Baixe o app para aproveitar ainda mais
Prévia do material em texto
Disciplina: EAD 351 Técnicas Estatísticas de Agrupamento Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo Profa. Dra. Alessandra de Ávila Montini 1 Avisos Profa. Dra. Alessandra de Ávila Montini 2 3 Prova 1 – 5 de Outubro Trabalho – Entrega até 25 de novembro – Atividade em dupla Prova 2 – Unificada 30 de novembro ou 7 de dezembro Prova 1 – 30 % ; Prova 2 – 50 % ; Exercícios – 10 % ; Trabalhos – 10 % Pesos das Avaliações Profa. Dra. Alessandra de Ávila Montini Trabalho As duplas devem obter uma base de dados com pelo menos 4 variáveis e 20 elementos. A entrega será feita por envio do trabalho até as 23:00 hs do dia 25 de novembro para um por email a ser definido. Deverá ser enviada a base de dados em Excel e o trabalho em Word. Profa. Dra. Alessandra de Ávila Montini As faltas serão abonadas somente com atestado médico do HU. O atestado será aceito desde que entregue ao professor até 7 dias após o retorno às aulas. Faltas 5 Profa. Dra. Alessandra de Ávila Montini Horário de atendimento – quinta-feira das 17:00 às 18:00 hs Horário de Atendimento 6 Turma 2 - 13h30 – 15h10 Turma 1 - 15h20 – 17h00 Para a entrada na aula será considerada uma tolerância de 15 minutos. Após a tolerância não será permitida a entrada. Horário das Aulas Profa. Dra. Alessandra de Ávila Montini Programa da Disciplina Profa. Dra. Alessandra de Ávila Montini 7 Programa da Disciplina Introdução Revisão – análise exploratória de dados Análise de Cluster Análise Fatorial Profa. Dra. Alessandra de Ávila Montini Análise de Cluster Profa. Dra. Alessandra de Ávila Montini 9 Introdução Profa. Dra. Alessandra de Ávila Montini 10 O que significa fazer um agrupamento ? Profa. Dra. Alessandra de Ávila Montini Por que fazer agrupamento ? Atender melhor as necessidades dos clientes / consumidores; Lançar produtos de acordo com a necessidade dos clientes / consumidores; Redução de custo; Controle de estoque; Controle de logística; Profa. Dra. Alessandra de Ávila Montini Análise estratégica para tomada de decisão Definição do Problema Análise Exploratória da Base de Dados Padronização das Variáveis Análise de Cluster Tomada de Decisão Empresarial Profa. Dra. Alessandra de Ávila Montini Objetivo Profa. Dra. Alessandra de Ávila Montini 14 O objetivo da análise de cluster é agrupar as observações em grupos de tal forma que dentro de cada grupo as observações são semelhantes e distintas entre os grupos. Dentro de cada grupo a variabilidade deve ser mínima e a variabilidade entre os grupos deve ser máxima. GRUPO 1 GRUPO 2 GRUPO 3 Profa. Dra. Alessandra de Ávila Montini Exemplos Profa. Dra. Alessandra de Ávila Montini 16 Agrupar países de acordo com as variáveis sócio demográficas. Exemplos Profa. Dra. Alessandra de Ávila Montini Agrupar municípios dentro de um país por meio de variáveis como: distribuição de renda, pib, população, importações, exportações dentre outras. Exemplos Profa. Dra. Alessandra de Ávila Montini Agrupar pessoas segundo hábitos alimentares semelhantes. Exemplos Profa. Dra. Alessandra de Ávila Montini Agrupar alimentos de acordo com as calorias. Exemplos Profa. Dra. Alessandra de Ávila Montini Agrupar clientes de acordo com o hábito de consumo. Alguns clientes adquirem mais produtos eletrônicos, outros adquirem cosméticos, viagem etc. Exemplos Profa. Dra. Alessandra de Ávila Montini Métodos de Agrupamento Profa. Dra. Alessandra de Ávila Montini 22 Métodos de Agrupamentos Método Hierárquico Método das K médias Profa. Dra. Alessandra de Ávila Montini Análise Exploratória de Dados Profa. Dra. Alessandra de Ávila Montini 24 25 Tipos de Variáveis Qualitativas Ordinal (Nível de escolaridade) Nominal (Sexo) Quantitativas Discreta (Número de cursos de aperfeiçoamento realizados nos últimos 3 anos) Contínua (Salário anual) Profa. Dra. Alessandra de Ávila Montini 26 Distribuição Simétrica Quantidade de cursos de aperfeiçoamento Profa. Dra. Alessandra de Ávila Montini 27 Distribuição Assimétrica à Direita Quantidade de cursos de aperfeiçoamento Profa. Dra. Alessandra de Ávila Montini 28 Distribuição Assimétrica à Esquerda Quantidade de cursos de aperfeiçoamento Profa. Dra. Alessandra de Ávila Montini 29 Distribuições Profa. Dra. Alessandra de Ávila Montini 30 Salário Anual Resumo dos Dados – Tabela de Freqüência Profa. Dra. Alessandra de Ávila Montini 31 Distribuição de Probabilidade do Salário Anual Resumo dos Dados – Histograma Profa. Dra. Alessandra de Ávila Montini 32 Média Aritmética Moda Mediana Quartil Medidas de Posição Variância Desvio Padrão Amplitude Coeficiente de Variação Medidas de Dispersão Profa. Dra. Alessandra de Ávila Montini Medidas de Posição Profa. Dra. Alessandra de Ávila Montini 33 Média Aritmética Profa. Dra. Alessandra de Ávila Montini 34 A média aritmética é obtida a partir da soma das observações dividindo-se pelo total de observações. A média aritmética será denotada por Profa. Dra. Alessandra de Ávila Montini Exemplo A média aritmética para o salário dos analistas é dada por: Considere os salários anuais dos quatro analistas apresentados na tabela Moda Profa. Dra. Alessandra de Ávila Montini 37 38 Moda É a realização mais freqüente do conjunto de valores observados Profa. Dra. Alessandra de Ávila Montini Mediana Profa. Dra. Alessandra de Ávila Montini 39 40 Mediana 30,3 31,0 31,1 31,2 31,3 31,4 31,8 32,5 33,8 É a realização que ocupa a posição central da série de observações arranjadas na ordem ascendente (classificação do menor valor para o maior). 30,3 31,0 31,1 31,2 31,3 31,4 31,8 32,5 35,8 37,0 n par 1 2 3 4 5 6 7 8 9 10 n ímpar 1 2 3 4 6 7 8 9 Quando o n for par a mediana é a média aritméticas das observações centrais. Mediana = (31,3 + 31,4)/2 =31,35 Profa. Dra. Alessandra de Ávila Montini Quartis Profa. Dra. Alessandra de Ávila Montini 41 42 Primeiro quartil ( Q1 ) Percentil 25 % - valor da amostra tal que 25 % das observações são menores do que ele; Segundo quartil ( Q2 ) Percentil 50 % - valor da amostra tal que 50 % das observações são menores do que ele (mediana); Terceiro quartil ( Q3 ) Percentil 75 % - valor da amostra tal que 75 % das observações são menores do que ele; Profa. Dra. Alessandra de Ávila Montini Box-plot Profa. Dra. Alessandra de Ávila Montini 43 Como saber se em sua base de dados existe alguma observação muito diferente das demais ? Profa. Dra. Alessandra de Ávila Montini As observações muito diferente das demais são denominadas ponto fora da curva ou OUTLIER. Profa. Dra. Alessandra de Ávila Montini 46 O Gráfico apresentado é denominado Box-plot. O objetivo do Box-plot é deteminar se existe na base de dados alguma observação muito diferentes das demais (OUTLIER). Profa. Dra. Alessandra de Ávila Montini 47 Q1 Q3 Q2 O primeiro quartil (Q1), segundo quartil (Q2) e terceiro quartil (Q3) são apresentados no Box-plot . Profa. Dra. Alessandra de Ávila Montini 48 A fronteira inferior é dada por: Q1 - 1,5(Q3-Q1) A fronteira superior é dada por: Q3 + 1,5(Q3-Q1) Fronteira inferior Fronteira superior Profa. Dra. Alessandra de Ávila Montini 49 O valor mínimo do conjunto de observações e valor máximo do conjunto de observações são destacados no Box-plot. máximo mínimo Profa. Dra. Alessandra de Ávila Montini 50 Quando o valor mínimo for superior a fronteira inferior e o valor máximo for inferior a fornteira supeior não existe OUTLIER, ou seja, não existe nenhuma observação fora do padrão. máximo mínimo Profa. Dra. Alessandra de Ávila Montini 51 Quando o valor mínimo for inferior a fronteira inferior existe OUTLIER, ou seja, existe uma ou maisobservações fora do padrão. Todas as observações inferiores a fronteira inferior são denominadas outlier. Profa. Dra. Alessandra de Ávila Montini 52 Quando o valor máximo for superior a fronteira superior existe OUTLIER, ou seja, existe uma ou mais observações fora do padrão. Todas as observações superiores a fronteira superior são denominadas outlier. Profa. Dra. Alessandra de Ávila Montini Q1 Q3 Q2 máximo mínimo Q3+1,5(Q3-Q1) Q1-1,5(Q3-Q1) O Box-plot contém as fronteiras que aparecem pontilhadas e deve-se ter atenção ao mínimo, máximo, primeiro quartil (Q1), segundo quartil (Q2) e terceiro quartil (Q3). 