Baixe o app para aproveitar ainda mais
Prévia do material em texto
MÉTODOS QUANTITATIVOS Eduardo Dias Lidiane Farias Costa Démerson André Polli Usiara Britto Juliani Karsten Alves Robinson Panaino Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá�cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária AdventistaCentro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista Centro Universitário Adventista de São Paulo Fundado em 1915 — www.unasp.br Missão Educar no contexto dos valores bíblicos para um viver pleno e para a excelência no serviço a Deus e à humanidade. Visão Ser uma instituição educacional reconhecida pela excelência nos serviços prestados, pelos seus elevados padrões éticos e pela qualidade pessoal e pro� ssional de seus egressos. Administração da Entidade Mantenedora (IAE) Diretor-Presidente: Maurício Lima Diretor Administrativo: Edson Medeiros Diretor-Secretário: Emmanuel Oliveira Guimarães Diretor Depto. de Educação: Ivan Góes Administração Geral do Unasp Reitor: Martin Kuhn Vice-Reitor Executivo Campus EC: Antônio Marcos da Silva Alves Vice-Reitor Executivo Campus HT: Afonso Ligório Cardoso Vice-Reitor Executivo Campus SP: Douglas Jeferson Menslin Pró-Reitor Administrativo: Telson Bombassaro Vargas Pró-Reitor Acadêmico: Afonso Ligório Cardoso Pró-Reitor de Educação a Distância: Fabiano Leichsenring Silva Pró-Reitor de Pesquisa e Desenvolvimento Institucional: Allan Macedo de Novaes Pró-Reitor de Desenvolvimento Espiritual, Comunitário e Estudantil: Martin Kuhn Secretário-Geral: Marcelo Franca Alves Faculdade Adventista de Teologia Diretor: Reinaldo Wenceslau Siqueira Coordenador de Pós-Graduação: Vanderlei Dorneles da Silva Coordenador de Graduação: Adriani Milli Rodrigues Órgãos Executivos Campus Engenheiro Coelho Pró-Reitor Administrativo Associado: Murilo Marques Bezerra Pró-Reitor Acadêmico Associado: Everson Muckenberger Pró-Reitor de Desenvolvimento Estudantil Associado: Bruno de Moura Fortes Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Ebenézer do Vale Oliveira Órgãos Executivos Campus Hortolândia Pró-Reitor Administrativo Associado: Claudio Valdir Knoener Pró-Reitora Acadêmica Associada: Suzete Araújo Águas Maia Pró-Reitor de Desenvolvimento Estudantil Associado: Daniel Fioramonte Costa Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Wanderson Paiva Órgãos Executivos Campus São Paulo Pró-Reitor Administrativo Associado: Flavio Knöner Pró-Reitora Acadêmica Associada: Silvia Cristina de Oliveira Quadros Pró-Reitor de Desenvolvimento Estudantil Associado: Ricardo Bertazzo Pró-Reitor de Desenvolvimento Espiritual e Comunitário Associado: Robson Aleixo de Souza Editor-chefe Rodrigo Follis Gerente de projetos Bruno Sales Ferreira Editor associado Alysson Huf Supervisor administrativo Werter Gouveia Gerente de vendas Francileide Santos Editores Adriane Ferrari, Gabriel Pilon Galvani,Jônathas Sant’Ana e � amires Mattos Designers grá� cos Felipe Rocha e Kenny Zukowski Imprensa Universitária Adventista 1ª Edição, 2020 MÉTODOS QUANTITATIVOS Imprensa Universitária Adventista Engenheiro Coelho, SP Eduardo Dias Lidiane Farias Costa Démerson André Polli Usiara Britto Juliani Karsten Alves Robinson Panaino Dias, Eduardo Métodos quantitativos [livro eletrônico] / Eduardo Dias; Lidiane Farias Costa; Démerson André Polli; Usiara Britto; Juliani Karsten Alves; Robinson Panaino. Engenheiro Coelho: Unaspress, 2020. 1 Mb, PDF ISBN 978-85-8463-172-8 1. Carreira pro� ssional 2. Contabilidade 3. Contabilidade como pro� ssão 4. Contabilidade como pro� ssão - Leis e legislação 5. Formação pro� ssional 6. Negócios I. Título. 20-33026 CDD-370.113 Dados Internacionais da Catalogação na Publicação (CIP) (Câmara Brasileira do Livro, SP, Brasil) Índices para catálogo sistemático: 1. Contabilidade : Educação pro� ssional 370.113 Maria Alice Ferreira - Bibliotecária - CRB-8/7964 Métodos quantitativos 1ª edição – 2020 e-book (PDF) OP 00123_034 Editora associada: Todos os direitos reservados para a Unaspress - Imprensa Universitária Adventista. Proibida a reprodução por quaisquer meios, sem prévia autorização escrita da editora, salvo em breves citações, com indicação da fonte. Preparação: Matheus Cardoso Revisão: Giovanna Finco Projeto grá� co: Ana Paula Pirani Capa: Jonathas Sant’Ana Diagramação: William Nunes Caixa Postal 88 – Reitoria Unasp Engenheiro Coelho, SP CEP 13.448-900 Tels.: (19) 3858-5222 / (19) 3858-5221 www.unaspress.com.br Imprensa Universitária Adventista Validação editorial cientí� ca ad hoc: Robertson Campelo Panaino Mestre em Engenharia de Produção pela Universidade Federal de São Carlos Conselho editorial e artístico: Dr. Martin Kuhn, Esp. Telson Vargas, Me. Antônio Marcos, Dr. Afonso Cardoso, Dr. Douglas Menslin, Dr. Rodrigo Follis, Dr. Lélio Lellis, Dr. Allan Novaes, Esp. Jael Enéas, Esp. José Júnior, Dr. Reinaldo Siqueira, Dr. Fábio Al� eri, Dra. Gildene Lopes, Me. Edilson Valiante, Me. Diogo Cavalcante, Dr. Adolfo Suárez SUMÁRIO ESTATÍSTICA DESCRITIVA....................................... 17 Introdução ........................................................................................18 Conceitos iniciais ..............................................................................20 Fases da estatística ...........................................................................22 Objetivo ...................................................................................23 População e amostra...............................................................24 Medidas de posição .........................................................................32Média aritmética simples .......................................................33 Média ponderada ....................................................................34 Média ponderada para dados agrupados com intervalo ..........................................................................38 Mediana ..................................................................................40 Moda .......................................................................................47 Medidas de variação ...............................................................53 Amplitude total ................................................................................54 Variância e desvio padrão .......................................................55 Princípios de probabilidade .............................................................60 Experimento aleatório, espaço amostral e eventos: definições ...............................................................62 Operações com eventos ..........................................................65 Eventos complementares, mutuamente exclusivos e independentes ....................................................81 Três tipos importantes de eventos ..........................................82 Função de probabilidade e valor esperado .....................................87 Referências .......................................................................................98 DISTRIBUIÇÃO DE PROBABILIDADE ..................... 