Speaker A
Processamento e Análise de Dados da Ufscar (panda): Então hoje nós vamos começar a aula 5 do icd, tá que é a introdução estatística dois hoje, nós vamos contar com o Pedro e com a Marcela e espero que vocês
Aula introdutória de estatística do PET Estatística (UFSCar) cobrindo medidas de tendência central (frequência, moda, média, mediana) e início de medidas de dispersão.
Key Takeaways
- Medidas de tendência central (moda, média, mediana) resumem onde os dados se concentram.
- A média é sensível e fácil de interpretar; a mediana representa o valor central dos dados ordenados.
- Medidas de dispersão, como variância e desvio padrão, indicam o quão espalhados estão os dados em torno da média.
- Tabelas de frequência e gráficos de barras facilitam a visualização de dados categóricos.
What the video covers
- Apresentação da aula 5 do ICD, introdução à estatística II, com os monitores Pedro e Marcela do PET Estatística.
- Explicação de medidas de tendência central como forma de entender o comportamento dos dados ao receber uma base.
- Definição de frequência e exemplo com a pergunta sobre cores favoritas de 15 amigos.
- Definição de moda, conjuntos bimodais, trimodais, multimodais e amodais.
- Construção de tabelas de frequência e gráficos de barras para visualizar resultados.
- Definição de média como soma dos dados dividida pela quantidade, com exemplo de idades.
- Definição de mediana como valor central de dados ordenados, incluindo o caso de quantidade par de dados.
- Início da segunda etapa: medidas de dispersão, que mostram o quão distantes os dados estão da média.
- Introdução à variância e ao desvio padrão, com o desvio padrão na mesma escala dos dados.
- Discussão sobre boxplot, simetria, correlação e demonstração prática com código em Python (pandas) para gerar e analisar dados.
Chapters
Full Transcript — Download SRT & Markdown
Speaker A
tenham uma boa aula. Marcela Jacob Moreira de Souza: Olá pessoal, boa noite. Eu sou Marcela e eu tô com meu colega Pedro, a gente é do Pet estatística e a gente veio dar uma aula de estatística básica para vocês que é uma aulinha de
Speaker A
produções estatística um pouco sobre os conceitos iniciais mesmo assim. Pedro Henrique de Araujo: Bom como a Marcela falou Seu Pedro sou do Pet estatística e a gente vai começar a apresentar aqui os slides para vocês, tudo bem?
Speaker A
É caso vocês tenham alguma dúvida ou esteja muito rápido explicação, vocês não tenham entendido algum conceito?
Speaker A
podem mandar aí no chat do YouTube. Que aí a gente que a gente para explica para alguma parte. Caso vocês não tenham entendido ou também alguma explicação?
Speaker A
Bom é para começar nossa aula é a gente vai começar um pouco falando sobre medidas de tendência Central. É que são medidas que a gente usa para ver como que os dados estão localizados na nossa na nossa base de dados Normalmente
Speaker A
quando a gente recebe alguma base de dados é a primeira coisa que a gente é recomendado fazer é uma análise.
Speaker A
de como os dados estão se comportando na nessa base que a gente recebe é como que eles estão posicionados a gente quer achar algumas medidas importantes para escrever o comportamento dos dados e aqui a gente vai passar é algumas
Speaker A
para vocês são algumas medidas normalmente que a gente vê no ensino médio estudando para vestibular.
Speaker A
porém vou tentar explicar como se vocês nunca tiverem visto então caso tenha alguma dúvida só perguntar. Começando com um exemplinho é a gente tem aqui várias cores. Aí a gente tem aqui o Pou o Pou perguntou para os 15 amigos dele é quais são as
Speaker A
cores favoritas deles é e aqui a gente tem a resposta de todos os amigos dele. porém.
Speaker A
como que a gente pode organizar esses resultados e apresentar os resultados bom a primeira forma que a gente vai?
Speaker A
usar para mostrar esses dados é a frequência a frequência é quantas vezes esse resultado aparece no nosso conjunto de dados?
Speaker A
então por exemplo, a gente tem as cores. Então a gente vai contar quantas vezes as cores aparecem no nosso nos nossos dados outra medida também muito comum é a moda que é qual que é o resultado que mais se repete.
Speaker A
É então quando a gente tem esses dados normalmente a gente olhando a moda que é o resultado mais aparece a gente consegue ver é qual que é nesse caso é por exemplo a opinião mais popular.
Speaker A
para apresentar esses resultados é uma maneira simples e mais didática da gente fazer é organizando numa tabela de frequência como funciona uma tabela de frequências a gente tem.
Speaker A
uma coluna que é a coluna que a gente vai colocar o resultado ou o valor que a gente tá vendo nesse exemplo são as cores e na outra coluna a gente coloca a frequência. Nesse exemplo. Por exemplo, a gente coloca a cor
Speaker A
rosa e do óleo a gente coloca. Qual é a quantidade de vezes que a cor rosa apareceu e faz isso com todas as cores?
Speaker A
Porém quando eu falei anteriormente além da frequência a gente tem a moda que é uma medida para ver qual o valor mais se repete e aqui a gente consegue ver que a cor que mais se repete é o
Speaker A
rosa com 6 aparições então, ele é a moda do nosso dos nossos dados é um lembrete importante é que nesse caso a gente só teve 15.
Speaker A
respostas, porém se a gente tiver perguntasse a cor favorita de todo mundo da UFSCAR, por exemplo, a gente teria muitas respostas então.
Speaker A
tenham várias cores e tem risco de empatar por exemplo duas mil pessoas preferem azul duas mil pessoas preferem vermelho, então a gente chama isso de um conjunto bimodal que é um conjunto que tem duas modas e assim como ele tem duas moldes
Speaker A
ele pode ser trimodal até multimodal com vários valores que se repetem o mesmo número de vezes. E a modal é um conjunto que a gente fala que não tem moda ou seja, não tem nenhum valor que se repete não
Speaker A
desculpa, né? Não tem nenhum valor que se repete não tem nenhum valor que é o mais.