53 Profa. Dra. Alessandra de Ávila Montini Medidas de Dispersão Profa. Dra. Alessandra de Ávila Montini 54 Desvio Profa. Dra. Alessandra de Ávila Montini 55 56 O desvio é a distância de cada observação à média. Profa. Dra. Alessandra de Ávila Montini Variância Amostral e Desvio Padrão Amostral Profa. Dra. Alessandra de Ávila Montini 57 58 A variância amostral, denotada por S2, é obtida por meio da soma dos desvios elevados ao quadrado dividindo-se pelo total de observações menos um. A variância amostral é dada por: Profa. Dra. Alessandra de Ávila Montini 59 O desvio padrão amostral, denotado por S, é a raiz quadrada da variância amostral. Como a variância amostral está na unidade ao quadrado, para retornar a unidade original deve-se obter a raiz quadrada da variância amostral. Profa. Dra. Alessandra de Ávila Montini Coeficiente de Variação Profa. Dra. Alessandra de Ávila Montini 60 61 O Coeficiente de Variação é uma medida de dispersão relativa. O Coeficiente de Variação é obtido por meio da divisão do desvio padrão pela média multiplicando-se por 100. CV = x 100 Profa. Dra. Alessandra de Ávila Montini 62 CV = x 100 Exemplo Considere os salários anuais de quatro analistas e de quatro gerentes apresentados na tabela. O coeficiente de variação é obtido por meio da divisão do desvio padrão pela média multiplicando-se por 100. Profa. Dra. Alessandra de Ávila Montini 63 Como o coeficiente de variação para o grupo de gerentes é maior do que o coeficiente de variação do grupo de analistas há evidência de que a variabilidade de salários no grupo de gerentes é maior do que a variabilidade no grupo de analistas. Profa. Dra. Alessandra de Ávila Montini 64 Menor Variabilidade Maior Variabilidade O grupo com o maior Coeficiente de Variação é considerado o grupo com maior variabilidade. Profa. Dra. Alessandra de Ávila Montini Padronização de variável Profa. Dra. Alessandra de Ávila Montini 65 66 X: variável aleatória com média e desvio padrão S Z: variável aleatória padronizada com média 0 e variância 1. Para padronizar uma variável deve-se subtrar da variável original o valor da média e dividir o resultado pelo desvio padrão. A variável padronizada é denominada Z. Profa. Dra. Alessandra de Ávila Montini Considere um executivo realizou uma pesquisa de preço para a compra de um computador. Com base nos preços obtidos com 5 fornecedores calcule as medidas descritivas. Exercício 1 Qual foi o valor médio? Qual foi o valor médiano? Obtenha o desvio padrão amostral. Obtenha o coeficiente de variação. Profa. Dra. Alessandra de Ávila Montini Medidas de Similaridade e Dissimilaridade Profa. Dra. Alessandra de Ávila Montini 68 Na análise de cluster as observações são agrupadas de acordo com medidas de similaridade ou dissimilaridade. Existem várias formas de medir similaridade ou dissimilaridade depende do critério a ser considerado. Profa. Dra. Alessandra de Ávila Montini A leoa é mais parecida com a gata ou com a cadela ? Profa. Dra. Alessandra de Ávila Montini Para determinar se a leoa é mais parecida com a gata ou com a cadela é necessário definir um critério de similaridade. Considere como critério de similaridade o porte do animal. Neste caso a leoa será mais parecida com a cadela. Profa. Dra. Alessandra de Ávila Montini Considere agora como critério de similaridade o formato da orelha. Neste caso a leoa será mais parecida com a gata. Profa. Dra. Alessandra de Ávila Montini Medidas de Similaridade: Quanto maior for a medida de similaridade maior será a semelhança entre os elementos. O coeficiente de correlação linear de Pearson é uma medida de similaridade. Medidas de Dissimilaridade: Quanto maior for a medida de dissimilaridade menor será a semelhança entre os elementos. A distância euclidiana e a distância euclidiana ao quadrado são medidas de dissimilaridade. Profa. Dra. Alessandra de Ávila Montini Exemplo 1 Banco de Dados: dados1.xls Profa. Dra. Alessandra de Ávila Montini 74 Considere o exemplo de uma analista de gestão de pessoas que deseja agrupar os candidatos em três grupos considerando duas variáveis: o tempo de formação do candidato e o tempo que o candidato permaneceu na empresa anterior. A Tabela apresenta os valores das variáveis para os cinco candidatos. Profa. Dra. Alessandra de Ávila Montini O Gráfico de dispersão apresenta os valores das variáveis para os cinco candidatos. Candidato 1 Candidato 2 Candidato 4 Candidato 5 Candidato 3 Tempo de formação Tempo na empresa anterior Profa. Dra. Alessandra de Ávila Montini Candidato 1 Candidato 2 Candidato 4 Candidato 5 Candidato 3 Tempo de formação Tempo na empresa anterior Como a analista de gestão de pessoas deseja agrupar os candidatos em três grupos considerando duas variáveis o gráfico apresenta uma sugestão de agrupamento. Os candidatos foram agrupados de acordo com um critério. Grupo1 Grupo 2 Grupo 3 Profa. Dra. Alessandra de Ávila Montini Candidato 1 Candidato 2 Candidato 4 Candidato 5 Candidato 3 Tempo de formação Tempo na empresa anterior Grupo1 Grupo 2 Grupo 3 O grupo 1 é formado por candidatos com pouco tempo de formação e pouco tempo na empresa anterior. O grupo 2 é formado por candidatos com tempo de formação superior a 7 anos e com tempo na empresa anterior superior a 11 anos. O grupo 3 é formado por um candidato com 12 anos de formação e 2 anos na empresa anterior. Profa. Dra. Alessandra de Ávila Montini Um critério de dissimilaridade que pode ser considerado para agrupar observações é a distância Euclidiana. A distância Euclidiana entre os candidatos 2 e 4 é dada pela reta vermelha. Candidato 1 Candidato 2 Candidato 4 Candidato 5 Candidato 3 Tempo de formação Tempo na empresa anterior Profa. Dra. Alessandra de Ávila Montini A distância Euclidiana ao Quadrado entre os candidatos 2 e 4 é dada por: A distância Euclidiana entre os candidatos 2 e 4 é obtida por meio da raiz quadrada positiva da distância Euclidiana ao Quadrado . Profa. Dra. Alessandra de Ávila Montini A distância Euclidiana entre os candidatos 1 e 2 é dada pela reta vermelha. Candidato 1 Candidato 2 Candidato 4 Candidato 5 Candidato 3 Tempo de formação Tempo na empresa anterior Profa. Dra. Alessandra de Ávila Montini A distância Euclidiana ao Quadrado entre os candidatos 1 e 2 é dada por: A distância Euclidiana entre os candidatos 1 e 2 é obtida por meio da raiz quadrada positiva da distância Euclidiana ao Quadrado. Profa. Dra. Alessandra de Ávila Montini A matriz de distância Euclidiana ao Quadrado é uma matriz simétrica. As distâncias Euclidianas ao Quadrado, entre todos os elementos, localizadas acima da diagonal principal são apresentadas na matriz. Profa. Dra. Alessandra de Ávila Montini A distância Euclidiana é obtida por meio da raiz quadrada da distância Euclidiana ao quadrado. A matriz de distância Euclidiana é uma matriz simétrica. As distâncias Euclidianas, entre todos os elementos, localizadas acima da diagonal principal são apresentadas na matriz. Profa. Dra. Alessandra de Ávila Montini 1 - Obter a matriz de distância Euclidiana para as variáveis padronizadas.2 – Quais os dois lanches mais parecidos? EXERCÍCIO 2 Profa. Dra. Alessandra de Ávila Montini EXERCÍCIO 3 1 - Obter a matriz de distância Euclidiana para as variáveis padronizadas. 2 – Quais os dois lanches mais parecidos? Profa. Dra. Alessandra de Ávila Montini EXERCÍCIO 4 1 - Obter a matriz de distância Euclidiana para as variáveis padronizadas. 2 – Quais os dois lanches mais parecidos? Profa. Dra. Alessandra de Ávila Montini Técnicas de Agrupamento Vizinho mais Próximo (Nearest Neighbor ) Profa. Dra. Alessandra de Ávila Montini 88 Para a realização dos agrupamentos considerando como técnica de agrupamento o vizinho mais próximo pode-se partir da matriz de distância Euclidiana entre todos os candidatos. Profa. Dra. Alessandra de Ávila Montini 90 Passo 1 Distância entre 1 e 3 = 14,14 Distância entre 2 e 3 = 12,04 A menor distância é 12,04. Nesse passo deve-se agrupa-se as observações com as menores distâncias. Como as observações 1 e 2 possuem as menores distâncias elas serão agrupadas no passo 1. Calcula-se a distância entre as observações 1 e 2 e as demais observações. Distância entre 1 e 4 = 15,23 Distância entre 2 e 4 = 13,0 A menor distância é 13,0. Distância entre 1 e 5 = 10,0 Distância entre 2 e 5 = 9,22 A menor distância é 9,22. Profa. Dra. Alessandra de Ávila Montini 90 Passo 1 Elabora-se uma nova matriz de distância com as observações 1 e 2 grupadas. Profa. Dra. Alessandra de Ávila Montini 92 Passo 2 Distância entre 3 e (1+2) = 12,04 Distância entre 4 e (1+2) = 13,00 A menor distância é 12,04. Nesse passo deve-se agrupa-se as observações com as menores distâncias. Como as observações 3 e 4 possuem as menores distâncias elas serão agrupadas no passo 2. Calcula-se a distância entre as observações 3 e 4 e as demais observações. Distância entre 3 e 5 = 10,00 Distância entre 4 e 5 = 14,56 A menor distância é 10,00 Profa. Dra. Alessandra de Ávila Montini 92 Passo 2 Elabora-se uma nova matriz de distância com as observações 3 e 4 grupadas. Profa. Dra. Alessandra de Ávila Montini 94 Passo 3 Distância entre (1+2) e (3+4)= 12,04 Distância entre 5 e (3+4) = 10,00 A menor distância é 10,00. Nesse passo deve-se agrupa-se as observações com as menores distâncias. Como as observações (1+2) e 5 possuem as menores distâncias elas serão agrupadas no passo 3. Calcula-se a distância entre as observações (1+2) e 5 e as demais