101 Introdução .......................................................................................102 Variáveis discretas e contínuas .......................................................104 Variáveis discretas ..................................................................108 Variável contínua ....................................................................109 Distribuições discretas ....................................................................111 Distribuição binomial .............................................................112 Distribuição de Poisson ..........................................................115 Problemas com distribuição discreta .............................................120 Problemas de distribuição binomial ......................................122 Problemas de distribuição Poisson ........................................129 Distribuição contínua (normal) ......................................................132 Uso da tabela Z ......................................................................136 Problemas de distribuição normal ........................................142 Tamanho de amostra ......................................................................150 Tamanho de amostra para estimativas de proporção ...........157 Referências ......................................................................................171 ESTIMAÇÃO .......................................................... 173 Introdução .......................................................................................174 Estimação pontual ..........................................................................176 Estimação intervalar ..............................................................179 Intervalo de confiança para média populacional ..........................183 Intervalo de confiança para a proporção ...............................188 Correlação e regressão ....................................................................196 Relações estatísticas ...............................................................197 Gráfico de dispersão ...............................................................202 Diagramas de dispersão.........................................................204 Modelo matemático do cálculo do coeficiente de correlação de Pearson ................................................................216 Regressão linear ..............................................................................226 Referências ......................................................................................239 PRINCÍPIOS DE CÁLCULO ATUARIAL ..................... 241 Introdução .......................................................................................242 Cálculos e análises atuariais ...........................................................245 Fundamentos da demografia, taxa de natalidade e mortalidade e taxa de crescimento populacional .......................247 VO CÊ ES TÁ A QU I Taxa de natalidade .................................................................249 Taxa de mortalidade ..............................................................252 Taxa de crescimento populacional ........................................254 Tábua de mortalidade e suas funções ............................................258 Tábua de sobrevivência e suas funções .................................261 Construção das tábuas de sobrevivência ou mortalidade ......................................................................266 Cálculos com taxa de mortalidade .................................................269 Cálculo de vida da população ao nascer................................271 Tópicos importantes para o cálculo de seguros na ciência atuarial ...........................................................................280 Seguradora .............................................................................281 Risco .......................................................................................281 Sinistro....................................................................................282 Seguro ....................................................................................283 Cálculo de seguro ...................................................................289 Risco .......................................................................................290 Valor matemático do risco (VMR) .........................................292 Cálculo do valor médio por sinistro .......................................296 Cálculo do prêmio estatístico e do prêmio comercial ...........298 Referências ......................................................................................312 PARA OTIMIZAR A IMPRESSÃO DESTE ARQUIVO, CONFIGURE A IMPRESSORA PARA DUAS PÁGINAS POR FOLHA. Uso da quantificação para coleta e tratamento de dados por meio de técnicas estatísticas com vistas à elaboração de relatórios e tomada de decisão. Introdução à estatística descritiva; estudo de probabilidade e distribuição de dados. Introdução à teoria de amostragem, inferência estatística e teoria de estimação. Interpretação de testes estatísticos (teste de hipóteses, teste de qui-quadrado e não paramétricos, análise de variância, correlação e regressão, análise fatorial, análise de conglomerados). Noções de cálculo atuarial. EMENTA CONHEÇA O CONTEÚDO Prezado(a) aluno(a), É um grande privilégio ter você conosco para estudarmos os conteúdos de métodos quantitativos. Convidamos você a desfrutar da leitura desse material onde trataremos, ao longo de quatro unidades, de população, amostra, variáveis, medidas de posição, medidas de variabilidade, princípios de pro- babilidade, distribuições discretas de pro- babilidade, distribuições contínuas de pro- babilidade, tamanho de amostra, estimação, coeficiente de correlação e cálculo atuarial. Vamos iniciar com os conceitos de estatística descritiva. Em seguida iremos aprofundar nossos conhecimentos de Probabilidade trabalhando com as distribuições de proba- bilidades. Já a unidade três tratará especifi- camente da estimação de parâmetros para algumas distribuições de probabilidade conhecidas. Começaremos os estudos com a apresentação dos conceitos de estimação pontual e intervalar (intervalos de confian- ça). Além disso, nesta unidade estudaremos os principais conceitos que irão basear o estudo da correlação e da regressão lineares.Por fim, na unidade quatro trataremos do cálculo atuarial, afinal, um assunto de gran- de importância no Brasil (e no mundo) é quanto dinheiro é necessário para garantir as aposentadorias de cerca de 200 mil par- ticipantes e as devidas pensões a seus fami- liares no longo de um período estipulado. Entre os conhecimentos exigidos dos pro- fissionais de atuária, estão os conceitos de Matemática Financeira, Estatística, Matemá- tica e as questões de demografia. Também abordaremos os seguros e seus elementos. A partir de agora, concentração, foco e bons estudos para você! OB JE TI VO S - Conhecer os métodos quantitativos normalmente utilizados nas pesquisas teóricas e práticas em Ciências Contábeis, bem como desenvolver a capacidade de resolução de problemas quantitativos encontrados pelo profi ssional de ciências contábeis; - Utilizar os dados estatísticos e econômicos para transformar as informações do mundo contemporâneo, em decisões administrativas; - Obter conhecimento necessário para aumentar sua competência ao tomar decisões organizacionais; - Planejar e executar os procedimentos administrativos utilizando os métodos quantitativos fornecidos pela Estatística; - Pensar estrategicamente. ESTIMAÇÃO UNIDADE 3 174 MÉTODOS QUANTITATIVOS INTRODUÇÃO A estatística se apoia no tripé estimação-testes de hipóteses-previsão. A estimação consiste em, observando uma amostra, obter os parâmetros de uma função de probabilidade que faz com que os dados sejam descritos com o menor erro possível. Os testes de hipóteses, por sua vez, consistem em testar afirmações a respeito dos parâmetros de uma distribuição de probabilidade. Por fim, a previsão consiste em, usando uma distribuição de probabilidade, obter valores esperados para uma variável aleatória sob certas suposições. Nesse tripé, classificam-se todos os modelos estatísticos conhecidos, sendo que muitos deles podem ser usados para mais que uma das pernas do tripé. Esta unidade trata especificamente da estimação de parâmetros para algumas distribuições de probabilidade conhecidas. Começaremos nossos estudos com a apresentação dos conceitos de estimação pontual e intervalar (intervalos de confiança). Os intervalos de confiança para a média de uma distribuição normal e para a proporção de uma distribuição binomial serão apresentados. Além disso, estudaremos os principais conceitos que irão basear o estudo da correlação e da regressão lineares. 