Speaker A
Favorito nesse caso das cores. Mas normalmente é a gente tem uma moda em caso discreto, por exemplo.
Speaker A
A gente fez anteriormente a gente organizou as nossas cores. Em uma tabela de frequências.
Speaker A
Porém uma outra forma que a gente tem de organizar essas cores. é num gráfico de barras no gráfico de barras, a gente organiza todas as nossas todas as nossas valores que a gente tem que nesse caso são as cores
Speaker A
e a gente representa a frequência absoluta que põe a frequência que a gente calculou anteriormente das nossas cores.
Speaker A
Então como vocês podem ver aqui nesse gráfico de barras dá para ver de uma forma mais fácil, é qual que é a cor que mais repetiu se a gente tivesse por exemplo 15 cores é a gente teria que ver cor por cor na
Speaker A
nossa tabela de frequências. Qual foi a cor que mais repetiu Nesse caso a gente consegue ver claramente aqui que o rosa ele sobressai e tem uma frequência uma frequência absoluta maior de 6 pessoas preferem rosa e assim como a gente consegue ver o
Speaker A
valor que mais repetitivo a gente consegue ver o valor que menos repetiu que nesse caso é o verde então o gráfico de barras é uma maneira mais. A parte da gente visualizar os nossos resultados é que às vezes quando
Speaker A
a gente tem um número grande de valores, a gente não consegue observar é tão certamente assim no na tabela de frequências.
Speaker A
Marcela Jacob Moreira de Souza: Aí a gente vem para segunda para continuar essa primeira etapa, eu vou falar um pouco de média e de mediana.
Speaker A
e o Pedro deu essa ideia de como organizar e visualizar os dados, mas uma outra ideia é pensar.
Speaker A
Como que a gente pode resumir um conjunto de dados em apenas uma informação. Por exemplo se a gente está em considerando em falar a idade de todo mundo aqui na live poderia falar O Pedro tem 20 anos. A Marcela tem 20
Speaker A
anos a Isabela tem uma idade e só que isso é muito é muito grande. Às vezes você tem conjunto de milhares de dados e uma forma de resumir, por exemplo é a média que é muito comum para idade a gente pode
Speaker A
resumir a média da idade que talvez seja. Também seja 21 22 essa ideia da Média a média basicamente. O que que a gente faz a gente soma todas todos os nossos dados e divide pela quantidade de dados ou seja
Speaker A
essa maioridade a do Pedro com a da Isabela e a gente vai dividir por 3 a gente vai ter a média da idade de nós três.
Speaker A
um exemplo muito legal é nessas idades. A gente pode pegar cinco pessoas, por exemplo. A pessoa tem 18 uma tem 19 uma tem 20 uma 21 e uma 22.
Speaker A
Qual que é a média? A média é 20 anos nessa nesse exemplo que a soma é sempre a gente divide por 5 tá bom e a outra outra medida também super legal é a mediana.
Speaker A
a mediana, ela é o valor central, ou seja ela o valor ela o valor que tá no meio da ordenados então para mediana a gente tem que ordenar os dados literalmente como que eu falei 18 19 20 21 e 22 e os dados não
Speaker A
podem estar embaralhados se eles estiverem embaralhados a gente ordena e a mediana é sempre o valor. É o valor que tá no meio ou seja, se a gente tem cinco dados a gente deixa dois para direitas e dois para esquerda e
Speaker A
nesse caso a mediana também é 20 ela pode passar. Aqui tem uma ideia mais visual da mediana, só que eu falei da mediana no exemplo que a gente tem dados com quantidade de zíperes que é literalmente isso daí que a gente tem duas
Speaker A
bolinhas pequenininhas que são essas verdinhas duas bolinhas maiores e a gente tem a bolinha do meio é a que realmente divide os dados de 50% para um lado 50% para o outro.
Speaker A
mas a gente pode ter o exemplo em que os dados são pares se você verem não tem nenhuma bolinha entre o amarelo e o laranja passa o cursor aí no meio para você conseguir.
Speaker A
Basicamente isso não tem nenhuma bolinha. Aí a gente tem seis dados a gente tem três para direita e três para esquerda, não tem nada que divide aí a solução para quando os dados são pares É somar a bolinha amarela
Speaker A
com a bolinha laranja e dividir por dois pode passar. Pedro Henrique de Araujo: espera aí Marcela Jacob Moreira de Souza: Não tem problema. e Pode deixar a tela inteira.
Speaker A
A gente tem. opções diferentes em usar média e a mediana uma coisa que é um ponto negativo da média é que ela sofre muita.
Speaker A
muita intercessão de valores altilares, por exemplo se eu tenho meus cinco valores 18 19 20 21 22, só troca esse 22 por 62. Que que vocês acham que vão acontecer a média ela vai crescer muito a média vai
Speaker A
crescer para 28 anos só em trocar uma unidade de valor, mas a mediana ela permanece igual ela permanece sendo 20 o valor do meio então quando a gente tem banco de dados como o outlanders que não necessariamente são erros vão
Speaker A
deixar claro out lá ele nem sempre é um erro, porque por exemplo a gente poderia ter uma pessoa de 62 anos assistindo aula que faz graduação, esse dado não é um erro. Eles são um valor muito diferente do
Speaker A
restante. Ele é um valor que tá longe do nosso das nossas nuvenzinhas de dados aqueles amigos distante. E a mediana é isso?
