Baixe o app para aproveitar ainda mais
Prévia do material em texto
CENTRO UNIVERSITÁRIO FAMETRO DENILSON FERREIRA DE MELO IRANIR MARTINS DE FREITAS INES LANNA DE SOUSA SARAH BERNARDO FERREIRA DE SOUSA APS DE MÉTODOS QUANTITATIVOS: Professor: Carlos Donato Turma: ADM3N1 FORTALEZA-CEARÁ 2020 1 INTRODUÇÃO O ensino a distância, mais conhecido como Ead, é um modelo flexível de aprendizado que vem conquistando espaço no mercado. Hoje pode-se fazer cursos de quaisquer níveis estando em qualquer lugar, basta ter uma conexão à internet e um meio de acessá-la. É um formato completamente novo e que vem mudando a forma de lidar com o aprendizado. Algumas vantagens desse sistema influenciaram na hora dos alunos escolherem entre um ensino presencial e o ensino a distância. Como a economia, por exemplo, por se tratar de um curso mais barato. A flexibilidade dos horários, pois os alunos podem encaixar seus estudos na rotina. O diploma de um curso Ead vale tanto quanto de um curso presencial, além da grande variedade de cursos de bacharelado, licenciatura e de formação tecnológica que existem. 2 OBJETIVO Analisar a partir dos dados obtidos na pesquisa, se existe uma correlação significativa entre as variáveis: o rendimento no ensino a distância em relação a uma quantidade de alunos. 3 METODOLOGIA 3.1 APRESENTAÇÃO E ANÁLISE DOS DADOS Inicialmente coletamos os dados, intercalamos os valores de dez em dez em dez, seguida calculamos o ponto médio (Xi) , para dar início aos cálculos de medidas de dispersão: média aritmética, cálculo dos desvios, variância, desvio padrão e por fim o cálculo do C.V.P., e para finalizar os cálculos do C.C.P., e para finalizar o cálculo da reta de regressão. 3.1.1 Coeficiente de Variação de Pearson (C.V.P) Na estatística descritiva, o desvio-padrão por si só tem grandes limitações. Assim, um desvio-padrão de 2 unidades pode ser considerado pequeno para uma série de valores cujo valor médio é 200; no entanto, se a média for igual a 20, por exemplo, o desvio de 2 unidades torna-se representativo. Além disso, como o desvio-padrão é expresso na mesma unidade dos dados, não é possível aplicá-lo na comparação de duas ou mais séries de valores expressas em unidades diferentes. Para suprir essa limitação, podemos caracterizar a dispersão ou variabilidade dos dados em termos relativos a seu valor médio, medida essa denominada de CVP, que significa Coeficiente de Variação de Pearson. Esse coeficiente é dado pela razão entre o desvio-padrão e a média referentes a dados de uma mesma série, pode ser absoluto ou relativo. O CVP possui algumas definições de valores: (I) se o valor for < 30% possui baixa dispersão, ou seja, dados são homogêneos, boa para ser lançada ao mercado; (II) se o valor for maior ou igual a 30% e menor que 35% possui média dispersão, ou seja, precisa de correções; (III) se o valor for maior ou igual a 35% possui alta dispersão, ou seja, dados heterogêneos, a pesquisa não pode ser lançada do mercado. 3.1.2 Coeficiente de Correlação de Pearson (C.C.P) O coeficiente de correlação de Pearson (r) ou coeficiente de correlação produto- momento ou o r de Pearson mede o grau da correlação linear entre duas variáveis quantitativas. É um índice adimensional com valores situados ente -1,0 e 1.0 inclusive, que reflete a intensidade de uma relação linear entre dois conjuntos de dados. Este coeficiente, normalmente representado pela letra "r" assume apenas valores entre -1 e 1: (1) Significa uma correlação perfeita positiva entre as duas variáveis, quando r= 1; (2) Significa uma correlação negativa perfeita entre as duas variáveis, quando r= -1. Isto é, se uma aumenta, a outra sempre diminui. (3) r= 0 Significa que as duas variáveis não dependem linearmente uma da outra. No entanto, pode existir uma outra dependência que seja "não linear". Assim, o resultado r=0 deve ser investigado por outros meios. 