175 ESTIMAÇÃO Para esse propósito, vamos focar nas principais métricas das medidas de tendência central dos eventos estatísticos e iremos analisaremos como os dados dos eventos referentes à população ou à amostra da população são apresentados em torno de uma reta média, que é a representação teórica da reta de regressão linear. Veremos, também, que o objetivo da reta de regressão linear é fazer com que os dados de um diagrama de dispersão tendam para o centro dessa reta. O estudo conjunto do coeficiente de correlação e da reta de regressão linear tem papel fundamental no planejamento estratégico das organizações. Por meio dessas duas ferramentas, é possível tomar decisões retirando uma amostra dos dados que estão à disposição da organização, mas que precisam ser selecionados por métodos disponibilizados pela estatística quer seja descritiva, quer seja inferencial. O estudo conjunto do coeficiente de correlação e da reta de regressão linear tem papel fundamental no planejamento estratégico das organizações. 176 MÉTODOS QUANTITATIVOS Agora, convidamos você a entrar nesse mundo da estimação. Esperamos que ao fim da unidade você tenha compreendido: • a teoria de probabilidade com a análise de dados; • os elementos que compõem uma amostra; • que a estimativa é o valor numérico de um estimador; • os intervalos de confiança e como são usados; • que a regressão linear nos permite estudar o comportamento de variáveis. ESTIMAÇÃO PONTUAL A estimação de parâmetros é o que permite ligar a teoria de probabilidade com a análise de dados. Uma vez conhecida a função que descreve as probabilidades (a forma) para uma variável aleatória e, também, os parâmetros dessa distribuição, todas as probabilidades de interesse ficam definidas. Esse mecanismo torna possível usar as características amostrais para responder questões de interesse sobre a 177 ESTIMAÇÃO população da qual os dados foram obtidos. Por exemplo, se determinada variável aleatória assume valores contínuos e é simétrica, poderá ser descrita pela distribuição normal, cuja forma funcional é bastante conhecida (tem a forma de sino, é simétrica e com probabilidade concentrada em torno da média, decaindo conforme a distância entre o valor de interesse e a média populacional aumentam). De acordo com Loesch (2012, p. 109), chama-se estimador uma estatística usada no processo de estimação (por ponto) de um parâmetro. É, portanto, uma variável aleatória caracterizada por uma distribuição de probabilidade. Já uma estimativa é o valor particular da estatística, calculada com base nos valores de uma dada amostra. Assim podemos dizer que estimador é uma função real definida a partir dos A estimação de parâmetros é o que permite ligar a teoria de probabilidade com a análise de dados. 178 MÉTODOS QUANTITATIVOS elementos que compõem uma amostra. E estimativa é o valor numérico de um estimador. Podemos utilizar um único número real para avaliar um parâmetro. Nesse caso, estamos fazendo uma estimação por ponto, ou pontual. Observe a Figura 35 abaixo. Figura 35 - Exemplo de estimador e estimativa ESTIMADOR ESTIMATIVA POR PONTO PARÂMETRO X X =15 μ p p =0,45 p Fonte: Silva (1997) Lembre-se de que, em situações reais, o verdadeiro valor do parâmetro é desconhecido. O estimador nos permite ter um “palpite” sobre o seu valor e, por isso, é interessante que o estimador seja preciso, ou seja, que consiga, em média, acertar o valor e errar o palpite apenas por valores pequenos. Portanto, existe uma limitação muito grande nos estimadores pontuais, pois cada amostra diferente nos leva a obter uma estimativa diferente, o que nos leva a pensar em uma outra maneira de determinar a estimação. A estimação por intervalo é o nosso próximo tópico. 179 ESTIMAÇÃO ESTIMAÇÃO INTERVALAR Vimos os conceitos de estimação de um parâmetro de interesse em uma distribuição de probabilidade. Foi observado que a estimativa de um parâmetro é uma aproximação do valor real deste, que é desconhecido. No entanto, a estimativa de um parâmetro (quase) sempre difere do valor real. De acordo com Loesch (2012, p. 112), para uma estimativa justa e consistente de um parâmetro populacional, os desvios entre o valor estimado e o valor do parâmetro se tornam tanto mais improváveis quanto maior a diferença absoluta (entre o parâmetro e a estimativa). Assim, uma atitude razoável é construir um intervalo em torno do valor estimado de modo que se possa calcular a probabilidade de que o valor do parâmetro populacional nele esteja contido. Existe uma limitação muito grande nos estimadores pontuais, pois cada amostra diferente nos leva a obter uma estimativa diferente. 180 MÉTODOS QUANTITATIVOS Quando estudamos sobre a estimação, temos dois tipos de estimativas: por pontos e intervalares. Segundo Spiegel (2015, p. 195, grifo nosso), uma estimativa de um parâmetro populacional fornecida por um único número é denominada de estimativa por ponto do parâmetro. Uma estimativa de um parâmetro populacional dada por dois números que possam conter o parâmetro a ser estimado é denominada de estimativa intervalar do parâmetro sendo considerado. A Figura 36 a seguir nos auxilia a compreender as diferenças entre esses dois tipos de estimação. Figura 36 - Estimações pontual e intervalar Estimativa pontual: fornece um número para o parâmetro de interesse. Estimação intervalar: fornece um intervalo de valores para oparâmetro de interesse. Fonte: elaborado pelo autor Quando calculamos a estimação por ponto, calculamos um único valor (estimativa) para o parâmetro populacional. 181 ESTIMAÇÃO Já “no caso do intervalo de confiança, busca-se um segmento, ou intervalo, que contém o parâmetro desconhecido” (FONSECA; MARTINS, 2012, p. 167). Para esses casos, Fonseca e Martins (2012) ressaltam que o verdadeiro valor do parâmetro está contido dentro do intervalo com determinado “nível de confiança”, e não com determinada probabilidade. A explicação é a seguinte: suponha que uma amostra x1, x2, [...], xn foi observada, que o parâmetro da distribuição da variável aleatória foi estimado e que um intervalo [a, b] de confiança foi obtido. O intervalo conterá o verdadeiro valor do parâmetro com probabilidade 0 ou 1. Se o verdadeiro valor do parâmetro estiver dentro do intervalo, a probabilidade de que o intervalo contenha o valor real do parâmetro é 1, mas, caso contrário, se o verdadeiro valor do parâmetro estiver fora do intervalo, a probabilidade de que o intervalo contenha tal valor é 0. O motivo disso é que, uma vez coletada a amostra, não existe mais probabilidade associada ao processo. Para exemplificar esses conceitos, a Figura 37 mostra 100 intervalos de confiança para amostras geradas da distribuição normal com média 0. Observe que alguns intervalos não cruzam o eixo 0,00, indicando que a verdadeira média está fora. No entanto, se, ao coletar uma amostra, observou-se um desses 182 MÉTODOS QUANTITATIVOS intervalos (que não contém a verdadeira média), tal fato não será possível de ser verificado. Figura 37 - Intervalos de confiança para 100 amostras da distribuição normal de média 0 Fonte: Polli e Alves (2019) Observe que quatro intervalos (em 100) não possuem em seu interior a média populacional, o que demonstra o conceito da confiança dos intervalos. Todos eles foram gerados considerando um nível de 95% de confiança, logo, o esperado era ter aproximadamente cinco intervalos sem o valor da média populacional (como, de fato, ocorreu). A ideia de que o nível de confiança não representa uma probabilidade é, muitas vezes, surpreendente. 