Speaker A
Pedro Henrique de Araujo: É só te interrompendo um pouco Marcelo só para esclarecer. Outlander é o que a gente chama na estatística de um valor descrepante, ou seja é um valor que ele exorbita muito do dos valores que a gente tem
Speaker A
normalmente então por exemplo a gente tivesse conversando com da cidade se a gente tivesse sei lá idade de 17 a 21 anos 17 18 21. Aí do nada tem um 47 esse 47 é o que a gente chama de outlaia que é um
Speaker A
valor que ele passa ele tem de muito para um valor muito maior ou muito mais baixo do Marcela Jacob Moreira de Souza: importante que também como eu falei que eles não necessariamente são eles mas eles podem ser um erro, mas
Speaker A
nesse caso não são então uma pessoa de 65 anos uma pessoa de e uma bomba mediana é quando a gente tem usado simétricos, eu acho que foi comentado na última aula sobre assimetria tanto assimetria direita quanto a simetria e esquerda o Pedro
Speaker A
mostrou ali no histograma Que Vocês conseguem ver que ele que eles têm fraldinha, tipo um lado e para o outro aí é legal o uso da mediana porque o que acontece a média ela costuma ser puxada para o lado
Speaker A
daqui tem essa caldinha então a média às vezes pode não explicar. uma parte do conjunto, por exemplo. A gente vai tratar aqui com Um salário a gente tem que duas uma pessoa tem mil recebe mil até 2000 outra
Speaker A
3000 e do nada a pessoa recebe 50 mil 100 mil a nossa a nossa média vai mudar muito vai crescer muito só que a mediana não necessariamente a mediana fica ali no centro e ela pode explicar uma ideia Geral do
Speaker A
banco como todo quando a gente tem esse tipo esse tipo de tipo de característica.
Speaker A
Só que uma coisa legal da média é a interpretabilidade. Ela é muito fácil de apresentar e ela geralmente a medida que o pessoal usa como padrão. Ou usa como a primeira instância de alguma coisa é a média e a
Speaker A
mediana não tem essa ideia tão Clara do que é não é para fácil para todo mundo, o que é uma mediana, mas todo mundo já tem essa ideia do que é uma média.
Speaker A
Ah um valor médio um preço médio, entendeu? Então é isso e um ponto que é bom destacar como Pedro já falou que antes de começar qualquer análise de dados é sempre fazer a descritiva fazer o histograma que ele falou eu vou apresentar
Speaker A
mais um gráfico mais para frente que fala exatamente sobre isso você consegue ver muito sobre os gráficos onde de você seguir com qualquer coisa na estatística ou na análise de dados em geral.
Speaker A
Aqui a gente tem um exemplo que é o rendimento de dividendos o bolinho mais alto. Imagine que você está mostrando ao investidor ainda passiva gerada pelos dividendos de sua carteira. É como fundo de inicio.
Speaker A
ao longo de cinco meses para aquele planeja o orçamento mental mensal aqui esse exemplo pode ser expandido para várias coisas por exemplo você investe. em qualquer lugar.
Speaker A
Pode investir em qualquer ideia a gente quer saber. Que no primeiro mês você vai receber mil reais em dividendos no segundo mês r$ 1000 no terceiro mês r$ 1200 no quarto mês 1200 e no quinto mês 5.600.
Speaker A
Qual que é a média nesse exemplo a média nesse exemplo pode passar é r$ 2.000, como que se calcula a gente soma todos os valores vinhos aqui ó. dos reais e dividir por 5 que a quantidade de meses que a gente tem e já a
Speaker A
mediana é 1.200. Lembra como que eu falei a mediana você ordena do menor valor maior e pega o valorzinho do meio.
Speaker A
e como eu falei. Eles não é melhor que a outra Elas mostram coisas diferentes sobre o banco de dados é uma parte importante para se destacar pode passar.
Speaker A
Mas um exemplo é a mediana. Eu acho que por alguma coisa exemplo 2 não tá saindo. Aí foi? Agora a gente muda o salário o cenário para folha salarial de um departamento discute e análise de desempenho então aqui a gente está tratando
Speaker A
com salários e a gente vem aqui um estagiário ganha 3000 bom, mas não é em todos os casos que está ganhando 3.000 um analista Júnior ganha 3.500 um analista pleno 4000. 4.500 e do nada vem um diretor de futebol que a
Speaker A
gente sabe que o salário é muito maior que ganha r$ 40.000. Vocês conseguem perceber que esse 40 mil vai mudar muito a nossa média vai mudar muito porque a gente estava na faixa de três a quatro mil e do nada
Speaker A
um valor de 400 mil vai crescer muito a nossa média um valor só apenas uma mudança de valor pode alterar diretamente a média e um valor não não necessariamente é capaz de alterar mediana. Essa que é essa que é o legal da mediana,
Speaker A
ela é mais estável nesses casos a gente tem alar que a média é 11 mil soma todos os valores e divide por 5 e a mediana que é o valor Central que a gente ordena é 4000 então a mediana
Speaker A
ela não cresce do nada não. É porque subiu um valor grandão lá no final que a mediana necessariamente vai mudar muito.
Speaker A
Pode passar. Pedro Henrique de Araujo: Esse 40 mil que a gente falou que é um outline anteriormente esse valor exorbitante e como o Marcelo falou ele afeta muito a média. Então nesse caso seria melhor usar mediana porque ela
Speaker A
representa melhor caso a gente queira achar o valor central do salários. Marcela Jacob Moreira de Souza: E eu vou mostrar para vocês também mais para frente.
Speaker A
Como identificar esses outlanders porque às vezes um valor é grande e ele não necessariamente é um hotline, esse 40 mil tá um pouco óbvio que é um hotline, mas é ver se surgisse um valor 10.000. Ele é maior só que não necessariamente
Speaker A
ele pode ser um tilápia. Às vezes ele é um valor que está mudando mas não tanto pode passar.
