 2 0 2 4 -4 3 4 1} Amplitude de X = 8 Amplitude dos dados ● Seja X um conjunto de N observações representados por X = {x1, x2,...,xN}. ● A amplitude das observações X é dada por Amplitude de X = max(X) – min(X) ● Exemplo: X = {1 -2 3 2 0 2 4 -4 3 4 1} Amplitude de X = 8 ● Exemplo: X = {1 -2 3 2 0 2 4 -104 3 4 1} Amplitude de X = 108 ● Extremamente sensível a outliers Variância ● A amplitude não leva em conta (explicitamente) os valores de cada uma das amostras. ● A variância, por outro lado, considera o valor numérico de cada amostra na busca por uma quantificação da dispersão. ● Na sequência, será mostrado como a variância é construída. Variância Tabela 1. Altura de 10 pessoas Indivíduo 1 1,65 2 1,76 3 1,59 4 1,98 5 1,76 6 1,56 7 1,61 8 1,72 9 1,81 10 1,62 Total 17,06 Média 1,71 xi (metros) ● Considere os dados brutos dispostos na tabela abaixo Variância Tabela 1. Altura de 10 pessoas Indivíduo 1 1,65 -0,056 2 1,76 0,054 3 1,59 -0,116 4 1,98 0,274 5 1,76 0,0546 1,56 -0,146 7 1,61 -0,096 8 1,72 0,014 9 1,81 0,104 10 1,62 -0,086 Total 17,06 0,00 Média 1,71 0,00 xi (metros) xi (m) – mX (metros) ● Considere os dados brutos dispostos na tabela abaixo ● Primeira ideia para calcular dispersão: média das diferenças entre xi e mX. Variância ● Considere os dados brutos dispostos na tabela abaixo ● Primeira ideia para calcular dispersão: média das diferenças entre xi e mX. Problema: é sempre zero! ● Segunda ideia: média das diferenças ao quadrado Tabela 1. Altura de 10 pessoas Indivíduo 1 1,65 -0,056 0,003136 2 1,76 0,054 0,002916 3 1,59 -0,116 0,013456 4 1,98 0,274 0,075076 5 1,76 0,054 0,002916 6 1,56 -0,146 0,021316 7 1,61 -0,096 0,009216 8 1,72 0,014 0,000196 9 1,81 0,104 0,010816 10 1,62 -0,086 0,007396 Total 17,06 0,00 0,14644 Média 1,71 0,00 0,014644 xi (metros) xi (m) – mX (metros) (xi – mX)2 (metros2) Variância ● Considere os dados brutos dispostos na tabela abaixo ● Primeira ideia para calcular dispersão: média das diferenças entre xi e mX. Problema: é sempre zero! ● Segunda ideia: média das diferenças ao quadrado (definição de variância) Tabela 1. Altura de 10 pessoas Indivíduo 1 1,65 -0,056 0,003136 2 1,76 0,054 0,002916 3 1,59 -0,116 0,013456 4 1,98 0,274 0,075076 5 1,76 0,054 0,002916 6 1,56 -0,146 0,021316 7 1,61 -0,096 0,009216 8 1,72 0,014 0,000196 9 1,81 0,104 0,010816 10 1,62 -0,086 0,007396 Total 17,06 0,00 0,14644 Média 1,71 0,00 0,014644 xi (metros) xi (m) – mX (metros) (xi – mX)2 (metros2) Variância Variância e desvio padrão ● Seja X um conjunto de N observações representados por X = {x1, x2,...,xN} e mX a média amostral deste conjunto; ● A variância (amostral) de X é dada por ● O desvio padrão corresponde a raiz quadrada positiva da variância. Propriedades da Variância ● Variância dos dados X deslocados por uma constante a, i.e., yi = xi + a: Propriedades da Variância ● Variância dos dados X deslocados por uma constante a, i.e., yi = xi + a: ● Variância dos dados X escalonados por uma constante a, i.e., yi = axi: Propriedades da Variância ● Variância dos dados X deslocados por uma constante a, i.e., yi = xi + a: ● Variância dos dados X escalonados por uma constante a, i.e., yi = axi: ● Variância dos dados X em função de “médias”: Exemplo em séries temporais ● Séries temporais (sinais) de média zero, porém de variâncias diferentes (1 e 0.01) ● Em processamento de sinais, a variância está diretamente ligada à potência de um sinal 0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 7 0 0 8 0 0 9 0 0 1 0 0 0 - 4 - 3 - 2 - 1 0 1 2 3 4 T e m p o Am pl itu de do si na