observações. Profa. Dra. Alessandra de Ávila Montini 94 Passo 3 Elabora-se a matriz de distância final. Profa. Dra. Alessandra de Ávila Montini Técnicas de Agrupamento Vizinho mais Próximo (Nearest Neighbor ) Dendograma Profa. Dra. Alessandra de Ávila Montini 96 O dendograma é um gráfico que tem como objetivo representar graficamente os passos realizados em um agrupamento feito por um método hierárquico. Com base na análise do dendograma é possível determinar o número de grupos para o conjunto de observações. Profa. Dra. Alessandra de Ávila Montini Este é o Dendograma gerado a partir dos agrupamentos realizados nos passos de 1 a 3. Dendrograma 2,236 5,657 9,220 10,00 1 2 5 3 4 Distância Euclidiana Profa. Dra. Alessandra de Ávila Montini O elemento 1 foi agrupado ao elemento 2 na distância 2,236. O elemento 3 foi agrupado ao elemento 4 na distância 5,657. O grupo (1+2) foi agrupado ao elemento 5 na distância 9,220. O grupo (1+2+5) foi agrupado ao grupo (3+4) na distância 10,00. Dendrograma 2,236 5,657 9,220 10,00 1 2 5 3 4 Distância Euclidiana Por meio do dendograma pode-se sugerir o número de grupos a serem considerados. Em geral, observa-se quando o próximo agrupamento é realizado em uma distância muito superior ao agrupamento anterior. Dendrograma 2,236 5,657 9,220 10,00 1 2 5 3 4 Distância Euclidiana Profa. Dra. Alessandra de Ávila Montini Os elementos 1 e 2 foram agrupados a uma distância de 2,236, os elementos 3 e 4 foram agrupados a uma distância de 5,657. O próximo agrupamento ocorreu na distância 9,220. Como distância entre 9,220 e 5,657 é grande pode-se sugerir separar os grupos em uma distância superior a 5,657 e inferior a 9,220. A linha vermelha representa a separação. Dendrograma 2,236 5,657 9,220 10,00 1 2 5 3 4 Distância Euclidiana Profa. Dra. Alessandra de Ávila Montini Considerando a linha vermelha como a separação dos grupos nota-se que os elementos 1 e 2 formam um grupo, o elemento 5 forma um grupo e os elementos 3 e 4 formam um grupo. Dendrograma 2,236 5,657 9,220 10,00 1 2 5 3 4 Distância Euclidiana Profa. Dra. Alessandra de Ávila Montini Caso o objetivo do problema seja separar os elementos em 2 grupos pode-se considerar a linha vermelha como a separação. Nota-se que os elementos 1, 2 e 5 formam um grupo e os elementos 3 e 4 formam o outro grupo. Dendrograma 2,236 5,657 9,220 10,00 1 2 5 3 4 Distância Euclidiana Profa. Dra. Alessandra de Ávila Montini Obter o dendograma considerando o método do vizinho mais próximo e matriz de distância Euclidiana para as variáveis padronizadas. EXERCÍCIO 5 Profa. Dra. Alessandra de Ávila Montini EXERCÍCIO 6 Obter o dendograma considerando o método do vizinho mais próximo e matriz de distância Euclidiana para as variáveis padronizadas. Profa. Dra. Alessandra de Ávila Montini EXERCÍCIO Obter o dendograma considerando o método do vizinho mais próximo e matriz de distância Euclidiana para as variáveis padronizadas. Profa. Dra. Alessandra de Ávila Montini Técnicas de Agrupamento Vizinho mais Distante (Furthest neighbor ) Profa. Dra. Alessandra de Ávila Montini Para a realização dos agrupamentos considerando como técnica de agrupamento o vizinho mais distante deve-se partir da matriz de distância Euclidiana entre todos os candidatos. Profa. Dra. Alessandra de Ávila Montini 109 Passo 1 Distância entre 1 e 3 = 14,14 Distância entre 2 e 3 = 12,04 A maior distância é 14,14. Nesse passo deve-se agrupa-se as observações com as menores distâncias. Como as observações 1 e 2 possuem as menores distâncias elas serão agrupadas no passo 1. Calcula-se a distância entre as observações 1 e 2 e as demais observações. Distância entre 1 e 4 = 15,23 Distância entre 2 e 4 = 13,0 A maior distância é 15,23. Distância entre 1 e 5 = 10,0 Distância entre 2 e 5 = 9,22 A maior distância é 10,00. Profa. Dra. Alessandra de Ávila Montini 109 Passo 1 Elabora-se uma nova matriz de distância com as observações 1 e 2 grupadas. Profa. Dra. Alessandra de Ávila Montini 111 Passo 2 Distância entre 3 e (1+2) = 14,14 Distância entre 4 e (1+2) = 15,23 A maior distância é 15,23. Nesse passo deve-se agrupa-se as observações com as menores distâncias. Como as observações 3 e 4 possuem as menores distâncias elas serão agrupadas no passo 2. Calcula-se a distância entre as observações 3 e 4 e as demais observações. Distância entre 3 e 5 = 10,00 Distância entre 4 e 5 = 14,56 A maior distância é 14,56 Profa. Dra. Alessandra de Ávila Montini 111 Passo 2 Elabora-se uma nova matriz de distância com as observações 3 e 4 grupadas. Profa. Dra. Alessandra de Ávila Montini 113 Passo 3 Distância entre (1+2) e (3+4)= 15,23 Distância entre 5 e (3+4) = 14,56 A maior distância é 15,23. Nesse passo deve-se agrupa-se as observações com as menores distâncias. Como as observações (1+2) e 5 possuem as menores distâncias elas serão agrupadas no passo 3. Calcula-se a distância entre as observações (1+2) e 5 e as demais observações. Profa. Dra. Alessandra de Ávila Montini 113 Passo 3 Elabora-se a matriz de distância final. Profa. Dra. Alessandra de Ávila Montini Técnicas de Agrupamento Vizinho mais Distante (Furthest neighbor ) Dendograma Profa. Dra. Alessandra de Ávila Montini Este é o Dendograma gerado a partir dos agrupamentos realizados nos passos de 1 a 3. Dendrograma 2,24 5,66 10,00 15,23 1 2 5 3 4 DistânciaEuclidiana Dendrograma Profa. Dra. Alessandra de Ávila Montini Dendrograma 2,24 5,66 10,00 15,23 1 2 5 3 4 Distância Euclidiana Dendrograma Considerando a linha vermelha como a separação dos grupos nota-se que os elementos 1 e 2 formam um grupo, o elemento 5 forma um grupo e os elementos 3 e 4 formam um grupo. Profa. Dra. Alessandra de Ávila Montini Obter o dendograma considerando o método do vizinho mais próximo e matriz de distância Euclidiana para as variáveis padronizadas. Considerando 3 grupos calcule a média para as variáveis originais em cada grupo e caracterize os grupos . EXERCÍCIO Profa. Dra. Alessandra de Ávila Montini Caracterização dos grupos : Profa. Dra. Alessandra de Ávila Montini EXERCÍCIO Obter o dendograma considerando o método do vizinho mais próximo e matriz de distância Euclidiana para as variáveis padronizadas. Considerando 3 grupos calcule a média para as variáveis originais em cada grupo e caracterize os grupos . Profa. Dra. Alessandra de Ávila Montini Caracterização dos grupos : Profa. Dra. Alessandra de Ávila Montini EXERCÍCIO Obter o dendograma considerando o método do vizinho mais próximo e matriz de distância Euclidiana para as variáveis padronizadas. Considerando 3 grupos calcule a média para as variáveis originais em cada grupo e caracterize os grupos . Profa. Dra. Alessandra de Ávila Montini Caracterização dos grupos : Profa. Dra. Alessandra de Ávila Montini Técnicas de Agrupamento Método da Centróide (Centroid clustering) Profa. Dra. Alessandra de Ávila Montini Exemplo 2 Profa. Dra. Alessandra de Ávila Montini 125 126 Dada a matriz de distância agrupe os elementos por meio do método da centróide e construa o dendograma. Profa. Dra. Alessandra de Ávila Montini 126 127 Como a menor distância é entre os elementos 1 e 2 eles serão agrupados no passo 1. Profa. Dra. Alessandra de Ávila Montini 127 Os elementos que serão agrupados são denominados p e q A novo grupo (p+q) é denominado t. Neste caso p = 1 , q = 2 e t = (1+2) Passo 1 Os elementos 1e 2 eles serão agrupados no passo1. Profa. Dra. Alessandra de Ávila Montini Os elementos que serão agrupados são denominados p e q A novo grupo (p+q) é denominado t. A distância entre o novo grupo t e o elemento/grupo r é dada por Em que, Np é o número de observações no grupo p, Nq é o número de observações no grupo q, Sp,r é a distância entre p e r, Sq,r é a distância entre q e r, Sp,q é a distância entre p e q. Profa. Dra. Alessandra de Ávila Montini Cálculo da distância do grupo 1+2 para o elemento 3 Profa. Dra. Alessandra de Ávila Montini p = 1 e q=2 t = (1+2) r = 3 Profa. Dra. Alessandra de Ávila Montini Cálculo da distância do grupo 1+2 para o elemento 4 Profa. Dra. Alessandra de Ávila Montini p = 1 e q=2 t = (1+2) r = 4 Profa. Dra. Alessandra de Ávila Montini Cálculo da distância do grupo 1+2 para o elemento 5 Profa. Dra. Alessandra de Ávila Montini p = 1 e q=2 t = (1+2) r = 5 Profa. Dra. Alessandra de Ávila Montini Matriz de distância após agrupar os elementos 1 e 2 Profa. Dra. Alessandra de Ávila Montini Passo 2 Os elementos 3 e 4 eles serão agrupados no passo 2. Profa. Dra. Alessandra de Ávila Montini Cálculo da distância do grupo 3+4 para o grupo (1+2) Profa. Dra. Alessandra de Ávila Montini p = 3 e q=4 t = (3+4) r = (1+2) Profa. Dra. Alessandra de Ávila Montini 139 Cálculo da distância do grupo 3+4 para o elemento 5 Profa. Dra. Alessandra de Ávila Montini p = 3 e q=4 t = (3+4) r = 5 Profa. Dra. Alessandra de Ávila Montini 141 Matriz de