Speaker A
Agora a gente vai para segunda etapa que é medida de dispersão. Pedro Henrique de Araujo: bom falando um pouquinho mais agora das medidas de dispersão é o contrário das medidas de tendência que a gente viu anteriormente é as medidas de
Speaker A
dispersão vão dar uma ideia de como os dados eles estão dispersos no nosso conjunto de dados como anteriormente a gente queria achar por exemplo a posição Central deles é agora a gente quer ver com espalhado.
Speaker A
Eles estão no nosso conjunto de dados. primeiramente eu vou falar da Sobre a amplitude é amplitude é um conceito até que um pouco óbvio que é quando você ordena os seus dados é do menor valor para o maior valor e você faz a
Speaker A
diferença do maior para o menor valor então por exemplo nesse caso aqui a gente tem essas bolinhas. Essa aqui é menor.
Speaker A
Essa é a maior então a gente teria que essa é a nossa amplitude e a gente teria uma ideia boa de qual é o intervalo que os nossos dados variam.
Speaker A
Agora a gente vai para um conceito um pouco mais. complexo dia que é a variância.
Speaker A
A variância é uma medida estatística que a gente usa muito e que é a medida principal de medir a dispersão dos dados ou seja o quão esses dados estão dispersos no nosso conjunto de dados.
Speaker A
nesse caso da variância a gente mede quando a gente vai falar de dispersão, ou seja como espalhados eles estão a gente tem que ter um ponto de referência o que? Os dados estarem espalhados tem que ter um ponto de referência e nesse
Speaker A
caso o nosso ponto de referência é a média como a Marcela falou anteriormente a medida mais usada para a gente ter de tendência central ou seja, qual que é a medida central do nosso conjunto de dados é a média então a
Speaker A
variância ela mede o quão longe os nossos dados estão em geral da Média agora tem uma parte um pouco mais matemática da coisa é a gente botou aqui, mas não necessariamente é tão importante que são as fórmulas da variância. estatística, a
Speaker A
gente trabalha muito com conceito de população e amostra É explicando um pouquinho por cima, essa diferença é a população é todos os nossos dados que a gente é que é observar então por exemplo a gente quer fazer uma pesquisa aqui na
Speaker A
cidade de São Carlos. Qual que é o peso médio dos habitantes daqui? fazendo isso a gente não consegue pegar todos os dois mil e poucos habitantes que tem na nossa população então.
Speaker A
para a gente fazer uma análise um pouco mais um pouco menos custosa é mas ainda assim.
Speaker A
de um jeito certo de um jeito certeiro a gente pega o que a gente chama de amostra. Ou seja a gente pega um valor significativo de pessoas chutando aqui duas mil pessoas que é mais barato.
Speaker A
Que realiza todos esses estudos que a gente quer dentro da nossa mostra E no caso da variância a gente tem a fórmula da variância populacional que a gente representa por essa letra grega.
Speaker A
Sigma ao quadrado que a gente calcula a soma esse símbolo aqui é um somatório a gente faz a soma do quadrado.
Speaker A
do da nossa observação que a gente representou de XVI menos a média que a gente representou por essa letra grega mi.
Speaker A
Dividido por n que é o tamanho total da nossa população. pode Marcela Jacob Moreira de Souza: Eu posso fazer um comentário parece um pouco às vezes? assustador para quem não é da área de exatas, mas não é uma fórmula difícil e uma
Speaker A
fórmula que é facilmente calculado por softwares, por exemplo Python que foi apresentado na outra calcula isso em milímetros de segundo.
Speaker A
Então apesar de talvez assustar um pouquinho é bem tranquilo de talvez computacionalmente até na mão mesmo se for fazer um exercício.
Speaker A
Pedro Henrique de Araujo: Sim, é e se você se parar um para pensar um pouco é basicamente o que a definição fala a gente quer ver o quão longe os dados estão da Média então a gente pega o valor da
Speaker A
nossa observação a gente subtrair da média Aí a gente vai ter uma noção do quão longe, ele tá da Média, por exemplo se a média 10 e o nosso dado quando a gente observar é 13 13 - 10 dá
Speaker A
3 ou seja, ele tá três unidades longe da Média. nesse caso aqui a gente leva ao quadrado, porque normalmente os dados são negativos e a gente quer. tirar essa esse fator negativo, então a gente leva ao quadrado. O somatório ele vai
Speaker A
somar todas as nossas observações. Então a gente vai somar todos esses desvios ao quadrado e a gente divide pelo valor total. Ou seja a gente vai fazer uma média desses desvios e a gente vai achar meio como se
Speaker A
fosse desvio médio da nossa dos nossos dados. porém como eu falei anteriormente muitos casos a gente não não tem acesso à toda população então a gente pega uma amostra e para mostra a fórmula da variância vai mudar a gente representa por
Speaker A
essa ao quadrado e aqui em vez de ser o me representando a média a gente tem o x/ que vai ser a média ou seja.
Speaker A
particularmente todos os valores dividido pelo tamanho da nossa amostra e a gente vai substituir o que antes era média populacional. Agora a gente vai ter a média amostral. Em vez de dividir por n a gente divide por n menos um essa explicação do
Speaker A
porquê n - 1 é um pouco mais chatinha um pouco mais entre um pouco mais na parte da estatística do que é um vício de um estimador. Então caso alguém tem alguma dúvida a gente pode explicar mas é só uma correção para um
Speaker A
conceito estatístico, mas em geral quando o tamanho da nossa mostra por muito grande isso nem vai importar tanto.
Speaker A
Aqui para vocês terem um exemplo do que seria uma variância alta e uma variância baixa. Vamos considerar que esses daqui são nossos conjuntos de dados e essa Barrinha azul aqui no meio é a nossa média e assim que não tinha respeito são
Speaker A
nossos dados assim que eles estão dispersos em volta da Média como vocês podem ver todos eles estão bem concentrados em volta da média se a gente tivesse valores correspondente a esses pontos.