183 ESTIMAÇÃO Até o momento, somente os aspectos teóricos foram elencados, mas nada foi dito sobre o cálculo desses intervalos. Podemos calcular o intervalo de confiança para a média populacional ou para proporção como veremos a seguir. MATERIAL COMPLEMENTAR Para se aprofundar no tema, indicamos a leitura do capí- tulo 5 do livro Probabilidade e estatística, do autor Cláu- dio Loesch. Disponível em: <https://bit.ly/33bPyvP>. Acesso em: 08 set. 2020. INTERVALO DE CONFIANÇA PARA MÉDIA POPULACIONAL Neste tópico, estudaremos a respeito da estimação para o intervalo de confiança para média populacional por meio da distribuição normal. Essa tem uma importância fundamental na teoria estatística por conta de um resultado chamado teorema central do limite. Uma variável aleatória contínua que a) assume valores no conjunto dos números reais; b) concentra a probabilidade em valores próximo à média populacional e c)cuja probabilidade 184 MÉTODOS QUANTITATIVOS decai somente em função da distância entre o valor da variável aleatória e a média populacional, pode ser modelada pela distribuição normal (Figura 38). Figura 38 - Gráfico da distribuição normal x fdp f (x) µ Fonte: Polli e Alves (2019) Na figura anterior, vemos a forma funcional da distribuição normal: • a função está centrada na média; • as probabilidades estão concentradas em valores próximos da média; • a forma funcional é espelhada pela média, ou seja, os dois lados da função separados pela média são iguais; 185 ESTIMAÇÃO • a altura da função (densidade de probabilidade) depende unicamente do valor entre o ponto (posição) e a média. A distribuição possui dois parâmetros: média populacional (representada pela letra grega μ (mi), identificada na figura) e variância populacional (representada por σ2 [sigma], que está disposta nos dois lados da média no gráfico). A média populacional caracteriza a posição da função na escala de valores reais — modificar a média populacional implica em deslocar a função. Já a variância populacional caracteriza o decaimento da função — aumentando a variância, a função se torna mais espalhada e com menor peso para os valores próximos à média; por outro lado, diminuindo a variância, a função se torna mais concentrada e com maior peso para os valores próximos à média (SPIEGEL, 2015). Quando falamos em um intervalo de confiança para média populacional queremos definir um limite inferior e outro superior para que a verdadeira média populacional se encontre entre eles (usando o teorema central do limite para justificar o uso da distribuição normal). Para definir esses limites utilizamos uma expressão para calcular o erro padrão de estimativa e subtraímos da média esse 186 MÉTODOS QUANTITATIVOS valor obtendo o limite inferior do intervalo e somamos esse valor à média para obter o limite superior do intervalo. Ɛ = = Z α 2 σ √n Ic x - ϵ < µ < x + ϵ Exemplo: Imagine que um fabricante de parafusos mediu o diâmetro de uma amostra de 25 parafusos produzidos por uma máquina que, de acordo com o manual, produz parafusos com uma variância igual a 0,01. Na amostra observada, a média foi igual a 1,15 cm. Vamos, então, calcular o intervalo de confiança para o nível de 95% para o diâmetro dos parafusos. Temos, no exemplo, o valor da variância 0,01. Como o desvio padrão é a raiz quadrada da variância, então temos que σ = 0,1 cm, a amostra (n) é igual a 25 e queremos o intervalo de confiança de 95%. Se dividirmos 95 por 2 teremos o valor de 47,5% ou 0,4750 transformado em decimal, esse valor servirá para encontrarmos o valor de Z. Na tabela “Z” como veremos a seguir na Figura 39: Figura 39 - Distribuição normal padrão Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,8 0,9 0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 0,1 0,2 187 ESTIMAÇÃO 0,3 .... 1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4704 1,9 0.4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767 Fonte: Fonseca (2012) Podemos agora calcular o erro através da fórmula: Ɛ = 0,1 √25 1,96 Resolvendo, temos ε = 0,04 cm. Como a média é de 1,15 cm, então o intervalo de confiança de 95% para a média populacional é: =Ic (1,15 - 0,04 < µ < 1,15 + 0,04) =Ic (1,11 < µ < 1,19) Podemos assim afirmar, com 95% de confiança, que o valor médio dos parafusos é um valor entre 1,11 cm e 1,19 cm. Aqui, vimos o cálculo do intervalo de confiança para a média. Usando o teorema central do limite, sabe-se que tal medida se comporta de acordo com uma distribuição normal e, assim, tal distribuição é utilizada para o cálculo do intervalo de confiança (LOESCH, 2015). 188 MÉTODOS QUANTITATIVOS Os conceitos apresentados aqui são relativamente simples. A dificuldade maior é compreender o mecanismo, pois os cálculos não apresentam dificuldades. A obtenção dos intervalos de confiança para a proporção de uma variável dicotômica (aquela que aceita respostas do tipo sim/não) é similar ao visto até aqui e vamos tratar desse assunto no próximo tópico. INTERVALO DE CONFIANÇA PARA A PROPORÇÃO Usando o teorema central do limite é possível utilizar a média aritmética para estimar a média populacional com a distribuição normal, a fim de se fazer os cálculos, mas esses resultados também podem ser utilizados para obter intervalos de confiança para proporções. O argumento é que a proporção é uma média de uma variável aleatória que assume o valor 1, se o evento de interesse ocorrer, e valor 0 em caso oposto. Considere uma variável aleatória dicotômica, ou seja, uma variável aleatória que aceita dois valores possíveis: 1 para o resultado positivo ou 0 para o resultado negativo. 