distância após agrupar os elementos 3 e 4 Profa. Dra. Alessandra de Ávila Montini Passo 3 Os elementos (1+2) e 5 eles serão agrupados no passo 3. Profa. Dra. Alessandra de Ávila Montini Cálculo da distância do grupo (1+2)+5 para o grupo (3+4) Profa. Dra. Alessandra de Ávila Montini p = (1+2) e q=5 t = (1 + 2) + (5) r = (3+4) Profa. Dra. Alessandra de Ávila Montini 145 Matriz de distância final Profa. Dra. Alessandra de Ávila Montini Técnicas de Agrupamento Método da Centróide (Centroid clustering) Dendograma Profa. Dra. Alessandra de Ávila Montini Este é o Dendograma gerado a partir dos agrupamentos realizados nos passos de 1 a 3. Dendrograma 2,24 5,66 9,05 15,23 1 2 5 3 4 Distância Euclidiana Dendrograma Profa. Dra. Alessandra de Ávila Montini Dendrograma 2,24 5,66 9,05 15,23 1 2 5 3 4 Distância Euclidiana Dendrograma Considerando a linha vermelha como a separação dos grupos nota-se que os elementos 1 e 2 formam um grupo, o elemento 5 forma um grupo e os elementos 3 e 4 formam um grupo. Profa. Dra. Alessandra de Ávila Montini Exercício Pokémon Profa. Dra. Alessandra de Ávila Montini HP (hit points) Representam a quantidade de vida, ou saúde do Pokémon e a quantidade de dano que ele consegue levar antes de ser liquidado . Quanto maior o HP, mais vida o Pokémon terá e, portanto, mais difícil será liquidá-lo. Attack (Ataque) Determina a quantidade de dano que um Pokémon pode infligir no outro usando um movimento de ataque físico. Quanto maior o ataque, mais dano o Pokémon pode infligir em seu adversário. Defense (Defesa) Mostra a capacidade do Pokémon se defender quando recebe um ataque físico. Quanto maior a Defense (defesa), menor dano ele receberá quanto atacado fisicamente. Profa. Dra. Alessandra de Ávila Montini Profa. Dra. Alessandra de Ávila Montini Profa. Dra. Alessandra de Ávila Montini Profa. Dra. Alessandra de Ávila Montini Profa. Dra. Alessandra de Ávila Montini Profa. Dra. Alessandra de Ávila Montini Exercício 1 Profa. Dra. Alessandra de Ávila Montini Considere o exemplo de um diretor que deseja agrupar seus vendedores de acordo com as vendas diárias realizadas no estado de São Paulo e no estado do Rio de Janeiro. A Tabela apresenta os valores das variáveis para os cinco vendedores para um dia de venda. Profa. Dra. Alessandra de Ávila Montini a - Obtenha os elementos que estão acima da diagonal principal da matriz de distância Euclidiana dos vendedores. Responder com 3 casas decimais. Profa. Dra. Alessandra de Ávila Montini b - Obtenha todas as matrizes de agrupamentos e faça o dendograma. Profa. Dra. Alessandra de Ávila Montini Exercício 2 Profa. Dra. Alessandra de Ávila Montini Considere o exemplo de um diretor que deseja agrupar seus vendedores de acordo com as vendas diárias realizadas no estado de São Paulo e no estado do Rio de Janeiro. A Tabela apresenta os valores das variáveis para os cinco vendedores para um dia de venda. Profa. Dra. Alessandra de Ávila Montini a - Obtenha os elementos que estão acima da diagonal principal da matriz de distância Euclidiana dos vendedores. Responder com 3 casas decimais. Profa. Dra. Alessandra de Ávila Montini b - Obtenha todas as matrizes de agrupamentos e faça o dendograma. Profa. Dra. Alessandra de Ávila Montini Exercício 3 Profa. Dra. Alessandra de Ávila Montini Considere o exemplo de um diretor que deseja agrupar seus vendedores de acordo com as vendas diárias realizadas no estado de São Paulo e no estado do Rio de Janeiro. A Tabela apresenta os valores das variáveis para os cinco vendedores para um dia de venda. Profa. Dra. Alessandra de Ávila Montini a - Obtenha os elementos que estão acima da diagonal principal da matriz de distância Euclidiana dos vendedores. Responder com 3 casas decimais. Profa. Dra. Alessandra de Ávila Montini b - Obtenha todas as matrizes de agrupamentos e faça o dendograma. Profa. Dra. Alessandra de Ávila Montini Aplicação no PASW Statistics Profa. Dra. Alessandra de Ávila Montini Exemplo 3 Profa. Dra. Alessandra de Ávila Montini Considere o exemplo de uma analista de gestão de pessoas que deseja agrupar os candidatos em três grupos considerando duas variáveis:o tempo de formação do candidato e o tempo que o candidato permaneceu na empresa anterior. A Tabela apresenta os valores das variáveis para os cinco candidatos. Profa. Dra. Alessandra de Ávila Montini Neste exemplo será utilizado o software PASW Statistics versão 18. Profa. Dra. Alessandra de Ávila Montini Importar a Base de Dados Profa. Dra. Alessandra de Ávila Montini Para importar um arquivo clicar em File, localizar o arquivo no computador e clicar em open. Profa. Dra. Alessandra de Ávila Montini Caso a primeira linha do arquivo a ser importado tiver o nome das variáveis deixar a opção que está marcada selecionada e clicar em OK. O PASW Statistics importou de forma adequada a a base de dados. Clicar em Variable View para verificar o tipo de cada variável. A variável candidato é uma string e não uma variável numérica. Para trocar o tipo de variável clicar em TYPE , selecionar o tipo desejado e clicar em OK. Agora a variável candidato é uma string. Cluster Hierárquico Profa. Dra. Alessandra de Ávila Montini Selecionar Analyze , Classify e Hierarchical Cluster Selecionar as variáveis que deverão ser utilizadas para formar os grupos e selecionar a variável Label. As variáveis que deverão ser utilizadas para formar os grupos e a variável Label foram selecionadas. No menu Statistics, Fazer estas seleções : No menu Plots. Fazer estas seleções : Selecionar um dos métodos de agrupamento No menu Method, Neste exemplo selecionar o vizinho mais próximo (Nearest Neighbor ) Selecionar uma das medidas No menu Method, Neste exemplo selecionar a Distância Euclidiana Após a seleção das opções clicar em ok O PASW Statistics gera um output com todos os resultados. Número de elementos da base de dados e a matriz com as distâncias Euclidianas. O PASW Statistics mostra quais os elementos que foram agrupados e em que distância. No estágio 1, o elemento 1 foi agrupado ao elemento 2 na distância 2,236. No estágio 2, o elemento 3 foi agrupado ao elemento 4 na distância 5,657. No estágio 3, o grupo (1+2) foi agrupado ao elemento 5 na distância 9,220. No estágio 4, o grupo (1+2+5) foi agrupado ao grupo (3+4) na distância 10,00. Dendrograma O PASW Statistics gera o dendograma. Neste dendograma o PASW Statistics não apresenta no eixo vertical as distâncias euclidianas originais. O PASW Statistics faz uma mudança de escala. Exemplo 4 Banco de Dados: MCDONALDS.xls Profa. Dra. Alessandra de Ávila Montini Neste exemplo pretende-se agrupar os lanches do Mcdonalds de acordo com as variáveis apresentadas. Profa. Dra. Alessandra de Ávila Montini Método Hierárquico Profa. Dra. Alessandra de Ávila Montini As variáveis que deverão ser utilizadas no cluster foram selecionadas e a variável Label foi selecionada. Profa. Dra. Alessandra de Ávila Montini No menu Statistics, Fazer estas seleções : No menu Plots, Fazer estas seleções : Método Hierárquico Vizinho mais próximo (Nearest neighbor) Profa. Dra. Alessandra de Ávila Montini Selecionar: Cluster Method: Vizinho mais próximo (Nearest neighbor) Measure : Distância Euclidiana (Euclidian distance) Transform Values: Z scores (transforma cada variável e considera as variáveis padronizadas). Profa. Dra. Alessandra de Ávila Montini X: variável aleatória com média e desvio padrão S Z: variável aleatória padronizada com média 0 e variância 1. A variável padronizada é denominada Z. Profa. Dra. Alessandra de Ávila Montini Dendrograma Profa. Dra. Alessandra de Ávila Montini Método Hierárquico Vizinho mais distante (Furthest neighbor) Profa. Dra. Alessandra de Ávila Montini Selecionar: Cluster Method: Vizinho mais distante (Furthest neighbor) Measure : Distância Euclidiana (Euclidian distance) Transform Values: Z scores (transforma cada variável e considera as variáveis padronizadas Profa. Dra. Alessandra de Ávila Montini Dendrograma Profa. Dra. Alessandra de Ávila Montini Método Hierárquico Centróide Profa. Dra. Alessandra de Ávila Montini Selecionar: Cluster Method: Centróide (Centroid clustering) Measure : Distância Euclidiana (Euclidian distance) Transform Values: Z scores (transforma cada variável e considera as variáveis padronizadas Profa. Dra. Alessandra de Ávila Montini Dendrograma Profa. Dra. Alessandra de Ávila Montini Como pode ser observado os dendogramas gerados pelos métodos vizinho mais próximo, vizinho mais distante e centróide são diferentes. Para exemplificar os agrupamentos considere o método do vizinho mais distante. Profa. Dra. Alessandra de Ávila Montini Dendrograma Profa. Dra. Alessandra de Ávila Montini Exercício 1 base de dados: MCdonalds1.xls Profa. Dra. Alessandra de Ávila Montini Considerando as variáveis padronizadas, o método da centróide e a matriz de distância Euclidiana , faça o dendograma. Obtenha 5 grupos com a base de dados: MCdonalds1.xls 1 – Quais os lanches estão em cada grupo. Responder com o numero do lanche e não com o nome. Considerar a formação da esquerda para a direita: Grupo 1: Grupo 2: Grupo 3: Grupo 4: Grupo 5: Profa. Dra. Alessandra de Ávila Montini Exercício 2 base de dados: POKEMON1.xls Profa. Dra. Alessandra de Ávila Montini Todas as variáveis devem estar como : ESCALA. Profa. Dra. Alessandra de Ávila Montini Considerando as variáveis padronizadas, o método do vizinho mais distante e a matriz de distância Euclidiana, faça o dendograma. Obtenha 4 grupos com a base de dados: POKEMON1.xls. Considerar a formação da esquerda para a direita: 1 – Complete a tabela abaixo e caracterize os grupos. Profa. Dra. Alessandra de Ávila Montini Método das k médias Profa. Dra. Alessandra de Ávila Montini No método das K médias é necessário definir, a priori, o número de grupos (clusters). 