Speaker A
e essa Média a gente poderia calcular e a gente deveria que um valor da nossa Valência não seria tão alto porque como vocês podem ver eles não estão tão espertos em relação a média porém nesse caso.
Speaker A
tá vendo como Cada um tá em um ponto do eixo e ele não estão bem colocados em volta da média nesse caso a gente teria uma variância alta por conta de que a maioria deles está tá vendo esses pontos
Speaker A
extremos eles estão muito longe da Média, então ele vem influenciar muito o valor da nossa variância o que ia levar o valor dela.
Speaker A
Então, ou seja, quanto maior é a nossa variante quanto fazer quanto mais espalhados nossos dados estão em torno da nossa média maior vai ser a variância deles. Eu coloquei no começo que a gente explicar também, o que é
Speaker A
o desvio padrão. O desvio padrão nesse caso é a raiz da variância. Ou seja a gente pega o valor da nossa variância e tira a raiz, mas aí fica uma dúvida, Qual é a diferença da gente calcular a
Speaker A
variância e o desvio padrão que é basicamente a raiz da nossa variância. A gente tá calculando algo que representa a mesma coisa que a gente acabou de calcular. Então o que qual que é a diferença entre esses dois.
Speaker A
em primeiro lugar a variância a gente usa mais em fórmulas estatísticas em formas matemáticas por conta de que para quem não é da Matemática.
Speaker A
Nunca teve cálculo é. Pode parecer um pouco complicado é mas é por conta da continuidade da diferenciabilidade da variância, ou seja ela é uma função contínua e ela é uma função que a gente consegue derivar. Então quando a gente
Speaker A
quer fazer alguma forma que envolve derivada envolve integral ou algo do gênero, a variância é mais recomendada porque ela tem essas propriedades que são boas no caso de dessas fórmulas Matemáticas.
Speaker A
Como eu falei ele é a raiz da variância. Então por que que a gente optaria usar o desvio padrão em função da variância é quer dizer ao invés da variância? Porque o desvio padrão ele representa os nossos dados na escala que eles estão.
Speaker A
Porque como a gente eu mostrei anteriormente vou até voltar um pouco na fórmula da variância os nossos dados a gente leva a eles ao quadrado. então elevando eles ao quadrado o valor da variância vai dar um valor muito
Speaker A
grande, eu vou mostrar um exemplo depois para vocês. tirando a raiz deles, eles vão ficar na mesma escala dos dados ou seja, eles vão ficar com valores parecidos com os nossos dados originais Originalmente.
Speaker A
Então a gente vai ter uma noção melhor do que é o desvio médio dos nossos dados mostrando um exemplo para vocês a ficar mais claro. Do quanto de qual usar bom nesse exemplo a gente tá usando aquele mesmo
Speaker A
exemplo que a gente usa anteriormente? da folha salarial desses cargos que a gente está mostrando. Calcular amplitude deles que é uma medida que eu também mostrei a gente consegue ver pegando o maior valor que é diretor de futebol e
Speaker A
subtraindo o valor do menor é cargo menor salário que é o de estagiário a gente consegue ver que a amplitude é de 37 mil reais ou seja comparar o primeiro e o último cargo em questão. Salário tem uma
Speaker A
diferença de 37 mil reais entre um e outro. Agora da variância é como a gente tem cinco cinco cargos, a gente teria calcular primeiro o quanto esses dados estão desviando da Média elevar o quadrado e depois dividir pelo
Speaker A
número total que é 5 fazendo isso aqui Aos poucos a gente pega primeiro estagiário pega o valor do salário dos estagiário. Tira da Média que a gente calculou anteriormente deu 11 mil reais eleva ao quadrado e vai dar
Speaker A
menos menos 8.000. Lembra que a gente falou antes que a gente leva ao quadrado para tirar esse fator da negatividade porque não existe por exemplo como desperte, eles estão eles estão menos oito mil unidades de peças. Aí ficaria um
Speaker A
pouco esquisito, né? Então nesse caso a gente leva ao quadrado e a gente vai fazer isso com todos os nossos cargos fazendo isso a gente vai somar quanto deu. esses desvios quadrados e divide por 5 que é o
Speaker A
número de cargos totais e a gente vai ter uma variância bem grande que é de 210 milhões de Reais, lembra que eu falei para vocês que a variância como a gente leva ao quadrado, elas ela normalmente é um número muito grande, então a
Speaker A
gente vai tirar a raiz dessa variância e chegar no valor de 14.58,62 centavos que a nossa viu padrão e como você viu Padrão, a gente vai ter uma interpretação melhor do É a variabilidade de salário Entre todos esses cargos que é
Speaker A
de 14 mil reais o que faz sentido porque esse valor 40 mil tem influenciando muito. Então como eu falei antes é tirando a raiz da variância encontramos e o padrão a gente consegue ter uma interpretabilidade melhor do quão é o verdadeiro desvio
Speaker A
médio dos nossos dados. Esse aqui é uma breve revisão do que a gente acabou de mostrar essa parte de medida de dispersão.
Speaker A
Marcela Jacob Moreira de Souza: É agora a gente vai falar de um outro gráfico, lembra que eu comentei no começo que é ele? Dá uma visão mais. Ele tipo assim no box a gente consegue ter uma visão mais
Speaker A
Geral de todas essas medidas. essas meninas de dispersão e também você pode ser? Pode ouvir o nome explode como um diagrama de caixa também é muito comum e para entender esse gráfico. A gente tem que passar para a próxima que talvez seja
Speaker A
melhor de de falar Isso pode passar. gente visualiza ele meio que por etapas. Mas sabe essa linha verde bem grande essa marcada ali no meio, passa a costura aí, essa é a mediana que é o que a gente quer o que a gente falou
Speaker A
até agora é o valor que divide os dados 50% para direita 50% para esquerda.