3.1.3 Regressão Linear Simples A análise de regressão estuda a relação entre uma variável chamada a variável dependente e outras variáveis chamadas variáveis independentes. A relação entre elas é representada por um modelo matemático, que associa a variável dependente com as variáveis independentes. Este modelo é designado por modelo de regressão linear simples (MRLS) se define uma relação linear entre a variável dependente e uma variável independente. Se em vez de uma, forem incorporadas várias variáveis independentes, o modelo passa a denominar-se modelo de regressão linear múltipla. A presença ou ausência de relação linear pode ser investigada sob dois pontos de vista: a) Quantificando a força dessa relação: Correlação; b) Explicitando a forma dessa relação: Regressão. Para apurar a correlação linear entre duas variáveis, construímos um gráfico de dispersão (ou diagrama de dispersão). Em que a linha de tendência é definida por uma reta, denominada reta de regressão, a equação que relaciona os pontos dessa reta, é chamada de equação de regressão. A equação de regressão só será calculada se for comprovada correlação significativa entre as variáveis. A finalidade da equação de regressão é predizer (ou estimar) valores futuros de uma variável (dependente), com base nos valores conhecidos da outra variável (independente). 3.2 SITUAÇÃO PROBLEMA Realizamos uma pesquisa, e obtivemos resultados de 50 alunos sobre o rendimento do ensino a distância. Segue os dados abaixo: 30,24 – 32,16 – 33,12 – 33,84 – 34,32 – 34,56 – 34,82 – 35,04 – 35,76 – 36,24 – 36,82 - 37,20 – 37,35 – 37,68 – 38,16 – 38,20 – 38,88 – 39,02 – 39,36 – 39,84 – 40,80 – 41,52 – 42,24 – 42,46 – 43,69 – 44,11 – 45,33 – 46,51 – 47,19 – 47,52 – 48,28 – 49,43 – 49,92 – 51,84 – 50,73 – 53,04 – 54,23 – 56,73 – 57,40 – 57,49 – 58,55 – 61,43 – 62,16 – 62,25 – 63,12 – 67,44 – 68,17 – 69,81 – 70,91 – 75,57. MEDIDAS DE DISPERSÃO Rendimento (%) Alunos (fi) xi xifi (xi-x)².fi 30 40 20 35 700 2.691,20 40 50 13 45 585 33,28 50 60 8 55 440 564,48 60 70 7 65 455 2.369,92 70 80 2 75 150 1.613,12 TOTAL 50 2.330 7.272 Média Aritmética: X = ∑ xifi = 2.330 = 46,60 ∑ fi 50 Cálculo dos desvios da variância: (xi - x)².fi (35 - 46,60)² . 20 = 2.691,20 (45 - 46,60)² . 13 = 33,28 (55 - 46,60)² . 8 = 564,48 (65 - 46,60)² . 7 = 2.369,12 (75 - 46,60)² . 2 = 1.613,12 ∑ (xi - x)².fi = 7.272 Variância: S²(x) = ∑ (Xi – X)².fi = 7.272 = 148,41 ∑ fi – 1 50 - 1 Desvio Padrão: S(x) = S² (x) = 148,41 = 12,18 Coeficiente de Variação de Pearson: CVP = S(x) . 100 = 12,18 x 100 = 26,14% x 46,60 A pesquisa resultou em baixa dispersão, pois o valor C.V.P é menor que 35%. COEFICIENTE DE CORRELAÇÃO LINEAR xi yi xiyi xi² yi² 35 20 700 1225 400 45 10 450 2025 100 55 8 440 3025 64 65 7 455 4225 49 75 5 375 5625 25 ∑ 275 ∑ 50 ∑ 2420 ∑ 16125 ∑ 638 r = 5 x 2420 - (275) (50) = -1650 = - 0,89 [5 . 16125 - (275)²][5 . 638 - (50)²] 1857,42 O resultado nos mostra uma correlação negativa muito alta ou muito forte. RETA DE REGRESSÃO xi yi xiyi xi² 35 20 700 1225 45 10 450 2025 55 8 440 3025 65 7 455 4225 75 5 375 5625 ∑ 275 ∑ 50 ∑ 2420 ∑ 16125 a = 5 x 2420 - (275) (50) = - 1650 = - 0,33 [ 5 x 16125 - (275)²] 5000 x = ∑ xi = 275 = 55 n 5 y = - 0,33x + 28,15 Interpolação: Percentual dos alunos em 61%. y = - 0,33x + 28,15 y = - 0,33 . (61) + 28,15 Totalizariam aproximadamente 8 alunos. y = 8,02 Extrapolação: Percentual dos alunos em 82%. y = - 0,33x + 28,15 y = - 0,33 . (82) + 28,15 Totalizaria aproximadamente 1 aluno. y = 1,09 4 CONCLUSÃO Apartir da pesquisa e dos dados recolhidos de 50 alunos, obtivemos no cálculo do CVP um valor abaixo de 35%, ou seja, a pesquisa está aprovada e para lançar no mercado. O cálculo de Correlação resultou no valor de -0,89, que pode ser considerada uma correlação negativa muito alta ou muito forte, pois está entre -0,99 e -0,80, possibilitando seguir com o cálculo para encontrar a reta de regressão (y = -0,33x + 28,15). A partir da reta de regressão, estimamos uma interpolação com o valor de X = 61%, no qual resultou um número de alunos maior, e extrapolação com o valor de X= 82%, resultou em um número de alunos menor. Percebe-se quanto maior for a porcentagem do rendimento, menor é a quantidade de alunos e vice-versa, tornando os dados inversamente proporcionais e mostrando que os para maioria dos alunos obteve um rendimento pouco satisfatório. y = ∑ yi = 50 = 10 n 5 b = 10 - (-0,33). 55 b = 28,15 5 REFERENCIAS CEP – CONTROLE ESTATÍSTICO DE PROCESSO. Medida de Dispersão Relativa - Coeficiente de Variação de Pearson – CVP. 2016. Disponível em: <http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info66/66.html>. Acesso em: maio de 2020. CORRELAÇÃO: O coeficiente de correlação de Pearson (r). 2016. Disponível em: <http://www.inf.ufsc.br/~vera.carmo/Correlacao/Correlacao_Pearson_Spearman_Kendall.pdf>. Acesso em: maio de 2020. REGRESSÃO LINEAR SIMPLES. 2015. Disponível em: <https://www.ime.usp.br/~fmachado/MAE229/AULA10.pdf>. Acesso em: maio de 2020. http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info66/66.html http://www.inf.ufsc.br/~vera.carmo/Correlacao/Correlacao_Pearson_Spearman_Kendall.pdf https://www.ime.usp.br/~fmachado/MAE229/AULA10.pdf
Compartilhar