219 Profa. Dra. Alessandra de Ávila Montini Padronização da Base de Dados Profa. Dra. Alessandra de Ávila Montini Antes de iniciar o método das K médias deve-se padronizar as variáveis. Para padronizar as variáveis, selecionar Analyze, Descriptive Statistics e Descriptives. Profa. Dra. Alessandra de Ávila Montini Selecionar todas as variáveis que serão utilizadas para realizar o agrupamento Profa. Dra. Alessandra de Ávila Montini O PASW Statistics gera colunas novas com as variáveis padronizadas. Profa. Dra. Alessandra de Ávila Montini Método das K médias Profa. Dra. Alessandra de Ávila Montini 225 Para fazer os agrupamentos pelo método das k médias, selecionar Analyze, Classify e K-Means Cluster. Profa. Dra. Alessandra de Ávila Montini 226 As variáveis padronizadas que deverão ser utilizadas no cluster foram selecionadas, a variável Label foi selecionada e foi determinado o número de grupos desejados (neste exemplo 3 grupos). Profa. Dra. Alessandra de Ávila Montini Na opção Iterate, Colocar 100 iterações. Profa. Dra. Alessandra de Ávila Montini Na opção Save, Fazer esta seleção. Profa. Dra. Alessandra de Ávila Montini Na opção options, Fazer estas seleções. Profa. Dra. Alessandra de Ávila Montini O PASW Statistics gera um output com todos os resultados. Profa. Dra. Alessandra de Ávila Montini Método das K médias Análise de Variância Profa. Dra. Alessandra de Ávila Montini O PASW Statistics gera um output com todos os resultados. Esta tabela gerada faz uma comparação das médias das variáveis entre os grupos. Profa. Dra. Alessandra de Ávila Montini H0: as médias da variável são iguais para todos os grupos; H1: as médias da variável são diferentes em pelo menos um grupo; Teste F para comparação de médias A variável Zscore:Valor energético é a variável Valor energético padronizada (com média zero e desvio padrão 1). A hipótese testa se a média dessa variável para o grupo 1 é igual a média dessa variável para o grupo 2 e é igual a média dessa variável para o grupo 3. Teste F para comparaçãode médias Considere o teste F feito para a variável: Zscore:Valor energético A estatística do teste possui distribuição F com 2 e 22 graus de liberdade. Distribuição F Teste F para comparação de médias O valor da estatística do teste é 86,075. A área a direita da estatística do teste é denominada nível descritivo (Sig). 86,075 Nível descritivo Regra de decisão: Quando o Sig (Nível descritivo do teste) for menor do que α (0,10) rejeitamos H0, ou seja, há evidência de que as médias da variável são diferentes em pelo menos um grupo Teste F para comparação de médias H0: as médias da variável são iguais para todos os grupos; H1: as médias da variável são diferentes em pelo menos um grupo; Como o Sig associado `a variável Zscore: Fibra Alimentar é maior do que 0,10 há evidência de que as médias dessa variável são iguais para todos os grupos. Desta forma esta variável não é importante para a formação dos grupos. Como o Sig associado as demais variáveis são inferiores a 0,10 as demais variáveis são importantes. Profa. Dra. Alessandra de Ávila Montini Ajusta-se novamente a análise de cluster pelo método das k médias sem a variável Zscore: Fibra Alimentar. Como o Sig associado as variáveis são inferiores a 0,10 todas essas variáveis são importantes. Profa. Dra. Alessandra de Ávila Montini Método das K médias Número de Observações nos Grupos Profa. Dra. Alessandra de Ávila Montini O PASW Statistics gera um output com o número de observações em cada grupo. Agora é necessário caracterizar os grupos. Profa. Dra. Alessandra de Ávila Montini O PASW Statistics coloca na base de dados o grupo relacionado a cada elemento. Esta nova variável é denominada: Profa. Dra. Alessandra de Ávila Montini Análise Exploratória dos Grupos Box-plot Profa. Dra. Alessandra de Ávila Montini Para obter o Box-plot de cada um dos grupos para cada variável deve-se selecionar Graphs, Legacy Dialogs e Box-plot. Profa. Dra. Alessandra de Ávila Montini Fazer esta seleção. Profa. Dra. Alessandra de Ávila Montini Selecionar a variável, colocar a variável grupo em category Axis e colocar a variável com o nome dos lanches em label. Profa. Dra. Alessandra de Ávila Montini Box-plot da variável Valor Energéticos para cada um dos grupos. Profa. Dra. Alessandra de Ávila Montini Análise Exploratória dos Grupos Split File Profa. Dra. Alessandra de Ávila Montini Para obter um análise para cada grupo deve-se partir o banco de dados por grupo. Selecionar Data e Split File. Profa. Dra. Alessandra de Ávila Montini Selecionar Organize output by groups e colocar a variável grupo. Profa. Dra. Alessandra de Ávila Montini Análise Exploratória dos Grupos Medidas Descritivas Profa. Dra. Alessandra de Ávila Montini Para obter as estatísticas descritivas selecionar Analyze, Descriptive Statistics e Descriptives. cv Profa. Dra. Alessandra de Ávila Montini Selecionar as variáveis originais. Profa. Dra. Alessandra de Ávila Montini Selecionar as medidas descritivas desejadas. Profa. Dra. Alessandra de Ávila Montini O PASW Statistics gera uma tabela com as medidas descritivas selecionadas para cada grupo. Profa. Dra. Alessandra de Ávila Montini Análise Exploratória dos Grupos Caracterização dos Grupos Profa. Dra. Alessandra de Ávila Montini Com base nas medidas descritivas geradas no PASW Statistics pode-se obter a seguinte tabela com as médias das variáveis para cada grupo. Adicionalmente pode-se obter uma tabela similar para cada medida descritiva. OBS: a cor vermelho representa o grupo de maior média para a variável, a cor cinza representa o grupo com a segunda maior média para a variável e a cor verde representa o grupo de menor média para a variável. Profa. Dra. Alessandra de Ávila Montini Nota-se que o grupo 1 apresenta as menores médias para todas as variáveis. O grupo 2 apresenta as maiores médias para todas as variáveis (exceto para o ferro). O grupo 3 apresenta valores médios intermediários (próximos do grupo 2) para as variáveis e maior valor médio para a variável ferro. Profa. Dra. Alessandra de Ávila Montini Grupo 1 - apresenta as menores médias para todas as variáveis. Profa. Dra. Alessandra de Ávila Montini Grupo 2 Grupo 2 – Colesterol médio e sódio médio muito maior que os demais grupos. Profa. Dra. Alessandra de Ávila Montini Grupo 3 – maior valor médio para a variável ferro Profa. Dra. Alessandra de Ávila Montini Exercício 1 Profa. Dra. Alessandra de Ávila Montini 1- PADRONIZAR AS VARIÁVEIS Profa. Dra. Alessandra de Ávila Montini Profa. Dra. Alessandra de Ávila Montini VARIÁVEIS PADRONIZADAS Profa. Dra. Alessandra de Ávila Montini Obter 8 grupos pelo método das K médias Profa. Dra. Alessandra de Ávila Montini Obter um Box plot para cada variável original considerando os 8 grupos. 2. Completar a tabela abaixo com as médias e caracterizar os 8 grupos. Profa. Dra. Alessandra de Ávila Montini 3. Completar a tabela abaixo com o valor mínimo e caracterizar os 8 grupos. 