Speaker A
Essa linha roxa da parte de baixo é o primeiro quartil é um valor ele parece a mediana só que ao invés de dividir 50% para direita e 50 para esquerda, ele divide 25% para direita e 75% para esquerda. A mediana é o que
Speaker A
a gente chama de um plantio é um valor. Pedro Henrique de Araujo: Contrário é 25 para a esquerda e 75 para a direita.
Speaker A
Marcela Jacob Moreira de Souza: É um valor é um plantio é um valor que a gente coloca lá e ela deixa o valorzinho para um lado um valorzinho para outro lado e a mesma coisa a gente tem vários plantios e um
Speaker A
infantil muito famoso esse de 25% e o outro lá em cima é o de é o terceiro quarto de 75% que ele deixa 75 para esquerda.
Speaker A
e 25 para direita isso deixa então 75% da total dos dados para esquerda e 25 para direita. Talvez seja meio.
Speaker A
Visualizar Mas é a mesma ideia a gente tem cinco dados a mediana. Deixa dois para um lado dois para o outro é o primeiro quartil deixar tem exatamente quantidade de dedos para isso, mas deixa mais ou menos um lado
Speaker A
um dedinho para direita e o terceiro dedinhos para esquerda e o 75 partiu deixa quatro dedinhos. dedinhos três dedinhos para direita e um para a esquerda.
Speaker A
Aí a gente tem essas linhas retas que a gente pode chamar de braço, bigode Ele eles mostram eles são mostra um pouquinho mais também da variabilidade e tá vendo essa Barrinhas que tem nele dá uma passadinha no slide tem mais um
Speaker A
mais um pouquinho para mostrar ainda. Faço o slide passa. Toca um pouquinho não só com mouse mesmo.
Speaker A
Pedro Henrique de Araujo: Aí tem que voltar. Marcela Jacob Moreira de Souza: e isso nesses topinhos é o que a gente chama de limite. Então a gente tem um limite inferior que é de baixo e o limite superior e esse
Speaker A
limite é de é calculado pelo intervalo intercontil o intervalo de ter quartil é o é o Q3 que é o que deixa 75% dos dados menos do que um que deixa 25% do dado. Então esse intervalo mostra. 50% dos
Speaker A
dados médios, tá bom? É muito parecido com o Inter. O Pedro deu agora a pouco no exemplo.
Speaker A
E para que que é importante calcular esse intervalo entre quartil porque é a partir desses limites é o que a gente calcula como tá ali embaixo é o Q1 menos 1,5 x esse intervalo e o limite superior é o Q3 mais 1,5
Speaker A
vezes esse intervalo intercortil, porque acima desses ou acima desse intervalo ou abaixo a gente tem o que a gente chama de outline que eu falei que a gente aprender a calcular hoje, então os outlares são esses valores que eles não
Speaker A
se enquadram nesse limite então todo o valor que tá para cima dessa limite do Bigode ou para baixo do limite do Bigode são mutiles que a gente falou que pode positivo ou negativo, a gente pode ter um número muito
Speaker A
grande ou um número muito pequeno que é um outlet. E o legal do blocosport é que você consegue ver muito mais do que só.
Speaker A
essas medidas assim além do Outlander e da mediana ou de outros infantis no geral você consegue ver também simetria e assimetria que foi dada um pouquinho na última aula. Se vocês verem é a caixinha. Ela tá deslocada um pouquinho para
Speaker A
cima. Vocês estão vendo o bigodezinho de cima é menor do que o bigodinho que tá aqui embaixo ele o que significa que a gente tem uma simetria mais puxada para o lado. Mais puxada para o lado do bigodinho
Speaker A
que tá maior. Então a gente tem bastante dados aqui e o bigode está maior ele é puxadinho vocês estão vendo e então a gente consegue já ver aqui. Hum, talvez nesse caso que os dados forem muito diferentes, talvez a
Speaker A
média não seja uma medida Central tão legal então se tivesse simetria Evidente a gente pode usar mediana. Aqui a gente também consegue ver a dispersão dos dados a Pedro falou sobre variância sobre padrão a gente consegue ver dispersão dos dados então se a
Speaker A
sua caixinha que essa intervalinho entre partiu for grande, a gente tem uma variação muito grande de dados a gente pode ter que o dado que ele tá por 5 e o outro selva enfim aguenta a gente varia muitos usados, se ela for
Speaker A
pequenininha a gente pode talvez estar entre 5 e 10 a maioria dos dados ali, entendeu? Essa é muito legal o box bote eu acho que ele é um queridinho da estatística, é que você consegue visualizar muito de tudo que a
Speaker A
gente precisa meio que básico de uma variável ou dos dados em geral ali. Então, ele é muito importante, por isso ele é muito usado.
Speaker A
Pedro Henrique de Araujo: Só complementando um pouquinho que a Marcela falou É da dispersão.
Speaker A
é se vocês olharem essa linha aqui que é a mediana e a gente explicou antes que ela divide os dados 50% de 50% para baixo 50% para cima.
Speaker A
nessa distância aqui entre esta parte essa parte e essa parte e essa parte tem o mesmo número de dados só que se vocês olharem.
Speaker A
parece que tem esse espaço aqui é muito maior do que esse espaço aqui mesmo tendo a mesma quantidade de dados isso entra um pouco na questão de dispersão que a gente falou antes. Aqui os dados estão mais dispersos. E
Speaker A
aqui os dados estão mais concentrados. Ou seja igual a Marcela. Falou dá para ter uma ideia de dispersão de primeira esse conceito de quartil de box.
Speaker A
Pode parecer um pouco confuso, mas caso você tem de um conjunto de dados muito grande é vocês queiram olhar essas medidas Tem que fazer o box.
Speaker A
Pote que aí vocês vão ter uma ideia muito legal de como os dados, eles estão se comportando.