189 ESTIMAÇÃO A contagem de resultados positivos é a soma de tal variável (para cada resultadopositivo é somada 1 unidade ou 0 unidades, caso contrário), sendo que a proporção (contagem dividida pelo número de observações) é, portanto, a média amostral da variável dicotômica. Como a proporção amostral é a média (amostral) da variável dicotômica, o teorema central do limite se aplica caso a amostra seja grande o suficiente. Dessa forma, a proporção segue uma distribuição com média “p” e variância p (1 - p)/n. Uma vez conhecida a distribuição e os parâmetros da distribuição (média e variância), torna-se possível definir o intervalo de confiança. No entanto, temos um problema: a variância depende da média populacional, que é desconhecida. Assim, não conseguimos definir a expressão do intervalo de confiança para a proporção somente aplicando a fórmula. Existem, pelo menos, duas estratégias que podem ser utilizadas para A variável é dicotômica quando pode assumir um dentre dois valores possíveis. Fonte: Shutterstock (https://shutr.bz/2DHBGAR) 190 MÉTODOS QUANTITATIVOS quebrar essa dependência de valores desconhecidos no cálculo da variância (Figura 40). Figura 40 - Estratégias para quebrar a dependência de valores desconhecidos (cálculo da variância) Intervalo não conservativo: substitui o parâmetro pela sua estimativa Intervalo conservativo: substitui erro padrão no cálculo pelo valor máximo de tal erro Fonte: Polli e Alves (2019) A primeira e mais intuitiva consiste em substituir o parâmetro “p” pela sua estimativa . Nesse caso, o intervalo de confiança pode ser definido por ± ×√ ( ( z α 2 p^ n p^ 1 - p^ . Essa estratégia é chamada de intervalo não conservativo para a proporção (LOESCH, 2012). Uma estratégia alternativa consiste em substituir o erro padrão no cálculo pelo valor máximo de tal erro. Isso ocorre se o valor do parâmetro for substituído por 1/2. Dessa forma, o intervalo de confiança fica definido por ± × √z α2p ^ 1 2 1 n . Essa 191 ESTIMAÇÃO estratégia é chamada de intervalo conservativo para a proporção (LOESCH, 2012). O intervalo conservativo maximiza a amplitude do intervalo de confiança. O intervalo não conservativo é aquele que tem um nível de confiança mais próximo ao esperado (1 - ). Ao tomar o intervalo conservativo, está sendo selecionado um intervalo cuja cobertura é, no mínimo, igual ao fixado. Dessa maneira, a escolha do intervalo conservativo garante que a cobertura do intervalo será, ao menos, aquela esperada. Exemplo: • vejamos a aplicação de um intervalo conservativo e um não conservativo para um intervalo de confiança de 95% com uma amostra de 16 elementos onde 4 são favoráveis. Então a estimativa da proporção populacional é dada por p = 416 = 1 4 , em que n = 16 e “x” = 4. Esta é uma média de uma variável dicotômica. Como o intervalo de confiança é para 95%, encontramos o valor de Z, para isto basta usar a tabela “Z” da probabilidade 0,4750, que se refere a 95% dividido por 2. O intervalo não conservativo é dado por: 192 MÉTODOS QUANTITATIVOS ± × × × × √ ( ( z α 2 p^ ±p^ n p^ 1 - p^ √ √ ( (1 - 161,96 1,96 16 1 4 1 4 × ×±p^ √1,96 ±p ^ 1,96 ±0,25 0,21230,1083 3 256 3 4 1 4 Assim, com um nível de 95% de confiança, de acordo com o intervalo não conservativo, a proporção populacional da característica de interesse está no intervalo [0,0377; 0,4623]. O intervalo conservativo, por sua vez, é dado por: ± × √z α2p ^ 1 2 1 n 1,96± × √p ^ 1 2 1 16 1,96± × ×p ^ 1 2 1 16 1,96 0,1250± 0,24500,25±×p ^ Da mesma forma que antes, com um nível de 95% de confiança, de acordo com o intervalo conservativo, a proporção populacional da característica de interesse está no intervalo [0,0050; 0,4950]. Observe que o intervalo não conservativo está contido no intervalo conservativo, sendo este o maior intervalo possível 193 ESTIMAÇÃO para o nível de confiança selecionado. Atenção: o intervalo conservativo torna a amplitude do intervalo de confiança o maior possível. Isso ocorre porque, na fórmula do intervalo conservativo, assume-se que a variância populacional é máxima, ou seja, calcula-se a variância supondo que a proporção na população é 1 2 , mesmo que não seja. Os intervalos conservativo e não conservativo assumem que o tamanho populacional é grande o suficiente para o tamanho amostral ser considerado desprezível (em comparação com o tamanho da população). Se o tamanho da população for pequeno, é necessário corrigir o tamanho do intervalo de confiança pelos tamanhos da amostra e da população a partir da multiplicação do erro padrão pelo corretor √ N - n N - 1n = N , em que “N” é o tamanho da população e “n” é o tamanho amostral. Essa correção varia entre 0 e 1. O intervalo de confiança não conservativo para populações pequenas é dado por: ± × ×√ √ ( ( z α 2 p^ n p^ 1 - p^ N - n N - 1 194 MÉTODOS QUANTITATIVOS Veja que, quando o tamanho da população é grande o sufi ciente, e, nesse caso, a correção para populações fi nitas converge para 1. Exemplo: • para observar o comportamento da correção para populações finitas com relação ao tamanho da população, considere o seguinte: a amostra tem tamanho 5 e os tamanhos populacionais avaliados possuem tamanhos 10, 50, 100, 1.000 e 10.000. Iremos, então, calcular as correções para populações finitas e observar que, conforme a população cresce, o valor da correção também cresce. Veja na Figura 41 a variação dessa correção: Figura 41 - Variação utilizando o crorretor: √ N - n N - 1 POPULAÇÃO TAMANHO 10 POPULAÇÃO TAMANHO 50 POPULAÇÃO TAMANHO 100 POPULAÇÃO TAMANHO 1000 √ 10 - 5 10 - 1 √ 50 - 5 50 - 1 √ 100 - 5 100 - 1 √ 1000 - 5 1000 - 1 195 ESTIMAÇÃO POPULAÇÃO TAMANHO 10 POPULAÇÃO TAMANHO 50 POPULAÇÃO TAMANHO 100 POPULAÇÃO TAMANHO 1000 √ 5 9 √ 45 49 √ 95 99 √ 995 999 0,7454 0,9184 0,9596 0,9960 Fonte: elaborado pelo autor Dessa maneira, se a população for grande o suficiente, a amplitude do intervalo de confiança dependerá somente do tamanho da amostra. Por isso que, por exemplo, nas pesquisas eleitorais, é suficiente entrevistar cerca de 2000 pessoas para garantir uma margem de erro (amplitude do intervalo) de dois pontos percentuais, mesmo que o país tenha uma população bem maior do que o tamanho da amostra. Uma população é chamada de infinita se o seu tamanho for grande o suficiente para considerar que a correção relacionada ao tamanho da população é igual a 1,0. A construção de intervalos de confiança nos fornece uma relação entre o tamanho amostral e a amplitude do intervalo (a amplitude diminui conforme a amostra cresce), mostrando que, uma vez fixada a amplitude, o tamanho amostral pode ser calculado. Além disso, o intervalo de confiança possui 196 MÉTODOS QUANTITATIVOS uma relação um-para-um com os testes de hipóteses para a igualdade do parâmetro com determinado valor fixo. Neste tópico, a obtenção de intervalos de confiança para proporção de uma característica de interesse foi abordada. Nele foram apresentados 2 tipos distintos de intervalos: os intervalos conservativos e os não conservativos. Também tratou-se da correção que se deve fazer no cálculo caso a população seja finita e com tamanho reduzido. Quando a população é finita o tamanho amostral sofre uma penalidade, sendo reduzida, de forma que a amostra nunca será maior que a população. Em populações infinitas, tal correção é irrelevante pois o efeito de correção converge para 1 à medida que o tamanho da população cresce. CORRELAÇÃO E REGRESSÃO Até agora trabalhamos na descrição do comportamento de uma única variável. Ao trabalhar com uma única variável estamos fazendo uma análise univariada. Mas, imagine que queiramos saber se existe uma relação entre o preço de um produto e a quantidade vendida. Será que podemos afirmar que quanto mais barato o produto, maior a quantidade será vendida? Nesta situação e em outras semelhantes estamos analisando o comportamento de duas variáveis, que é 197 ESTIMAÇÃO chamado de análise bivariada.Se mais de duas variáveis estiverem envolvidas no estudo, a análise é chamada de multivariada. Vamos entender melhor a respeito do assunto a partir de agora! RELAÇÕES ESTATÍSTICAS As relações estatísticas, conhecidas como dependências estatísticas ou relações não funcionais, são variáveis essencialmente aleatórias ou estocásticas, as quais se aproximam do centro do alvo sem necessariamente acertá- lo. A exemplo do rendimento de lavouras — variável dependente ou explicada — em relação à temperatura, quantidade de chuvas, luz solar ou fertilizante — variáveis independentes ou explicativas. Isso porque as variáveis explicativas, embora relevantes, não permitem ao agricultor prever com exatidão o rendimento devido aos erros envolvidos na medição (GUJARATI; PORTER, 2011). ESTOCÁSTICAS Segundo o site Dicio: estocásti- cos são aqueles “processos que dependem das leis do acaso.” Fonte: <https://bit.ly/2GHpG3n>. Acesso em: 10 set. 2020. 