4. Completar a tabela abaixo com o valor máximo e caracterizar os 8 grupos. Profa. Dra. Alessandra de Ávila Montini Exercício 2 Profa. Dra. Alessandra de Ávila Montini Considere o dendograma realizado por meio da técnica de agrupamento do vizinho mais distante e considere a matriz de distância Euclidiana. Suponha que o objetivo seja separar os lanches em três grupos. Profa. Dra. Alessandra de Ávila Montini a) Média: _______________ ; Desvio padrão:_____________; Coeficiente de Variação _____________; Considere o agrupamento em três grupos e considere o grupo do lanche Quarteirão. Obtenha a média, o desvio padrão e o coeficiente de variação para a variável valor energético para os lanches do grupo do lanche Quarteirão. Profa. Dra. Alessandra de Ávila Montini Exercício 3 Profa. Dra. Alessandra de Ávila Montini Considere um colecionador de motos que deseja agrupar as motos de acordo com algumas variáveis. A tabela apresenta a ANOVA. Marque as variáveis que você acha adequado utilizar na análise de clusters considerando o método das k médias. Considerar α = 0,10. ( ) Cilindrada ( ) Potencia ( ) Torque ( ) Cambio ( ) Velocidade ( ) Aceleração Profa. Dra. Alessandra de Ávila Montini Gráf7 2.1276595745 10.6382978723 21.2765957447 31.914893617 21.2765957447 10.6382978723 2.1276595745 Dias de Uso do Cheque Especial % Plan1 Grau de Instrução Freqüência Absoluta 1 10 55.5555555556 2 3 16.6666666667 3 2 11.1111111111 4 1 5.5555555556 5 1 5.5555555556 6 1 5.5555555556 Total 18 Número de Filhos Freqüência Absoluta Freqüência Relativa 0 1 2.1 1 5 10.6 2 10 21.3 3 15 31.9 4 10 21.3 5 5 10.6 6 1 2.1 Total 47 100.0 Plan1 % Plan2 Plan3 Número de Viagens por Ano Freqüência Dias de Uso do Cheque Especial % 222 n 9 0.9 Gráf11 10.4166666667 20.8333333333 31.25 16.6666666667 10.4166666667 8.3333333333 2.0833333333 Dias de Uso do Cheque Especial % Plan1 Grau de Instrução Freqüência Absoluta 1 10 55.5555555556 2 3 16.6666666667 3 2 11.1111111111 4 1 5.5555555556 5 1 5.5555555556 6 1 5.5555555556 Total 18 Uso Cheque Freqüência Absoluta Freqüência Relativa 0 5 10.4 1 10 20.8 2 15 31.3 3 8 16.7 4 5 10.4 5 4 8.3 6 1 2.1 Total 48 100.0 0 5 1 10 2 15 3 20 4 8 5 5 6 1 Plan1 % Plan2 1 5 10 15 10 5 1 Plan3 Dias de Uso do Cheque Especial % 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 5 5 5 5 5 6 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Gráf12 2.08333333338.3333333333 10.4166666667 16.6666666667 31.25 20.8333333333 10.4166666667 Dias de Uso do Cheque Especial % Plan1 Grau de Instrução Freqüência Absoluta 1 10 55.5555555556 2 3 16.6666666667 3 2 11.1111111111 4 1 5.5555555556 5 1 5.5555555556 6 1 5.5555555556 Total 18 Uso Cheque Freqüência Absoluta Freqüência Relativa 0 1 2.1 1 4 8.3 2 5 10.4 3 8 16.7 4 15 31.3 5 10 20.8 6 5 10.4 Total 48 100.0 5 10 15 8 5 4 1 0 5 1 10 2 15 3 20 4 8 5 5 6 1 Plan1 % Plan2 1 5 10 15 10 5 1 Plan3 Dias de Uso do Cheque Especial % 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 5 5 5 5 5 6 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Plan1 Amostra Salário Anual 1 R$ 51,814.00 2 R$ 52,669.70 3 R$ 51,780.30 4 R$ 51,587.90 . . . . . . 500 R$ 51,752.00 Plan2 Plan3 Plan4 Bloco Freqüência 2 1 45.6666666667 3 89.3333333333 2 Mais 3 Plan1 Amostra Média da amostra Salário anual Freqüência Absoluta Freqüência Relativa 1 R$ 51,814.00 49.500,00 a 49.999,99 2 0.004 2 R$ 52,669.70 50.000,00 a 50.499,99 16 0.032 3 R$ 51,780.30 50.500,00 a 50.999,99 52 0.104 4 R$ 51,587.90 51.000,00 a 51.499,99 101 0.202 . . 51.500,00 a 51.999,99 133 0.266 . . 52.000,00 a 52.499,99 110 0.220 . . 52.500,00 a 52.999,99 54 0.108 500 R$ 51,752.00 53.000,00 a 53.499,99 26 0.052 53.500,00 a 53.999,99 6 0.012 Total 500 1 Plan2 Plan3 Plan1 http://www.estadao.com.br/ext/economia/financas/historico/dolar_2002.htm Dia Dia X X Valor Freqüência Dólar Comercial 9/2/02 1 X1 3.03 3.03 1 9/3/02 2 X2 3.10 3.10 1 9/4/02 3 X3 3.13 3.11 1 Aug-02 Sep-02 9/5/02 4 X4 3.15 3.12 1 Data Compra Venda Data Compra Venda 9/6/02 5 X5 3.18 3.13 3 8/1/02 3.3267 3.3275 9/2/02 3.0278 3.0286 9/9/02 6 X6 3.13 3.15 1 8/2/02 3.0294 3.0302 9/3/02 3.098 3.0988 9/10/02 7 X7 3.13 3.18 1 8/5/02 3.0724 3.0732 9/4/02 3.1317 3.1325 9/11/02 8 X8 3.11 8/6/02 3.2062 3.207 9/5/02 3.1504 3.1512 9/12/02 9 X9 3.12 8/7/02 3.059 3.0598 9/6/02 3.1775 3.1783 3.12 8/8/02 2.8875 2.8883 9/9/02 3.1304 3.1312 8/9/02 2.9956 2.9964 9/10/02 3.1298 3.1306 8/12/02 3.0971 3.0979 9/11/02 3.1145 3.1153 8/13/02 3.2086 3.2094 9/12/02 3.1231 3.1239 8/14/02 3.1957 3.1965 8/15/02 3.1904 3.1912 8/16/02 3.1612 3.162 8/19/02 3.1134 3.1142 8/20/02 3.0915 3.0923 8/21/02 3.0786 3.0794 8/22/02 3.1409 3.1417 8/23/02 3.1128 3.1136 8/26/02 3.078 3.0788 8/27/02 3.0941 3.0949 8/28/02 3.1211 3.1219 8/29/02 3.1231 3.1239 8/30/02 3.0215 3.0223 Plan2 Plan3 Gráf2 2 1 2 3 3 3 2 2 2 1 1 2 medidas resumo Data Cotação Medidas Resumo 30,546 32,548 Tamanho da amostra 9 39 38,874 134,254 Medidas de posição 28,487 Média aritmética 42406.22 21373.13 45,478 Mediana 32548.00 14045.00 47,845 Moda 0.00 13874.00 10,879 Percentil 10 % 12371.80 10546.80 12,745 1º quartil (25 %) 28487.00 12309.50 16,789 2º quartil (50 %) 32548.00 14045.00 17,789 3º quartil (75 %) 45478.00 23289.00 12,746 11,478 Medidas de dispersão 13,741 Desvio padrão 36730.190 20944.7273 10,789 Variância 1349106875.944 438681602.3252 11,102 Máximo 134254.000 134254.0000 11,569 Mínimo 10879.000 8789.0000 13,874 Intervalo Interquartil 16991.000 9,045 Amplitude 123375.000 14,045 14,487 12,784 11,874 13,789 8,789 9,578 12,789 13,874 8,800 12,874 16,784 17,894 15,789 18,789 25,879 26,789 22,789 23,789 20,789 tabela de frequencia Data Operações Fechadas 8/1/02 14 Tamanho da amostra 26 8/2/02 12 Mínimo 11 Tabela de Freqüências 8/5/02 13 Máximo 17 8/6/02 11 Operações Fechadas Freqüência Absoluta Freqüência Relativa % 8/7/02 12 11 2 7.7 8/8/02 13 Tabela de Freqüências 12 5 19.2 8/9/02 16 13 6 23.1 8/12/02 14 Operações Fechadas Freqüência 14 7 26.9 8/13/02 14 11 2 15 3 11.5 8/14/02 15 12 5 16 2 7.7 8/15/02 17 13 6 17 1 3.8 8/16/02 14 14 7 Total 26 100.0 8/19/02 11 15 3 8/20/02 13 16 2 8/21/02 14 17 1 8/22/02 15 0 8/23/02 13 8/26/02 12 8/27/02 14 8/28/02 13 8/29/02 14 8/30/02 13 9/2/02 15 9/3/02 16 9/4/02 12 9/5/02 12 histograma Data Operações Fechadas 8/1/02 14 Tamanho da amostra 26 8/2/02 12 Mínimo 11 Tabela de Freqüências 8/5/02 13 Máximo 17 8/6/02 11 Operações Fechadas Freqüência Absoluta Freqüência Relativa % 8/7/02 12 11 2 7.7 8/8/02 13 Tabela de Freqüências 12 5 19.2 8/9/02 16 13 6 23.1 8/12/02 14 Operações Fechadas Freqüência 14 7 26.9 8/13/02 14 11 2 15 3 11.5 8/14/02 15 12 5 16 2 7.7 8/15/02 17 13 6 17 1 3.8 8/16/02 14 14 7 Total 26 100.0 8/19/02 11 15 3 8/20/02 13 16 2 8/21/02 14 17 1 8/22/02 15 0 8/23/02 13 histograma 8/26/02 12 8/27/02 14 8/28/02 13 8/29/02 14 8/30/02 13 9/2/02 15 9/3/02 16 9/4/02 12 9/5/02 12 Gráfico de barra histograma 0 0 0 0 0 0 0 Operações Fechadas Freqüência Relativa Boxplot 2 5 6 7 3 2 1 Operações Fechadas Freqüência Absoluta Plan2 Boxplot Amostra Amostra Início 2 14 Q1 12 Cte. 1 12 Mínimo 9 13 Mediana 13 9 2 6 2 11 Máximo 17 12 2 9 2 12 Q3 14 12 3 17 2 13 IEQ 2 14 3 20 2 16 14 2 14 Média 13.1 17 2 14 DP 2.0 14 2 15 Inclinação -0.31 14 1 17 12 1 14 12 2 11 13 1 13 13 3 14 15 13 12 14 13 14 13 15 16 12 12 10 9 9 Plan2 dados Cargo Dados Total Presidente Média de Salário Mensal 51,147.43 Máximo de Salário Mensal 134,254.00 Mínimo de Salário Mensal 28,487.00 Var de Salário Mensal 1,397,373,390.62 DesvPad de Salário Mensal 37,381.46 Diretor Financeiro Média de Salário Mensal 22,087.57 Máximo de Salário Mensal 26,789.00 Mínimo de Salário Mensal 15,789.00 Var de Salário Mensal 15,350,680.95 DesvPad de Salário Mensal 3,917.99 Diretor de Marketing Média de Salário Mensal 13,738.14 Máximo de Salário Mensal 17,789.00 Mínimo de Salário Mensal 10,879.00 Var de Salário Mensal 6,828,467.48 DesvPad de Salário Mensal 2,613.13 Diretor de RH Média de Salário Mensal 12,672.75 Máximo de Salário Mensal 17,894.00 Mínimo de Salário Mensal 8,789.00 Var de Salário Mensal 12,188,575.64 DesvPad de Salário Mensal 3,491.21 Diretor Comercial Média de Salário Mensal 12,335.80 Máximo de Salário Mensal 14,487.00 Mínimo de Salário Mensal 9,045.00 Var de Salário Mensal 3,085,913.07 DesvPad de Salário Mensal 1,756.68 Total Média de Salário Mensal 21,373.13 Total Máximo de Salário Mensal 134,254.00 Total Mínimo de Salário Mensal 8,789.00 Total Var de Salário Mensal 438,681,602.33 Total DesvPad de Salário Mensal 20,944.73 Plan3 Dólar Comercial Operações Fechadas Salários Data Cotação Data Operações Fechadas Cargo Salário Mensal Mês Vendas Lucro Bruto 8/1/02 3.327 8/1/02 14 Presidente 30,546 Jan/2000 $ 6,573 $ 4,500 8/2/02 3.029 8/2/02 12 Presidente 32,548 Feb/2000 $ 5,617 $ 3,400 8/5/02 3.072 8/5/02 13 Presidente 38,874 Mar/2000 $ 5,341 $ 2,900 8/6/02 3.206 8/6/02 11 Presidente 134,254 Apr/2000 $ 6,465 $ 4,300 8/7/02 3.059 8/7/02 12 Presidente 28,487 May/2000 $ 6,230 $ 4,000 8/8/02 2.888 8/8/02 13 Presidente 45,478 Jun/2000 $ 6,345 $ 4,100 8/9/02 2.996 8/9/0216 Presidente 47,845 Jul/2000 $ 6,281 $ 4,137 8/12/02 3.097 8/12/02 14 Diretor de Marketing 10,879 Aug/2000 $ 6,536 $ 4,443 8/13/02 3.209 8/13/02 14 Diretor de Marketing 12,745 Sep/2000 $ 6,164 $ 3,900 8/14/02 3.196 8/14/02 15 Diretor de Marketing 16,789 Oct/2000 $ 6,143 $ 3,970 8/15/02 3.190 8/15/02 17 Diretor de Marketing 17,789 Nov/2000 $ 5,387 $ 3,000 8/16/02 3.161 8/16/02 14 Diretor de Marketing 12,746 Dec/2000 $ 5,524 $ 3,220 8/19/02 3.113 8/19/02 11 Diretor de Marketing 11,478 8/20/02 3.091 8/20/02 13 Diretor de Marketing 13,741 8/21/02 3.079 8/21/02 14 Diretor Comercial 10,789 8/22/02 3.141 8/22/02 15 Diretor Comercial 11,102 8/23/02 3.113 8/23/02 13 Diretor Comercial 11,569 