Speaker A
Marcela Jacob Moreira de Souza: Então como Pedro falou apesar de ter o mesmo número de dados para direita e para a esquerda.
Speaker A
eles têm quantidades diferentes. Às vezes você pode ter muitos dados grandes aqui e aqui você tem um dois três, talvez a idade 18 19 20 aqui você pode ter 21 22 60.
Speaker A
70, então é por isso que muda essas caixinhas muda a variabilidade em torno da Média que é a variância Pode passar Pedro.
Speaker A
Aí a gente tem um exemplo um professor muito curioso que vai analisar o rendimento da sua sala usando um blocosport desse modo, ele obteve o seguinte era para ser resultados ali o Eduardo 5.4 o João 7.5 O Glauber
Speaker A
8.3 e o Heitor 2.6. Pode passar. Aí esse foi o bloco explode plotado ó, a gente a ideia lembra vamos sempre vamos tentar enxergar mediana primeiro que a primeira coisa que a gente nota no box forte que essa
Speaker A
linha mais pretinha que no outro tava verde aí tá um negrito, a gente tem que ordenar os dados.
Speaker A
Você pode passar no cursor Pedro para mim se vocês verem. Os dados aqui não estão ordenados então a gente ordena então a menor nota é o 2.6 que é o leitor, depois vem o Eduardo com 5.4 vem o João 7.5.
Speaker A
O Glauber. 3 e o Luciano com 10 e só a partir daí de ordenar os dados que a gente pode haver a mediana a mediana é o terceiro valor, ou seja é o João. e se vocês virem a linha no Negrito e
Speaker A
ver mais ou menos o valor que dá é 7.5 que é o João. E lembra que eu falei também também é muito legal olhar o tiláia de primeiro é mais ou menos essa sequência que eu gosto de olhar
Speaker A
tem várias sequências e a gente vê que não a gente não tem anti-laia, a gente não tem nenhum valor muito discrepante assim que fala. Nossa, esse cara tá muito diferente dos demais. Não tem nenhum e a gente tem que a nossa intervalo a
Speaker A
nossa caixinha ela não é tão pequenininha. Ela é meio grande e não é o que significa que a variância vai ser até meio grandezinha porque a gente tem poucos dados se a gente tem 50 dados e a caixinha
Speaker A
é desse tamanhozinho, beleza? Talvez não mostre uma expressão tão grande, mas com essa quantidade de dados pequenos a gente tem uma caixinha grande e a mesma ideia de da mediana até o bigodinho de cima ou da mediana até o
Speaker A
bigodinho de baixo, você vem que tem diferença tem tamanhos diferentes, ou seja, a gente tem uma simetria a gente tem pesos diferentes para o lado da cauda que a gente tá vendo. E Pode passar Pedro acho que tem mais
Speaker A
um pouquinho. Eu acho que você passa próprio. Então basicamente. Então, aí a gente tem que o primeiro quartil que é o que divide 25% dos dados para baixo e 50% dados para cima é o 5.4 que é o
Speaker A
Eduardo a mediana que a gente já viu que é o João e o terceiro partiu é o 8.3 que é o Glauber e deixa 75 dos dados para baixo e 25% dos baixos dos dados para cima. A gente também tem as
Speaker A
medidas de máximo e mínimo o mínimo que é o Heitor e o máximo é o Luciano e também tem um intervalo intercârtil que é o Q3 menos o que é um que dá 2,9.
Speaker A
Pode causar. gente finalizou essa parte de alertalidade dos dados a gente vai para um conceito um pouco mais de probabilidade. Aí a gente vai entrar no conceito que é menos conhecido que eu acho que vocês precisam pensar um pouco mais de atenção que eu
Speaker A
acho que ele não é nem citado muitas vezes. no ensino médio que já realmente.
Speaker A
Processamento e Análise de Dados da Ufscar (panda): Pessoal antes da gente começar o próximo tópico, até a gente tem uma dúvida.
Speaker A
Marcela Jacob Moreira de Souza: Pode pode falar. maioria do software de programação tem o box box é um gráfico Super conhecido e depois do histograma. Talvez seja o mais usado na estatística. Então tem um Python tem no R que a gente mais usa se
Speaker A
você dá um box plot e colocar entre os parênteses os seus dados já gera de primeira e no pai também. Eu não sei como que chama no pai, então você lembra?
Speaker A
Pedro Henrique de Araujo: Quando a gente acabar essa apresentação a gente vai mostrar um colab para vocês que tem todas as funções de todas essas coisas que a gente aprendeu utilizando um pouco as bibliotecas que o pessoal passou
Speaker A
a semana passada para vocês inclusive do box. Marcela Jacob Moreira de Souza: É basicamente.
Speaker A
você tem que puxar a biblioteca e dar um plt box plot e coloca o banco de dados ali no meio no baita também já faz. Já no R, ele já tá integrado Box pote mais bonitinho o pai então acho
Speaker A
que tem dentro do dele. do natural do comando natural do Pai com sempre biblioteca. Só que eu acho que não é tão bonitinho tão visível quanto no R por exemplo sem a biblioteca.
Speaker A
Agora a gente vai voltando para o conceito de probabilidade. Então já é uma parte uma área mais estatística também tem na matemática. Talvez alguns outros cursos entre improbidade todos os cursos que vem.
Speaker A
estatística de alguma forma alguma matéria da estatística também vão se deparar com várias aleatórias e Distribuição. Então a gente vai adiantar para quem não viu ainda.
Speaker A
Variável aleatória eu vou ler aqui primeiro é um número que representa o resultado de uma experiência ou uma circunstância aleatória, entendeu? Assim supor que eu denoto como um X o meu X, por exemplo é a idade de cada um que tá vendo aqui.