198 MÉTODOS QUANTITATIVOS Para esse exemplo, temos que a variação aleatória é quando o rendimento da lavoura (variável dependente) não pode ser explicado em sua totalidade, mesmo com diversas variáveis independentes consideradas (GUJARATI; PORTER, 2011). Atenção: a relação estatística entre as variáveis e a inferência estatística utiliza instrumentos metodológicos para inferir e prever, em média, os acontecimentos de determinados fenômenos aleatórios em população ou amostras. Isso não implica em conexão causal, pois a causação se trata de uma relação determinística (GUJARATI; PORTER, 2011). Já estudamos aqui que na estatística descritiva e na de inferência, ao se fazer um levantamento de um conjunto de dados — numéricos ou não —, extraídos de uma amostra ou população, estamos obtendo uma ou mais características de interesse dos dados, como faturamento, vendas, endividamento, ativo circulante, salários, nível de instrução etc. Segundo Fonseca e Martins (2012) e Rocha (2015), cada uma dessas características é denominada de variável. Também vimos que essas variáveis são divididas em quantitativas e qualitativas. As quantitativas são variáveis de natureza numérica, podendo ser subdivididas em variáveis discretas e contínuas. As variáveis quantitativas são 199 ESTIMAÇÃO discretas quando os valores podem ser contados, como o número de pessoas que trabalham em uma empresa, quantidade do estoque de mercadorias, o número de vendas etc. Já as variáveis quantitativas contínuas são aquelas que pode-se tomar qualquer valor de determinado intervalo de números reais, como o consumo médio de energia elétrica em uma planta produtiva de determinada indústria, a média da receita de vendas no ano, o consumo médio de combustível da frota de veículos etc. As variáveis qualitativas, por sua vez, são de natureza não numérica e os possíveis valores que assumem representam atributos e/ou qualidades. Elas podem ser classificadas como ordinais ou nominais. As variáveis qualitativas ordinais são assim denominadas quando as variáveis têm uma ordenação natural ou sequência classificatória, sendo exemplos o nível de instrução da pessoa (Ensino Variável é a característica de interesse que é medi- da em cada elemento da amostra ou população. Fonte: Shutterstock (https://shutr.bz/3hV2gVf) 200 MÉTODOS QUANTITATIVOS Fundamental, Médio ou Superior) e a classe social (baixa, média ou alta). As variáveis qualitativas nominais, por outro lado, ocorrem quando não e ́ possível estabelecer uma ordem natural entre seus valores, como o estado civil (solteiro, casado etc.), o sexo (feminino ou masculino) etc. (ROCHA, 2015). Entretanto, quando nosso objetivo é um estudo entre as variáveis para descobrir se existe ou não uma relação entre elas, dividimos essas variáveis em independentes e dependentes. A distinção entre variáveis dependentes e independentes (ou variáveis de controle) nem sempre é muito clara, sendo que, algumas vezes, estão ligadas aos objetivos em análise. Entretanto, na prática, os papéis das variáveis são facilmente caracterizados. Apesar de a expressão “variável de controle” ser padronizada, não deve ser interpretada literalmente. É muito difícil a ocorrência de situações em que a variável independente esteja rigorosamente sob controle, isto é, não esteja sujeita a erros (MARTINS; TOLEDO; FONSECA, 2012). A análise da relação estatística investiga o relacionamento de, pelo menos, duas variáveis aleatórias, ou seja, duas variáveis estão relacionadas quando a variação de uma das variáveis influencia a mudança na outra variável. Algumas das técnicas para estimação de medidas de associação entre duas ou mais variáveis aleatórias 201 ESTIMAÇÃO são o diagrama de dispersão, a correlação linear e a regressão linear. Especialmente na regressão existe uma terminologia para as variáveis: variável dependente ou explicada e variável independente ou explicativa. Na literatura, os termos “variável dependente” e “variável explicativa” são descritos de vários modos, conforme vemos na Figura 42: Figura 42 - Variáveis na teoria de regressão Variável dependente Variável explicada Variável prevista Regressando Resposta Variável endógena Saída Variável controlada Variável explicativa Variável independente Previsor Regressor Estímulo Variável exógena Entrada Variável de controle Fonte: Gujarati e Porter (2011, p. 44) A relação entre uma variável dependente e uma única variável independente é conhecida como método clássico de 202 MÉTODOS QUANTITATIVOS regressão linear simples ou regressão linear entre duas variáveis. Para esse tipo de relação, existe somente uma variável explicativa, enquanto no método de regressão linear múltipla existem várias variáveis independentes. A variável dependente será descrita pela letra Y e a variável independente pelo X (GUJARATI; PORTER, 2011). GRÁFICO DE DISPERSÃO Para investigar o relacionamento entre variáveis é útil examinar o gráfico dos dados, chamado de diagrama de dispersão ou gráfico de dispersão. Normalmente, a variável independente é representada no eixo horizontal, enquanto a variável dependente é retratada no eixo vertical (RENDER; STAIR; HANNA, 2010). Como exemplo, na Figura 43 apresentamos uma relação positiva entre o nível de vendas As variáveis qualitativas ordinais são assim denominadas quando as variáveis têm uma ordenação natural ou sequência classificatória. 203 ESTIMAÇÃO (variável dependente) no eixo vertical, com salários (variável independente) no eixo horizontal. Figura 43 - Diagrama de dispersão da relação entre o nível de vendas com salários Fonte: Gujarati e Porter (2011) Quando se busca verificar a relação entre duas variáveis quantitativas (Y, X), graficamente, pode-se construir um diagrama de dispersão, como foi o caso da figura anterior, tratando-se da relação entre a variável dependente (Y) “vendas” com a variável independente (X) “salários”. Assim, observa-se uma relação de que, quanto maior o salário, maiores as vendas. O diagrama é disposto de forma que cada observação (yi , xi) seja colocada em um gráfico de duas dimensões (GUJARATI; PORTER, 2011). 204 MÉTODOS QUANTITATIVOS Figura 44 - Diagrama de dispersão da relação entre o nível de vendas com a temperatura Fonte: Gujarati e Porter (2011) A Figura 44 demonstra um diagrama de dispersão com uma relação negativa no nível da venda de remédios com o aumento da temperatura média, ou seja, observa-se que, quanto maior a temperatura média, menor a venda de remédios. Estudar métodos quantitativos aplicados na temática de relação estatística mostrou como ideia central a relação entre a variável dependente (Y) e a variável independente (X), e que, além da identificação do papel de cada uma delas na inferência estatística, há uma representação gráfica dos dados de cada variável. DIAGRAMAS DE DISPERSÃO Uma das formas de se visualizar o risco em estatística é por meio do diagrama de dispersão. Elenos mostra como os dados 205 ESTIMAÇÃO estão distribuídos em torno de uma reta “imaginária” que os divide ao meio, sendo que certo número de dados está acima dessa reta e outros dados estão abaixo. Essa reta é a reta de ajuste ou de regressão linear porque o objetivo é que todos se situem ao longo dela. É muito importante o estudo do diagrama de dispersão porque ele proporciona uma função matemática, que será base de informações para o estudo da correlação. Às vezes, temos que refletir e tomar decisões com base em alguns parâmetros, como por exemplo: qual a relação entre o nível de renda de um país e o número de mortalidade infantil? Qual a relação entre a idade de uma pessoa e a sua altura? Qual a relação entre o peso de uma pessoa e o número de mortes por infarto? Ou, ainda, qual a relação entre o salário de uma pessoa e seu grau de instrução? É através da correlação, Quando se busca verificar a relação entre duas variáveis quantitativas, graficamente pode-se construir um diagrama de dispersão. 