8/26/02 3.078 8/26/02 12 Diretor Comercial 13,874 8/27/02 3.094 8/27/02 14 Diretor Comercial 9,045 8/28/02 3.121 8/28/02 13 Diretor Comercial 14,045 8/29/02 3.123 8/29/02 14 Diretor Comercial 14,487 8/30/02 3.022 8/30/02 13 Diretor Comercial 12,784 9/2/02 3.028 9/2/02 15 Diretor Comercial 11,874 9/3/02 3.098 9/3/02 16 Diretor Comercial 13,789 9/4/02 3.132 9/4/02 12 Diretor de RH 8,789 9/5/02 3.150 9/5/02 12 Diretor de RH 9,578 9/6/02 3.178 Diretor de RH 12,789 9/9/02 3.130 Diretor de RH 13,874 9/10/02 3.130 Diretor de RH 8,800 9/11/02 3.115 Diretor de RH 12,874 9/12/02 3.123 Diretor de RH 16,784 Diretor de RH 17,894 Diretor Financeiro 15,789 Diretor Financeiro 18,789 Diretor Financeiro 25,879 Diretor Financeiro 26,789 Diretor Financeiro 22,789 Diretor Financeiro 23,789 Diretor Financeiro 20,789 Plan3 Lucro Bruto Vendas Lucro Bruto Plan1 Empresa Xi 0 1 X1 30.3 30.3 0 2 X2 31.0 31.0 0 3 X3 31.3 31.3 0 4 X4 31.5 31.5 0 5 X5 31.8 31.8 6 X6 31.3 31.3 7 X7 31.3 31.3 8 X8 31.1 31.1 9 X9 31.2 31.2 31.2 17.8 Plan2 22.4048096192 4.7328638265 Analista Gerente 52000 40000 50000 50000 48000 60000 50000 50000 Média 50000 50000 Desvio Padrão 1633 8165 Coef. de Variação 3.3 16.3 0.0326598632 Plan3 Plan1 Empresa Xi 0 1 X1 30.3 30.3 0 2 X2 31.0 31.0 0 3 X3 31.3 31.3 0 4 X4 31.5 31.5 0 5 X5 31.8 31.8 6 X6 31.3 31.3 7 X7 31.3 31.3 8 X8 31.1 31.1 9 X9 31.2 31.2 31.2 17.8 Plan2 22.4048096192 4.7328638265 Analista Gerente 52000 40000 50000 50000 48000 60000 50000 50000 Média 50000 50000 Desvio Padrão 1633 8165 Coef. de Variação 3.3 16.3 0.0326598632 Plan3 Plan1 N 9 1 0.1 1 1.1 2 0.2 1.1 1.2 p 25 3 0.3 1.2 1.3 4 0.4 1.3 1.4 n 2.25 5 0.5 1.4 1.5 6 0.6 1.5 1.6 7 0.7 1.6 1.7 8 0.8 1.7 1.8 9 0.9 1.8 1.9 10 1 1.9 2 11 1.1 2 2.1 12 1.2 2.1 2.2 13 1.3 2.2 2.3 14 1.4 2.3 2.4 15 1.5 2.4 2.5 16 1.6 2.5 2.6 17 1.7 2.6 2.7 18 1.8 2.7 2.8 19 1.9 2.8 2.9 20 2 2.9 3 21 2.1 3 3.1 22 2.2 3.1 3.2 23 2.3 3.2 3.3 24 2.4 3.3 3.4 25 2.5 3.4 3.5 26 2.6 3.5 3.6 27 2.7 3.6 3.7 28 2.8 3.7 3.8 29 2.9 3.8 3.9 30 3 3.9 4 31 3.1 4 4.1 32 3.2 4.1 4.2 33 3.3 4.2 4.3 34 3.4 4.3 4.4 35 3.5 4.4 4.5 36 3.6 4.5 4.6 37 3.7 4.6 4.7 38 3.8 4.7 4.8 39 3.9 4.8 4.9 40 4 4.9 5 41 4.1 5 5.1 42 4.2 5.1 5.2 43 4.3 5.2 5.3 44 4.4 5.3 5.4 45 4.5 5.4 5.5 46 4.6 5.5 5.6 47 4.7 5.6 5.7 48 4.8 5.7 5.8 49 4.9 5.8 5.9 50 5 5.9 6 51 5.1 6 6.1 52 5.2 6.1 6.2 53 5.3 6.2 6.3 54 5.4 6.3 6.4 55 5.5 6.4 6.5 56 5.6 6.5 6.6 57 5.7 6.6 6.7 58 5.8 6.7 6.8 59 5.9 6.8 6.9 60 6 6.9 7 61 6.1 7 7.1 62 6.2 7.1 7.2 63 6.3 7.2 7.3 64 6.4 7.3 7.4 65 6.5 7.4 7.5 66 6.6 7.5 7.6 67 6.7 7.6 7.7 68 6.8 7.7 7.8 69 6.9 7.8 7.9 70 7 7.9 8 71 7.1 8 8.1 72 7.2 8.1 8.2 73 7.3 8.2 8.3 74 7.4 8.3 8.4 75 7.5 8.4 8.5 76 7.6 8.5 8.6 77 7.7 8.6 8.7 78 7.8 8.7 8.8 79 7.9 8.8 8.9 80 8 8.9 9 81 8.1 9 9.1 82 8.2 9.1 9.2 83 8.3 9.2 9.3 84 8.4 9.3 9.4 85 8.5 9.4 9.5 86 8.6 9.5 9.6 87 8.7 9.6 9.7 88 8.8 9.7 9.8 89 8.9 9.8 9.9 90 9 9.9 10 91 9.1 10 10.1 92 9.2 10.1 10.2 93 9.3 10.2 10.3 94 9.4 10.3 10.4 95 9.5 10.4 10.5 96 9.6 10.5 10.6 97 9.7 10.6 10.7 98 9.8 10.7 10.8 99 9.9 10.8 10.9 100 10 10.9 11 101 10.1 11 11.1 102 10.2 11.1 11.2 103 10.3 11.2 11.3 104 10.4 11.3 11.4 105 10.5 11.4 11.5 106 10.6 11.5 11.6 107 10.7 11.6 11.7 108 10.8 11.7 11.8 109 10.9 11.8 11.9 110 11 11.9 12 111 11.1 12 12.1 112 11.2 12.1 12.2 113 11.3 12.2 12.3 114 11.4 12.3 12.4 115 11.5 12.4 12.5 116 11.6 12.5 12.6 117 11.7 12.6 12.7 118 11.8 12.7 12.8 119 11.9 12.8 12.9 120 12 12.9 13 121 12.1 13 13.1 122 12.2 13.1 13.2 123 12.3 13.2 13.3 124 12.4 13.3 13.4 125 12.5 13.4 13.5 126 12.6 13.5 13.6 127 12.7 13.6 13.7 128 12.8 13.7 13.8 129 12.9 13.8 13.9 130 13 13.9 14 131 13.1 14 14.1 132 13.2 14.1 14.2 133 13.3 14.2 14.3 134 13.4 14.3 14.4 135 13.5 14.4 14.5 136 13.6 14.5 14.6 137 13.7 14.6 14.7 138 13.8 14.7 14.8 139 13.9 14.8 14.9 140 14 14.9 15 141 14.1 15 15.1 142 14.2 15.1 15.2 143 14.3 15.2 15.3 144 14.4 15.3 15.4 145 14.5 15.4 15.5 146 14.6 15.5 15.6 147 14.7 15.6 15.7 148 14.8 15.7 15.8 149 14.9 15.8 15.9 150 15 15.9 16 151 15.1 16 16.1 152 15.2 16.1 16.2 153 15.3 16.2 16.3 154 15.4 16.3 16.4 155 15.5 16.4 16.5 156 15.6 16.5 16.6 157 15.7 16.6 16.7 158 15.8 16.7 16.8 159 15.9 16.8 16.9 160 16 16.9 17 161 16.1 17 17.1 162 16.2 17.1 17.2 163 16.3 17.2 17.3 164 16.4 17.3 17.4 165 16.5 17.4 17.5 166 16.6 17.5 17.6 167 16.7 17.6 17.7 168 16.8 17.7 17.8 169 16.9 17.8 17.9 170 17 17.9 18 171 17.1 18 18.1 172 17.2 18.1 18.2 173 17.3 18.2 18.3 174 17.4 18.3 18.4 175 17.5 18.4 18.5 176 17.6 18.5 18.6 177 17.7 18.6 18.7 178 17.8 18.7 18.8 179 17.9 18.8 18.9 180 18 18.9 19 181 18.1 19 19.1 182 18.2 19.1 19.2 183 18.3 19.2 19.3 184 18.4 19.3 19.4 185 18.5 19.4 19.5 186 18.6 19.5 19.6 187 18.7 19.6 19.7 188 18.8 19.7 19.8 189 18.9 19.8 19.9 190 19 19.9 20 191 19.1 20 20.1 192 19.2 20.1 20.2 193 19.3 20.2 20.3 194 19.4 20.3 20.4 195 19.5 20.4 20.5 196 19.6 20.5 20.6 197 19.7 20.6 20.7 198 19.8 20.7 20.8 199 19.9 20.8 20.9 200 20 20.9 21 201 20.1 21 21.1 202 20.2 21.1 21.2 203 20.3 21.2 21.3 204 20.4 21.3 21.4 205 20.5 21.4 21.5 206 20.6 21.5 21.6 207 20.7 21.6 21.7 208 20.8 21.7 21.8 209 20.9 21.8 21.9 210 21 21.9 22 211 21.1 22 22.1 212 21.2 22.1 22.2 213 21.3 22.2 22.3 214 21.4 22.3 22.4 215 21.5 22.4 22.5 216 21.6 22.5 22.6 217 21.7 22.6 22.7 218 21.8 22.7 22.8 219 21.9 22.8 22.9 220 22 22.9 23 221 22.1 23 23.1 222 22.2 23.1 23.2 223 22.3 23.2 23.3 224 22.4 23.3 23.4 225 22.5 23.4 23.5 226 22.6 23.5 23.6 227 22.7 23.6 23.7 228 22.8 23.7 23.8 229 22.9 23.823.9 230 23 23.9 24 231 23.1 24 24.1 232 23.2 24.1 24.2 233 23.3 24.2 24.3 234 23.4 24.3 24.4 235 23.5 24.4 24.5 236 23.6 24.5 24.6 237 23.7 24.6 24.7 238 23.8 24.7 24.8 239 23.9 24.8 24.9 240 24 24.9 25 241 24.1 25 25.1 242 24.2 25.1 25.2 243 24.3 25.2 25.3 244 24.4 25.3 25.4 245 24.5 25.4 25.5 246 24.6 25.5 25.6 247 24.7 25.6 25.7 248 24.8 25.7 25.8 249 24.9 25.8 25.9 250 25 25.9 26 251 25.1 26 26.1 252 25.2 26.1 26.2 253 25.3 26.2 26.3 254 25.4 26.3 26.4 255 25.5 26.4 26.5 256 25.6 26.5 26.6 257 25.7 26.6 26.7 258 25.8 26.7 26.8 259 25.9 26.8 26.9 260 26 26.9 27 261 26.1 27 27.1 262 26.2 27.1 27.2 263 26.3 27.2 27.3 264 26.4 27.3 27.4 265 26.5 27.4 27.5 266 26.6 27.5 27.6 267 26.7 27.6 27.7 268 26.8 27.7 27.8 269 26.9 27.8 27.9 270 27 27.9 28 271 27.1 28 28.1 272 27.2 28.1 28.2 273 27.3 28.2 28.3 274 27.4 28.3 28.4 275 27.5 28.4 28.5 276 27.6 28.5 28.6 277 27.7 28.6 28.7 278 27.8 28.7 28.8 279 27.9 28.8 28.9 280 28 28.9 29 281 28.1 29 29.1 282 28.2 29.1 29.2 283 28.3 29.2 29.3 284 28.4 29.3 29.4 285 28.5 29.4 29.5 286 28.6 29.5 29.6 287 28.7 29.6 29.7 288 28.8 29.7 29.8 289 28.9 29.8 29.9 290 29 29.9 30 291 29.1 30 30.1 292 29.2 30.1 30.2 293 29.3 30.2 30.3 294 29.4 30.3 30.4 295 29.5 30.4 30.5 296 29.6 30.5 30.6 297 29.7 30.6 30.7 298 29.8 30.7 30.8 299 29.9 30.8 30.9 300 30 30.9 31 301 30.1 31 31.1 302 30.2 31.1 31.2 303 30.3 31.2 31.3 304 30.4 31.3 31.4 305 30.5 31.4 31.5 306 30.6 31.5 31.6 307 30.7 31.6 31.7 308 30.8 31.7 31.8 309 30.9 31.8 31.9 310 31 31.9 32 311 31.1 32 32.1 312 31.2 32.1 32.2 313 31.3 32.2 32.3 314 31.4 32.3 32.4 315 31.5 32.4 32.5 316 31.6 32.5 32.6 317 31.7 32.6 32.7 318 31.8 32.7 32.8 319 31.9 32.8 32.9 320 32 32.9 33 321 32.1 33 33.1 322 32.2 33.1 33.2 323 32.3 33.2 33.3 324 32.4 33.3 33.4 325 32.5 33.4 33.5 326 32.6 33.5 33.6 327 32.7 33.6 33.7 328 32.8 33.7 33.8 329 32.9 33.8 33.9 330 33 33.9 34 331 33.1 34 34.1 332 33.2 34.1 34.2 333 33.3 34.2 34.3 334 33.4 34.3 34.4 335 33.5 34.4 34.5 336 33.6 34.5 34.6 337 33.7 34.6 34.7 338 33.8 34.7 34.8 339 33.9 34.8 34.9 340 34 34.9 35 341 34.1 35 35.1 342 34.2 35.1 35.2 343 34.3 35.2 35.3 344 34.4 35.3 35.4 345 34.5 35.4 35.5 346 34.6 35.5 35.6 347 34.7 35.6 35.7 348 34.8 35.7 35.8 349 34.9 35.8 35.9 350 35 35.9 36 351 35.1 36 36.1 352 35.2 36.1 36.2 353 35.3 36.2 36.3 354 35.4 36.3 36.4 355 35.5 36.4 36.5 356 35.6 36.5 36.6 357 35.7 36.6 36.7 358 35.8 36.7 36.8 359 35.9 36.8 36.9 360 36 36.9 37 361 36.1 37 37.1 362 36.2 37.1 37.2 363 36.3 37.2 37.3 364 36.4 37.3 37.4 365 36.5 37.4 37.5 366 36.6 37.5 37.6 367 36.7 37.6 37.7 368 36.8 37.7 37.8 369 36.9 37.8 37.9 370 37 37.9 38 371 37.1 38 38.1 372 37.2 38.1 38.2 373 37.3 38.2 38.3 374 37.4 38.3 38.4 375 37.5 38.4 38.5 376 37.6 38.5 38.6 377 37.7 38.6 38.7 378 37.8 38.7 38.8 379 37.9 38.8 38.9 380 38 38.9 39 381 38.1 39 39.1 382 38.2 39.1 39.2 383 38.3 39.2 39.3 384 38.4 39.3 39.4 385 38.5 39.4 39.5 386 38.6 39.5 39.6 387 38.7 39.6 39.7 388 38.8 39.7 39.8 389 38.9 39.8 39.9 390 39 39.9 40 391 39.1 40 40.1 392 39.2 40.1 40.2 393 39.3 40.2 40.3 394 39.4 40.3 40.4 395 39.5 40.4 40.5 396 39.6 40.5 40.6 397 39.7 40.6 40.7 398 39.8 40.7 40.8 399 39.9 40.8 40.9 400 40 40.9 41 401 40.1 41 41.1 402 40.2 41.1 41.2 403 40.3 41.2 41.3 404 40.4 41.3 41.4 405 40.5 41.4 41.5 406 40.6 41.5 41.6 407 40.7 41.6 41.7 408 40.8 41.7 41.8 409 40.9 41.8 41.9 410 41 41.9 42 411 41.1 42 42.1 412 41.2 42.1 42.2 