l (V ) 0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 7 0 0 8 0 0 9 0 0 1 0 0 0 - 4 - 3 - 2 - 1 0 1 2 3 4 T e m p o Am pl itu de do si na l (V ) Generalizando a Variância ● É possível generalizar a variância considerando outras medidas de tendência central e outras distâncias Generalizando a Variância ● É possível generalizar a variância considerando outras medidas de tendência central e outras distâncias ● No caso da variância, temos ● MC (Medida de tendência central) → média ● d(·,·) (distância) → distância quadrática; Média dos desvios dos valores absolutos ● Definição ● Neste caso, temos ● MC (Medida de tendência central) → média ● d(·,·) (distância) → valor absoluto da diferença; ● Mais robusta à outiliers se comparada à variância. Mediana dos desvios dos valores absolutos ● Definição ● Neste caso, temos ● MC (Medida de tendência central) → mediana ● d(·,·) (distância) → valor absoluto da diferença; ● Mais robusta à outiliers se comparada à variância. Intervalo Inter-quartil ● Mediana: “divide” o conjunto de dados pela metade. Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} Mediana = 10,5 6, 7, 7, 8, 9, 10, 11, 12 ,12, 13, 15, 16 Intervalo Inter-quartil ● Mediana: “divide” o conjunto de dados pela metade. Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} Mediana = 10,5 6, 7, 7, 8, 9, 10, 11, 12 ,12, 13, 15, 16 ● Quartil: divide o conjunto de dados em quatro partes iguais Intervalo Inter-quartil ● Mediana: “divide” o conjunto de dados pela metade. Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} Mediana = 10,5 6, 7, 7, 8, 9, 10, 11, 12 ,12, 13, 15, 16 ● Quartil: divide o conjunto de dados em quatro partes iguais ● Exemplo Primeiro quartil – Q1: 7,5 Intervalo Inter-quartil ● Mediana: “divide” o conjunto de dados pela metade. Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} Mediana = 10,5 6, 7, 7, 8, 9, 10, 11, 12 ,12, 13, 15, 16 ● Quartil: divide o conjunto de dados em quatro partes iguais ● Exemplo Primeiro quartil – Q1: 7,5 Segundo quartil – Q2: mediana Intervalo Inter-quartil ● Mediana: “divide” o conjunto de dados pela metade. Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} Mediana = 10,5 6, 7, 7, 8, 9, 10, 11, 12 ,12, 13, 15, 16 ● Quartil: divide o conjunto de dados em quatro partes iguais ● Exemplo Primeiro quartil – Q1: 7,5 Segundo quartil – Q2: mediana Terceiro quartil – Q3: 12,5 Intervalo Inter-quartil ● Mediana: “divide” o conjunto de dados pela metade. Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} Mediana = 10,5 6, 7, 7, 8, 9, 10, 11, 12 ,12, 13, 15, 16 ● Quartil: divide o conjunto de dados em quatro partes iguais ● Exemplo Primeiro quartil – Q1: 7,5 Segundo quartil – Q2: mediana Terceiro quartil – Q3: 12,5 6, 7, 7 | 8, 9, 10 | 11, 12 ,12 | 13, 15, 16 Q1 Q2 Q3 Intervalo Inter-quartil ● Definição IIQ = Q3 – Q1 ● Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} IIQ = 5 Intervalo Inter-quartil ● Definição IIQ = Q3 – Q1 ● Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} IIQ = 5 ● Interpretação A variação máxima entre os 50% de dados mais próximos a mediana é de 5. Intervalo Inter-quartil ● Definição IIQ = Q3 – Q1 ● Exemplo: X={12,13,10, 9,15,8,7,11,12,16,6,7} IIQ = 5 ● Interpretação A variação máxima entre os 50% de dados mais próximos a mediana é de 5. ● O IIQ é uma medida muito mais robusta do que a amplitude dos dados. Estatística descritiva ● Como organizar, resumir, e apresentar dados? ● Estatística descritiva ● métodos numéricos – Medidas de tendência central (média, mediana, moda) – Medidas de dispersão (variância, amplitude) ● métodos visuais – Tabelas – Gráficos Tabelas de distribuição de frequência ● Utilizada para qualquer tipo de dados ● Exemplo (dados categóricos): avaliação de um determinado produto pelo cliente Tabela 1. Avaliação de um produto Avaliação Número de pessoas Frequência relativa Ruim 132 0,1503416856 Regular 432 0,4920273349 Bom 234 0,2665148064 Ótimo 80 0,0911161731 Total 878 1 Tabelas de distribuição de frequência ● Gráficos de barra e de setores (pizza) Tabela 1. Avaliação de um produto Avaliação Número de pessoas Frequência relativa Ruim 132 0,1503416856 Regular 432 0,4920273349 Bom 234 0,2665148064 Ótimo 80 0,0911161731 Total 878 1 Tabelas de distribuição de frequência ● Gráficos de barra e de setores (pizza) Tabela 1. Avaliação de um produto Avaliação Número de pessoas Frequência relativa Ruim 132 0,1503416856 Regular 432 0,4920273349 Bom 234 0,2665148064 Ótimo 80 0,0911161731 Total 878 1 Ruim Regular Bom Ótimo 0 100 200 300 400 500 Avaliação de um Produto Avaliação N úm er o de p es so as Tabelas de distribuição de frequência ● Gráficos de barra e de setores (pizza) Tabela 1. Avaliação de um produtoAvaliação Número de pessoas Frequência relativa Ruim 132 0,1503416856 Regular 432 0,4920273349 Bom 234 0,2665148064 Ótimo 80 0,0911161731 Total 878 1 Ruim Regular Bom Ótimo 0 100 200 300 400 500 Avaliação de um Produto Avaliação N úm er o de p es so as Gráfico de setores Ruim Regular Bom Ótimo Tabelas de distribuição de frequência ● No caso de dados discretos ou contínuos, para construir uma tabela de distribuição, é necessário agrupar os dados em intervalos não sobrepostos (bins); Tabelas de distribuição de frequência ● No caso de dados discretos ou contínuos, para construir uma tabela de distribuição, é necessário agrupar os dados em intervalos não sobrepostos (bins); ● Exemplo (Montgomery et al. 2003): esforço de compressão de uma liga alumínio-lítio (psi) Tabelas de distribuição de frequência ● Exemplo (Montgomery et al. 2003): esforço de compressão de uma liga alumínio-lítio (psi) Tabelas de distribuição de frequência ● Exemplo (Montgomery et al. 2003): histograma Tabelas de distribuição de frequência ● Escolha do número de bins do histograma: diversos métodos ● Mais utilizado: número de bins = N0.5 Exercício: exemplos de histograma ● Exemplos de histograma: traçar os histogramas referentes às seguintes tabelas de distribuição de frequências Tabela 2. Distribuição do tempo de vida de uma lâmpada Tempo de vida de uma lâmpada (meses) Número de pessoas 0-10 30 11-20 27 21-30 20 31-40 16 41-50 12 51-60 8 61-70 7 71-80 6 81-90 6 91-100 4 101-110 2 Total 138 ● Calcular a média, a mediana e a moda para cada histograma. ● Indicar no histograma estes valores ● Que conclusões podemos tirar? Tabela 1. Distribuição do tempo de vida de uma lâmpada Tempo de vida de uma lâmpada (meses) Número de pessoas 0-10 2 11-20 5 21-30 12 31-40 15 41-50 20 51-60 30 61-70 20 71-80 15 81-90 12 91-100 5 101-110 2 Total 138 Tabela 3. Distribuição do tempo de vida de uma lâmpada Tempo de vida de uma lâmpada (meses) Número de pessoas 0-10 15 11-20 30 21-30 15 31-40 4 41-50 3 51-60 4 61-70 3 71-80 4 81-90 15 91-100 30 101-110 15 Total 138 Tabelas de Frequência Acumulada Histograma de Frequência Acumulada Diagrama de caule-e-folhas ● Forma de apresentação dos dados na qual não há perda de informação ● Exemplo Dados brutos Diagrama de caule-e-folhas ● Forma de apresentação dos dados na qual não há perda de informação ● Exemplo Dados brutos Diagrama de caule e folhas Diagrama de caule-e-folhas ● Exemplo 2 (Montgomery et al. 2003) Gráfico de dispersão unidimensional ● Exemplo: taxas brutas de mortalidade (Le, 2003) ● Cada traço representa uma amostra Gráfico de dispersão bidimensional ● Utilizado para visualizar a relação entre duas variáveis contínuas ● Exemplo: análise de duas variáveis representadas por A e B. Variável A Variável B 0,78 0,78 0,39 0,38 0,24 0,25 0,40 0,39 0,10 0,10 0,13 0,12 0,94 0,94 0,96 0,96 0,58 0,59 0,06 0,05 0,23 0,25 0,35 0,36 0,82 0,82 0,02 0,01 0,04 0,04 0,17 0,17 0,65 0,65 0,73 0,73 0,65 0,66 0,45 0,47 Gráfico de dispersão bidimensional ● Relação entre variáveis 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 V a r i á v e l A Va riá ve l B Gráfico de dispersão bidimensional ● Relação entre variáveis: fortemente correlacionadas 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 V a r i á v e l A Va riá ve l B Gráfico de dispersão bidimensional ● Exemplo 2: análise de duas variáveis representadas por A e B. 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 V a r i á v e l A Va riá ve l B Variável A Variável B 0,64 0,31 0,38 0,92 0,81 0,43 0,53 0,18 0,35 0,90 0,94 0,98 0,88 0,44 0,55 0,11 0,62 0,26 0,59 0,41 0,21 0,59 0,30 0,26 0,47 0,60 0,23 0,71 0,84 0,22 0,19 0,12 0,23 0,30 0,17 0,32 0,23 0,42 0,44 0,51 Gráfico de dispersão bidimensional ● Exemplo 3: análise de duas variáveis representadas por A e B. 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 2 2 . 5 3 3 . 5 V a r i á v e l A Va riá ve l B Variável A Variável B 0,03 2,98 0,74 2,32 0,50 2,50 0,48 2,53 0,90 2,15 0,61 2,40 0,62 2,46 0,86 2,22 0,81 2,27 0,58 2,44 0,18 2,88 0,24 2,81 0,89 2,21 0,03 3,04 0,49 2,59 0,17 2,88 0,98 2,06 0,71 2,37 0,50 2,51 0,47 2,54 Gráficos de linha (séries temporais) ● Semelhantes aos gráficos de dispersão 2D, porém, neste caso, cada ponto no eixo x tem apenas uma única medida no eixo y; ● Além disso, os pontos são conectados por linhas; ● Usualmente, são utilizados para apresentar séries temporais. ● Exemplo 5 1 0 1 5 2 0 2 5 3 0 1 . 7 1 . 7 5 1 . 8 1 . 8 5 1 . 9 1 . 9 5 2 2 . 0 5 D i a d o m ê s Pr eç o do lit ro de Et an ol (R ea is ) P r e ç o d o E t a n o l n o E s t a d o d e S P e m J a n e i r o Box Plots ● Contém tanto informação visual quanto numérica. ● Exemplo: boxplot de um dado conjunto A 1 2 3 4 5 6 7 1 A M e d i a n aQ 3 Q 1 Q 3 + 1 . 5 I I Q Q 1 - 1 . 5 I I Q Exercício: box-plot ● Traçar os box-plots para as tabelas seguintes ● É preciso calcular ● Mediana ● Q1 e Q3 Tabela 2. Distribuição do tempo de vida de uma lâmpada Tempo de vida de uma lâmpada (meses) Número de pessoas 0-10 30 11-20 27 21-30 20 31-40 16 41-50 12 51-60 8 61-70 7 71-80 6 81-90 6 91-100 4 101-110 2 Total 138 Tabela 1. Distribuição do tempo de vida de uma lâmpada Tempo de vida de uma lâmpada (meses) Número de pessoas 0-10 2 11-20 5 21-30 12 31-40 15 41-50 20 51-60 30 61-70 20 71-80 15 81-90 12 91-100 5 101-110 2 Total 138 Slide 1 Slide 2 Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16 Slide 17 Slide 18 Slide 19 Slide 20 Slide 21 Slide 22 Slide 23 Slide 24 Slide 25 Slide 26 Slide 27 Slide 28 Slide 29 Slide 30 Slide 31 Slide 32 Slide 33 Slide 34 Slide 35 Slide 36 Slide 37 Slide 38 Slide 39 Slide 40 Slide 41 Slide 42 Slide 43 Slide 44 Slide 45 Slide 46 Slide 47 Slide 48 Slide 49 Slide 50 Slide 51 Slide 52 Slide 53 Slide 54 Slide 55 Slide 56 Slide 57 Slide 58 Slide 59 Slide 60 Slide 61 Slide 62 Slide 63 Slide 64 Slide 65 Slide 66 Slide 67 Slide 68 Slide 69 Slide 70 Slide 71 Slide 72 Slide 73 Slide 74 Slide 75 Slide 76 Slide 77 Slide 78
Compartilhar