206 MÉTODOS QUANTITATIVOS em estatística, que podemos ver como duas variáveis se comportam em função de certos parâmetros. FORMAS DE RETAS DA FUNÇÃO DO PRIMEIRO GRAU Há variáveis que são chamadas de diretamente proporcionais. Isso significa que quando uma aumenta, a outra aumenta também; há outras que se relacionam de forma inversamente proporcional: quando uma aumenta, a outra diminui. No caso de o coeficiente angular ser positivo, dizemos que as variáveis se relacionam de forma diretamente proporcional: y = ax + b. No caso de o coeficiente angular ser negativo as variáveis assumem direções contrárias e dizemos que elas são variáveis inversamente proporcionais. Quando uma aumenta, a outra diminui. O sinal do coeficiente angular é o que nos indicará essa relação. Quando o coeficiente angular for negativo, as variáveis serão inversamente proporcionais: y = - ax + b. Analisando a função, notamos que se trata de uma função decrescente. Por que chegamos a essa conclusão? Quando o coeficiente angular da reta é negativo, a variável independente (x) aumenta e a variável dependente (y) diminui caracterizando uma função decrescente. O exemplo aplicado à empresa se 207 ESTIMAÇÃO dá com a função depreciação. No instante inicial do bem imobilizado, não há depreciação. O valor do bem é a própria constante (b) da reta. O coeficiente angular da reta (a) é a taxa de depreciação. À proporção que passa o tempo (x), o valor do bem imobilizado e (y) diminui. DIAGRAMAS DE DISPERSÃO A forma como os pontos de uma série de dados se distribuem em torno de uma reta média forma a dispersão desses dados. Essa dispersão pode ser muito próxima dessa reta média ou muito afastada dela. Esses dados também podem estar acima ou abaixo da reta média. A isso nós denominamos de diagrama de dispersão. Exemplo: veja a seguinte situação que lhe foi colocada para analisar a relação entre os parâmetros idade versus massa muscular de mulheres. Para estudar a relação entre a idade e a massa muscular, uma nutricionista selecionou 16 mulheres, com idade entre 40 e 79 anos, e observou a seguinte relação: Figura 45 - Diagrama de dispersão entre idade (x- em anos) versus massa muscular (y- em kg) X 71 64 43 67 56 73 68 57 76 65 45 58 45 53 49 78 Y 79 78 102 78 88 73 78 83 68 84 112 76 97 90 105 64 Fonte: Bruni (2010) 208 MÉTODOS QUANTITATIVOS Na Figura 45 temos a variável x (independente - idade) e a variável y (dependente - massa muscular). O objetivo é analisar quão próximos estão as variáveis x e y; ou quão afastadas estão essas variáveis. Esse resultado indicará se x e y se relacionam de maneira direta ou inversamente proporcional. Para isso, não necessariamente, vamos organizar a variável em ordem crescente, conforme a Figura 46. Figura 46 - Idade versus massa muscular (kg) de mulheres selecionadas, em ordem crescente de idade (ano) Idade (x) 43 45 45 49 53 56 57 58 64 65 67 68 71 73 76 78 Massa (y) 102 112 97 105 90 88 83 76 78 84 78 78 79 73 68 64 Fonte: Bruni (2010) Podemos, antes de elaborar o diagrama de dispersão, calcular medidas de tendência central e medidas de dispersão das idades e das massas musculares das mulheres selecionadas. Medidas de tendência central das idades: • média: 60,5 anos; • mediana: 61 anos; • moda: 45 anos. Medidas de dispersão das idades: • desvio padrão: 11,43 anos; 209 ESTIMAÇÃO MATERIAL COMPLEMENTAR Para se aprofundar neste tema, indicamos a leitura do capítulo 3 do livro Matemática comercial e financeira e fundamentos de estatística, dos autores Augusto Mas- sashi Horiguti e Juliane Donadel. Disponível em: <https://bit.ly/2ZmA7zQ>. Acesso em : 08 set. 2020. Isto é, a maior parte das idades da amostra está entre 11,43 anos acima da média (60,5 + 11,43 anos), ou seja, 71,93 anos; e 11,43 anos abaixo da média (60,5 – 11,43 anos), isto é, 49,07 anos. Observe que a dispersão entre as idades das mulheres selecionadas é alta. Medidas de tendência central das massas musculares: • média: 84,69 kg; • mediana: 81 kg; • moda: 78 kg. Medidas de dispersão da massa muscular: • desvio padrão: 11,50 kg. A Figura 47 nos mostra como se comportam as variáveis x e y. Notamos que elas são inversamente proporcionais 210 MÉTODOS QUANTITATIVOS (coeficiente angular negativo). Ou seja, quando a idade aumenta, a massa muscular diminui. Figura 47 – Diagrama de dispersão entre idade (em anos) e massa muscular (em kg) de mulheres 0 10 20 30 40 50 60 70 80 90 Idade, em anos 120 100 80 60 40 20 0 y = -1,085x +150,33 Fonte: Bruni (2010) As informações do diagrama de dispersão entre idades e massas musculares das mulheres selecionadas pela nutricionista, são: a variável dependente é a massa muscular (y); a variável independente é a idade (x); essa informação é reforçada pela equação do 1º grau, tendo em vista que o coeficiente angular é negativo. Portanto, a relação entre a idade e a massa muscular é que são variáveis inversamente proporcionais, isto é, à medida que aumenta a idade da mulher, a sua massa muscular diminui. Atenção: lembre-se de que 211 ESTIMAÇÃO sempre que o coeficiente angular da reta for negativo, esta é decrescente e as variáveis são inversamente proporcionais. Vejamos mais um exemplo, um médico pediatra anotou, durante um ano, os pesos e as respectivas alturas de 30 crianças pré-adolescentes. Na Figura 48 estão esses dados tabulados. Note que coletamos os dados e os colocamos em ordem crescente de peso. Figura 48 - Peso (kg) versus altura (cm) em ordem crescente do peso Paciente 1 2 3 4 5 6 7 8 9 10 Peso 23 25 25 26 28 28 28 29 30 30 Altura 107 132 144 145 147 140 150 157 152 145 Fonte: Martins (2006) Com base nos dados do quadro, encontramos as medidas de posição central e de dispersão. Medidas de tendência central do peso: • média: 27,20 kg; • mediana: 28,00 kg; • moda: 28,00 kg. Medidas de dispersão do peso: • desvio padrão: 2,35 kg. 212 MÉTODOS QUANTITATIVOS Medidas de tendência central da altura: • média: 141,90 cm; • mediana: 145,00 cm; • moda: 145,00 cm. Medida de dispersão da altura: • desvio padrão: 1 cm. Com as informações da Figura 48, construímos o diagrama de dispersão, que você pode ver na Figura 49: Figura 49 - Diagrama de dispersão entre peso (kg) versus altura Peso em kg Peso x Altura 0 5 10 15 20 25 30 35 180 160 140 120 100 80 60 40 20 0 y = 4,7016x +14,016 Fonte: elaborado pelo autor Com esse exemplo, podemos extrair as seguintes informações: o peso e a altura são variáveis diretamente proporcionais, ou seja, quando o peso aumenta, a altura 213 ESTIMAÇÃO aumenta também; o coeficiente angular da função é positivo, por isso, é uma função crescente. Portanto, as variáveis “x” (peso) e “y”(altura)são diretamente proporcionais. Através destes exemplos podemos ver que o diagrama de dispersão indica quão próximos ou afastados estão os pontos de um conjunto de dados em relação à reta média. Destacamos também a importância de reconhecer o sinal do coeficiente angular de uma reta do 1º grau para inferirmos como se relacionam as variáveis: se diretamente proporcionais ou inversamente proporcionais. Com isso, percebemos que o coeficiente angular positivo indica que a relação entre as variáveis é diretamente proporcional; enquanto o coeficiente angular negativo indica que a relação entre as variáveis é inversamente proporcional; já o coeficiente angular nulo indica que não existe relação entre as variáveis. A partir dessas informações podemos avaliar essas relações, porém, ainda não podemos indicar qual a intensidade dessa relação. Ao analisarmos um evento, precisamos indicar qual é a métrica que será dada para ele. Para medirmos a força da relação entre duas variáveis, estudaremos o coeficiente de correlação de Pearson. Essa força tem como métrica um valor que vai de -1 a 1, sendo que esse valor é positivo se as variáveis têm a mesma direção; e negativo se as variáveis têm direções opostas. 