413 41.3 42.2 42.3 414 41.4 42.3 42.4 415 41.5 42.4 42.5 416 41.6 42.5 42.6 417 41.7 42.6 42.7 418 41.8 42.7 42.8 419 41.9 42.8 42.9 420 42 42.9 43 421 42.1 43 43.1 422 42.2 43.1 43.2 423 42.3 43.2 43.3 424 42.4 43.3 43.4 425 42.5 43.4 43.5 426 42.6 43.5 43.6 427 42.7 43.6 43.7 428 42.8 43.7 43.8 429 42.9 43.8 43.9 430 43 43.9 44 431 43.1 44 44.1 432 43.2 44.1 44.2 433 43.3 44.2 44.3 434 43.4 44.3 44.4 435 43.5 44.4 44.5 436 43.6 44.5 44.6 437 43.7 44.6 44.7 438 43.8 44.7 44.8 439 43.9 44.8 44.9 440 44 44.9 45 441 44.1 45 45.1 442 44.2 45.1 45.2 443 44.3 45.2 45.3 444 44.4 45.3 45.4 445 44.5 45.4 45.5 446 44.6 45.5 45.6 447 44.7 45.6 45.7 448 44.8 45.7 45.8 449 44.9 45.8 45.9 450 45 45.9 46 451 45.1 46 46.1 452 45.2 46.1 46.2 453 45.3 46.2 46.3 454 45.4 46.3 46.4 455 45.5 46.4 46.5 456 45.6 46.5 46.6 457 45.7 46.6 46.7 458 45.8 46.7 46.8 459 45.9 46.8 46.9 460 46 46.9 47 461 46.1 47 47.1 462 46.2 47.1 47.2 463 46.3 47.2 47.3 464 46.4 47.3 47.4 465 46.5 47.4 47.5 466 46.6 47.5 47.6 467 46.7 47.6 47.7 468 46.8 47.7 47.8 469 46.9 47.8 47.9 470 47 47.9 48 471 47.1 48 48.1 472 47.2 48.1 48.2 473 47.3 48.2 48.3 474 47.4 48.3 48.4 475 47.5 48.4 48.5 476 47.6 48.5 48.6 477 47.7 48.6 48.7 478 47.8 48.7 48.8 479 47.9 48.8 48.9 480 48 48.9 49 481 48.1 49 49.1 482 48.2 49.1 49.2 483 48.3 49.2 49.3 484 48.4 49.3 49.4 485 48.5 49.4 49.5 486 48.6 49.5 49.6 487 48.7 49.6 49.7 488 48.8 49.7 49.8 489 48.9 49.8 49.9 490 49 49.9 50 491 49.1 50 50.1 492 49.2 50.1 50.2 493 49.3 50.2 50.3 494 49.4 50.3 50.4 495 49.5 50.4 50.5 496 49.6 50.5 50.6 497 49.7 50.6 50.7 498 49.8 50.7 50.8 499 49.9 50.8 50.9 500 50 50.9 51 501 50.1 51 51.1 502 50.2 51.1 51.2 503 50.3 51.2 51.3 504 50.4 51.3 51.4 505 50.5 51.4 51.5 506 50.6 51.5 51.6 507 50.7 51.6 51.7 508 50.8 51.7 51.8 509 50.9 51.8 51.9 510 51 51.9 52 511 51.1 52 52.1 512 51.2 52.1 52.2 513 51.3 52.2 52.3 514 51.4 52.3 52.4 515 51.5 52.4 52.5 516 51.6 52.5 52.6 517 51.7 52.6 52.7 518 51.8 52.7 52.8 519 51.9 52.8 52.9 520 52 52.9 53 521 52.1 53 53.1 522 52.2 53.1 53.2 523 52.3 53.2 53.3 524 52.4 53.3 53.4 525 52.5 53.4 53.5 526 52.6 53.5 53.6 527 52.7 53.6 53.7 528 52.8 53.7 53.8 529 52.9 53.8 53.9 530 53 53.9 54 531 53.1 54 54.1 532 53.2 54.1 54.2 533 53.3 54.2 54.3 534 53.4 54.3 54.4 535 53.5 54.4 54.5 536 53.6 54.5 54.6 537 53.7 54.6 54.7 538 53.8 54.7 54.8 539 53.9 54.8 54.9 540 54 54.9 55 541 54.1 55 55.1 542 54.2 55.1 55.2 543 54.3 55.2 55.3 544 54.4 55.3 55.4 545 54.5 55.4 55.5 546 54.6 55.5 55.6 547 54.7 55.6 55.7 548 54.8 55.7 55.8 549 54.9 55.8 55.9 550 55 55.9 56 551 55.1 56 56.1 552 55.2 56.1 56.2 553 55.3 56.2 56.3 554 55.4 56.3 56.4 555 55.5 56.4 56.5 556 55.6 56.5 56.6 557 55.7 56.6 56.7 558 55.8 56.7 56.8 559 55.956.8 56.9 560 56 56.9 57 561 56.1 57 57.1 562 56.2 57.1 57.2 563 56.3 57.2 57.3 564 56.4 57.3 57.4 565 56.5 57.4 57.5 566 56.6 57.5 57.6 567 56.7 57.6 57.7 568 56.8 57.7 57.8 569 56.9 57.8 57.9 570 57 57.9 58 571 57.1 58 58.1 572 57.2 58.1 58.2 573 57.3 58.2 58.3 574 57.4 58.3 58.4 575 57.5 58.4 58.5 576 57.6 58.5 58.6 577 57.7 58.6 58.7 578 57.8 58.7 58.8 579 57.9 58.8 58.9 580 58 58.9 59 581 58.1 59 59.1 582 58.2 59.1 59.2 583 58.3 59.2 59.3 584 58.4 59.3 59.4 585 58.5 59.4 59.5 586 58.6 59.5 59.6 587 58.7 59.6 59.7 588 58.8 59.7 59.8 589 58.9 59.8 59.9 590 59 59.9 60 591 59.1 60 60.1 592 59.2 60.1 60.2 593 59.3 60.2 60.3 594 59.4 60.3 60.4 595 59.5 60.4 60.5 596 59.6 60.5 60.6 597 59.7 60.6 60.7 598 59.8 60.7 60.8 599 59.9 60.8 60.9 600 60 60.9 61 601 60.1 61 61.1 602 60.2 61.1 61.2 603 60.3 61.2 61.3 604 60.4 61.3 61.4 605 60.5 61.4 61.5 606 60.6 61.5 61.6 607 60.7 61.6 61.7 608 60.8 61.7 61.8 609 60.9 61.8 61.9 610 61 61.9 62 611 61.1 62 62.1 612 61.2 62.1 62.2 613 61.3 62.2 62.3 614 61.4 62.3 62.4 615 61.5 62.4 62.5 616 61.6 62.5 62.6 617 61.7 62.6 62.7 618 61.8 62.7 62.8 619 61.9 62.8 62.9 620 62 62.9 63 621 62.1 63 63.1 622 62.2 63.1 63.2 623 62.3 63.2 63.3 624 62.4 63.3 63.4 625 62.5 63.4 63.5 626 62.6 63.5 63.6 627 62.7 63.6 63.7 628 62.8 63.7 63.8 629 62.9 63.8 63.9 630 63 63.9 64 631 63.1 64 64.1 632 63.2 64.1 64.2 633 63.3 64.2 64.3 634 63.4 64.3 64.4 635 63.5 64.4 64.5 636 63.6 64.5 64.6 637 63.7 64.6 64.7 638 63.8 64.7 64.8 639 63.9 64.8 64.9 640 64 64.9 65 641 64.1 65 65.1 642 64.2 65.1 65.2 643 64.3 65.2 65.3 644 64.4 65.3 65.4 645 64.5 65.4 65.5 646 64.6 65.5 65.6 647 64.7 65.6 65.7 648 64.8 65.7 65.8 649 64.9 65.8 65.9 650 65 65.9 66 651 65.1 66 66.1 652 65.2 66.1 66.2 653 65.3 66.2 66.3 654 65.4 66.3 66.4 655 65.5 66.4 66.5 656 65.6 66.5 66.6 657 65.7 66.6 66.7 658 65.8 66.7 66.8 659 65.9 66.8 66.9 660 66 66.9 67 661 66.1 67 67.1 662 66.2 67.1 67.2 663 66.3 67.2 67.3 664 66.4 67.3 67.4 665 66.5 67.4 67.5 666 66.6 67.5 67.6 667 66.7 67.6 67.7 668 66.8 67.7 67.8 669 66.9 67.8 67.9 670 67 67.9 68 671 67.1 68 68.1 672 67.2 68.1 68.2 673 67.3 68.2 68.3 674 67.4 68.3 68.4 675 67.5 68.4 68.5 676 67.6 68.5 68.6 677 67.7 68.6 68.7 678 67.8 68.7 68.8 679 67.9 68.8 68.9 680 68 68.9 69 681 68.1 69 69.1 682 68.2 69.1 69.2 683 68.3 69.2 69.3 684 68.4 69.3 69.4 685 68.5 69.4 69.5 686 68.6 69.5 69.6 687 68.7 69.6 69.7 688 68.8 69.7 69.8 689 68.9 69.8 69.9 690 69 69.9 70 691 69.1 70 70.1 692 69.2 70.1 70.2 693 69.3 70.2 70.3 694 69.4 70.3 70.4 695 69.5 70.4 70.5 696 69.6 70.5 70.6 697 69.7 70.6 70.7 698 69.8 70.7 70.8 699 69.9 70.8 70.9 700 70 70.9 71 701 70.1 71 71.1 702 70.2 71.1 71.2 703 70.3 71.2 71.3 704 70.4 71.3 71.4 705 70.5 71.4 71.5 706 70.6 71.5 71.6 707 70.7 71.6 71.7 708 70.8 71.7 71.8 709 70.9 71.8 71.9 710 71 71.9 72 711 71.1 72 72.1 712 71.2 72.1 72.2 713 71.3 72.2 72.3 714 71.4 72.3 72.4 715 71.5 72.4 72.5 716 71.6 72.5 72.6 717 71.7 72.6 72.7 718 71.8 72.7 72.8 719 71.9 72.8 72.9 720 72 72.9 73 721 72.1 73 73.1 722 72.2 73.1 73.2 723 72.3 73.2 73.3 724 72.4 73.3 73.4 725 72.5 73.4 73.5 726 72.6 73.5 73.6 727 72.7 73.6 73.7 728 72.8 73.7 73.8 729 72.9 73.8 73.9 730 73 73.9 74 731 73.1 74 74.1 732 73.2 74.1 74.2 733 73.3 74.2 74.3 734 73.4 74.3 74.4 735 73.5 74.4 74.5 736 73.6 74.5 74.6 737 73.7 74.6 74.7 738 73.8 74.7 74.8 739 73.9 74.8 74.9 740 74 74.9 75 741 74.1 75 75.1 742 74.2 75.1 75.2 743 74.3 75.2 75.3 744 74.4 75.3 75.4 745 74.5 75.4 75.5 746 74.6 75.5 75.6 747 74.7 75.6 75.7 748 74.8 75.7 75.8 749 74.9 75.8 75.9 750 75 75.9 76 751 75.1 76 76.1 752 75.2 76.1 76.2 753 75.3 76.2 76.3 754 75.4 76.3 76.4 755 75.5 76.4 76.5 756 75.6 76.5 76.6 757 75.7 76.6 76.7 758 75.8 76.7 76.8 759 75.9 76.8 76.9 760 76 76.9 77 761 76.1 77 77.1 762 76.2 77.1 77.2 763 76.3 77.2 77.3 764 76.4 77.3 77.4 765 76.5 77.4 77.5 766 76.6 77.5 77.6 767 76.7 77.6 77.7 768 76.8 77.7 77.8 769 76.9 77.8 77.9 770 77 77.9 78 771 77.1 78 78.1 772 77.2 78.1 78.2 773 77.3 78.2 78.3 774 77.4 78.3 78.4 775 77.5 78.4 78.5 776 77.6 78.5 78.6 777 77.7 78.6 78.7 778 77.8 78.7 78.8 779 77.9 78.8 78.9 780 78 78.9 79 781 78.1 79 79.1 782 78.2 79.1 79.2 783 78.3 79.2 79.3 784 78.4 79.3 79.4 785 78.5 79.4 79.5 786 78.6 79.5 79.6 787 78.7 79.6 79.7 788 78.8 79.7 79.8 789 78.9 79.8 79.9 790 79 79.9 80 791 79.1 80 80.1 792 79.2 80.1 80.2 793 79.3 80.2 80.3 794 79.4 80.3 80.4 795 79.5 80.4 80.5 796 79.6 80.5 80.6 797 79.7 80.6 80.7 798 79.8 80.7 80.8 799 79.9 80.8 80.9 800 80 80.9 81 801 80.1 81 81.1 802 80.2 81.1 81.2 803 80.3 81.2 81.3 804 80.4 81.3 81.4 805 80.5 81.4 81.5 806 80.6 81.5 81.6 807 80.7 81.6 81.7 808 80.8 81.7 81.8 809 80.9 81.8 81.9 810 81 81.9 82 811 81.1 82 82.1 812 81.2 82.1 82.2 813 81.3 82.2 82.3 814 81.4 82.3 82.4 815 81.5 82.4 82.5 816 81.6 82.5 82.6 817 81.7 82.6 82.7 818 81.8 82.7 82.8 819 81.9 82.8 82.9 820 82 82.9 83 821 82.1 83 83.1 822 82.2 83.1 83.2 823 82.3 83.2 83.3 824 82.4 83.3 83.4 825 82.5 83.4 83.5 826 82.6 83.5 83.6 827 82.7 83.6 83.7 828 82.8 83.7 83.8 829 82.9 83.8 83.9 830 83 83.9 84 831 83.1 84 84.1 832 83.2 84.1 84.2 833 83.3 84.2 84.3 834 83.4 84.3 84.4 835 83.5 84.4 84.5 836 83.6 84.5 84.6 837 83.7 84.6 84.7 838 83.8 84.7 84.8 839 83.9 84.8 84.9 840 84 84.9 85 841 84.1 85 85.1 842 84.2 85.1 85.2 843 84.3 85.2 85.3 844 84.4 85.3 85.4 845 84.5 85.4 85.5 846 84.6 85.5 85.6 847 84.7 85.6 85.7 848 84.8 85.7 85.8 849 84.9 85.8 85.9 850 85 85.9 86 851 85.1 86 86.1 852 85.2 86.1 86.2 853 85.3 86.2 86.3 854 85.4 86.3 86.4 855 85.5 86.4 86.5 856 85.6 86.5 86.6 857 85.7 86.6 86.7 858 85.8 86.7 86.8 859 85.9 86.8 86.9 860 86 86.9 87 861 86.1 87 87.1 862 86.2 87.1 87.2 863 86.3 87.2 87.3 864 86.4 87.3 87.4 865 86.5 87.4 87.5 866 86.6 87.5 87.6 867 86.7 87.6 87.7 868 86.8 87.7 87.8 869 86.9 87.8 87.9 870 87 87.9 88 871 87.1 88 88.1 872 87.2 88.1 88.2 873 87.3 88.2 88.3 874 87.4 88.3 88.4 875 87.5 88.4 88.5 876 87.6 88.5 88.6 877 87.7 88.6 88.7 878 87.8 88.7 88.8 879 87.9 88.8 88.9 880 88 88.9 89 881 88.1 89 89.1 882 88.2 89.1 89.2 883 88.3 89.2 89.3 884 88.4 89.3 89.4 885 88.5 89.4 89.5 886 88.6 89.5 89.6 887 88.7 89.6 89.7 888 88.8 89.7 89.8 889
Compartilhar