214 MÉTODOS QUANTITATIVOS Há três modos clássicos de duas variáveis se relacionarem: diretamente proporcional, inversamente proporcional e sem qualquer relação. É por meio do diagrama de dispersão que podemos analisar como se dão essas relações. Vamos imaginar, agora, que um conjunto de dados está disposto em torno de uma reta média. Esses dados podem estar acima da reta, abaixo da reta ou ao longo da reta e essa disposição denominamos de diagrama de dispersão. Podemos avaliar quão próximos ou quão distantes estão esses dados em torno da reta, sendo que essa disposição pode se dirigir para a mesma direção ou se afastar em direção diferente. Podemos, também, avaliar quanta força existe entre as variáveis, independentemente das direções que elas tomam. Para avaliarmos a força entre as variáveis, estudaremos o coeficiente de correlação de Pearson. É por meio do diagrama de dispersão que podemos analisar como se dão essas relações. 215 ESTIMAÇÃO Vejamos na Figura 50 como classificar a força da correlação com base no resultado obtido no coeficiente de correlação de Pearson: Figura 50 - Coeficientes de correlação positiva e negativa, respectivamente COEFICIENTE FORÇA COEFICIENTE FORÇA 1,00 Muito forte - 1,00 Muito forte 0,90 - 0,90 0,80 Forte - 0,80 Forte 0,70 - 0,70 0,60 Moderada - 0,60 Moderada 0,50 - 0,50 0,40 Fraca - 0,40 Fraca 0,30 - 0,30 0,20 Muito fraca - 0,20 Muito fraca 0,10 - 0,10 0,00 Nula 0,00 Nula Fonte: Martins e Domingues (2012) Dessa forma, utilizaremos o lado esquerdo do quadro quando a correlação entre as variáveis for positiva, isto é, quando elas “caminharem” no mesmo sentido; e usaremos o lado direito do quadro quando a correlação for negativa, ou seja, quando “caminharem” em sentido contrário. 216 MÉTODOS QUANTITATIVOS M ODELO MATEMÁTICO DO CÁLCULO DO COEFICIENTE DE CORRELAÇÃO DE PEARSON É possível calcular o coefi ciente de correlação de Pearson a partir de modelos matemáticos. O modelo de metodologia de cálculo do coefi ciente de Pearson é dado por ×√ ρρ = Sxy Szz Sxysendo que é o coefi ciente de correlação de Pearson. Para melhor entendimento, vamos segregar as informações do modelo: = −Sxy Σxy Σx × Σyn = −Sxx Σx2 (x)2 n = −Syy Σy2 (Σy)2 n Onde “n” é o número de observações feitas em nossa amostra. Quando agrupamos esses valores, podemos montar uma expressão que calcule o coefi ciente de correlação de uma forma mais sintetizada, como: (n × Σxi × yi ) − [(Σxi) × (Σii)] [n × Σx2 − ( Σxi)2] × [n × Σy2 − ( Σyi)2] √ ρ = 217 ESTIMAÇÃO NA PRÁTICA Imagine que uma empresa transportadora deseja analisar a relação entre o consumo de combustíveis e o peso do caminhão. Como a frota é muito grande, selecionou-se, aleatoriamente, 10 caminhões. Cada veículo selecionado foi pesado juntamente com o carregamento, em toneladas. Esses veículos foram abastecidos com óleo diesel. Ao voltar à empresa, foi anotado o consumo de combustível, em litros, por quilômetro rodado (km/l). Para esse caso, temos a variável independente (peso) e a variável dependente (consumo de combustível). Veja a tabela a seguir (Figura 51), que demonstra os dados desse exemplo. Figura 51 – Tabela da variável independente (peso) e a variável dependente (consumo de combustível) Veículo 1 2 3 4 5 6 7 8 9 10 Peso (Tonelada) 4,30 4,40 4,50 3,20 3,40 3,60 3,60 3,70 3,80 4,10 Consumo (km/l) 2,60 2,70 2,80 3,20 3,40 3,60 3,70 3,70 3,80 4,10 Fonte: elaborado pelo autor Na tabela, vemos que os dados estão apresentados em variável independente (peso) e variável dependente (consumo de combustível). A partir desses dados, você pode ver o diagrama de dispersão dessas variáveis em torno de uma reta, conforme a Figura 52, a seguir. 218 MÉTODOS QUANTITATIVOS Figura 52 – Diagrama de dispersão das variáveis em torno de uma reta Peso, em tonelada y = -1,5957x -4,1878 0,00 1,00 2,00 3,00 4,00 5,00 6,00 Fonte: Polli e Alves (2019) A informação mais importante que o diagrama de dispersão nos dá é a relação entre peso e consumo de combustíveis, que são diretamente proporcionais, isto é, quando o peso aumenta, o consumo de combustível também aumenta. Contudo, perceba que não nos informa quão intensa é essa relação. Além disso, a equação mostra que, para cada tonelada acrescentada no peso do veículo, há um incremento de 1,60 de consumo de combustível, em litros, para cada quilômetro rodado. Vamos analisar qual é a força da relação entre o peso de um veículo e o consumo de combustível por km rodado. A 219 ESTIMAÇÃO tabela a seguir serve de base para o cálculo do coeficiente de Pearson, usando-se a equação: (n × Σxi × yi ) − [(Σxi) × (Σii)] [n × Σx2 − ( Σxi)2] × [n × Σy2 − ( Σyi)2] √ ρ = A variável independente é “x” (peso do veículo) e a variável dependente é “y” (consumo de combustível) (Ver Figura 53). Figura 53 - Matriz dos cálculos base do coeficiente de Pearson VEÍCULO X Y X*Y X2 Y2 1 4,30 2,60 11,18 18,49 6,76 2 4,40 2,70 11,88 19,36 7,29 3 4,50 2,80 12,60 20,25 7,84 4 4,60 3,20 14,72 21,16 10,24 5 4,60 3,40 15,64 21,16 11,56 6 4,70 3,60 16,92 22,09 12,96 7 4,90 3,70 18,13 24,01 13,69 8 5,00 3,70 18,50 25,00 13,69 9 5,10 3,80 19,38 26,01 14,44 10 5,20 4,10 21,32 27,04 16,81 Soma 47,30 33,60 160,27 224,57 115,28 Fonte: Polli e Alves (2019) A partir das informações da matriz da tabela anterior, vamos proceder os passos para o cálculo do coeficiente de correlação de Pearson. 220 MÉTODOS QUANTITATIVOS n × ∑x × y − ( ∑x × ∑y) (numerador da equação). Vamos multiplicar o número de observações feitas (n=10) pela soma da quarta coluna e subtrair pelo produto da soma da segunda coluna pela soma da terceira coluna: 10. 160,27 – (47,30 . 33,60) = 13,42 Resolvido o numerador vamos para o denominador onde temos duas partes para serem resolvidas e depois multiplicadas e, por último, extrair a raiz quadrada do resultado. Para resolver a primeira parte, multiplicamos o número de observações (n=10), pela soma da quinta coluna e subtraímos pela soma da segunda linha elevada ao quadrado. Assim temos: [n × Σx2 − ( Σxi)2] = 10 × 224,57 −(47,30)2 2245,70 − 2237,29 = 23,84 Quanto à segunda parte, novamente multiplicamos o número de observações (n = 10) pela soma da sexta coluna e subtraímos pela soma da terceira linha elevada ao quadrado. Como está desmonstrado: [n × Σy2 − ( Σyi)2] = 10 × 115,28 − (33,60)2 1152,80 − 1128,96 = 23,84 221 ESTIMAÇÃO Ainda falta, para completar o denominador, multiplicar esses dois resultados e depois extrair a raiz quadrada: 8,41 × 23,84 =√ 200,4944 = 14,1569√ Agora já temos o numerador e seu denominador prontos. Vamos dividir um pelo outro e teremos o coeficiente de
Compartilhar