Speaker A
O Pedro tem 20 anos e eu por exemplo. Tenho 20 anos também então o nosso x eu quero saber x seria a idade de cada um de cada pessoa que tá aqui e a nossa variável aleatória pode ser
Speaker A
muitas coisas. pode ser temperatura de um dia pode ser muito usado a nota como a gente viu? Pode ser a nota de um aluno e dia pode ser muito ua nota como a gente viu? Pode ser a nota de um aluno e a nota e a
Speaker A
nota vai da pessoa de cada pessoa é assim que a gente forma o banco de dados. E uma coisa da variável aleatória é que a gente tem duas possibilidades, ela pode ser contínua ou ela pode ser discreta se a gente
Speaker A
está falando que o nosso X é a idade a gente está falando de uma variável aleatória discreta, que que significa quando a gente fala da idade em anos significa que o nosso número não tem quebradinho. Eu tenho 20 anos.
Speaker A
Eu não tenho 20 anos vírgula alguma coisa quando a gente está falando de anos inteiros.
Speaker A
Essa é a ideia da distribuição discreta, você não tem quebradinhos. Você tem números inteiros e a gente tá em valores e basicamente a gente pode ter valores finitos dentro da discreta ou uma quantidade enumerável de valores, por exemplo os
Speaker A
naturais é uma quantidade numerável, porque você tem zero um dois três Você sabe o valor que vem depois do 1 depois do um vem o dois e antes um vem o Zero. Isso é uma quantidade enumerável. Ou também a gente
Speaker A
pode ter que ela é contínua. Aqui a gente pode ter valores quebradinhos, vamos falar por exemplo, quanto tempo dura a bateria do seu celular hoje?
Speaker A
Para mim sua bateria durou 5 horas, ela pode ter Dourado 5 horas 4 minutos 5 horas e 20 minutos duas horas e meia então a gente tem valor e a gente tem valores quebradinhos a gente pode por valores com
Speaker A
vírgula aqui e O legal é que o suporte dessa variável tá nos reais, por exemplo, pode ser um ou pode ser?
Speaker A
Meio aí a ideia de não ser enumerável é basicamente Tipo se eu tenho um eu não sei qual o valor vem exatamente depois de um porque depois um não vem o dois tem infinitos valores depois do 1 porque depois de um
Speaker A
vem 1,001 1,008 cada um dentro desses tem infinitos valores, então a gente não sabe sabe não sabe exatamente, qual o valor vem depois porque tem infinitos valores entre os infinitos valores é uma ideia meio louca, que daí entra as variáveis
Speaker A
aleatórias contínuas pode passar. Após a viagem após vem uma variável a gente tem distribuições é a distribuição de probabilidade de uma variável. Descreve as probabilidade como as probabilidades estão distribuídas sobre os valores variável aleatório então quando a gente vê.
Speaker A
no histograma, por exemplo. A gente tem lembra que tem as caixinhas assim, a gente tem um comportamento.
Speaker A
o comportamento de como a distribuição funciona cada cada população às vezes sobre a mesma mesma pergunta por exemplo o nosso X é a idade. a população.
Speaker A
Vamos supor que a gente está tratando aqui de uma amostra. de quem tá assistindo. Hoje é diferente da idade de quem tava assistindo por exemplo a aula da semana passada de estatística, mas A gente tem um comportamento esperado é sobre essa pergunta
Speaker A
na sobre a mesma população então distribuição ela mostra o comportamento. Pode passar aí acho que vai surgir uma imagem aí Pedro. para distribuição normal e não voltar muito entrar muito no que é uma distribuição que é um assunto que é um pouco mais
Speaker A
ele precisa de um pouco mais de debate, mas se você estiverem curiosidade de saber vocês vão fazer estatística, a gente a gente pode entrar em contato com a gente com a gente. Pode falar mais sobre você, mas vocês ou tiverem uma pergunta já
Speaker A
e a distribuição mais conhecida na estatística é distribuição normal, ela representa Praticamente tudo na natureza muitas coisas natureza distribuição normal, representa a distribuição normal representa por exemplo o comportamento da idade o comportamento.
Speaker A
da altura não porque a altura é bimodal tem uma historinha aí por trás mas representa se eu perguntar assim, quantos animais de estimação cada uma tem aqui vai ter uma pessoa que tem 10 animais de estimação uma pessoa
Speaker A
que só tem mais em média, tá vendo se vocês verem ali não passa o Pedro. Nesse no meio assim ainda normal, mas em média a maioria vai estar ali no centro. Vamos supor que a média é três animais de estimação, a
Speaker A
maioria vai estar perto ali desses três então quase todo mundo que vai ter dois.
Speaker A
animais de estimação alguns lá no finalzinho da cauda da distribuição, vai ter talvez 10 20 animais de estimação e poucos vão ter zero por exemplo.
Speaker A
E uma coisa legal da distribuição normal, se você vem ela tem comportamentozinho de ensino, ela é simétrica a fraldinhas dela são iguais então Box pote de uma distribuição normal, tenta a ser simétrico entre mediana e o bigode superior e a mediana e o
Speaker A
bigode inferior. Com a média que o Pedro tinha falado e o desvio padrão Sigma.
Speaker A
A gente se você quiser saber um pouquinho mais de distribuição normal a gente tem vídeo no pet no nosso Instagram do Pet que fala um pouquinho mais sobre a distribuição normal, ou senão entra em contato com a gente que
Speaker A
é uma coisa muito legal de falar e Pode parecer um pouco complexo de primeira mas não é tão complicado é uma coisa que é muito confortável. Pode passar Pedro se vocês tiverem mais pergunta a gente responde no final também.
Speaker A
Pedro Henrique de Araujo: Esse conceito de distribuição de probabilidade algo que já entra bem assim no ramo de estatística mesmo.
Speaker A
é explica porque igual Marcelo falou as atribuições explica o comportamento da probabilidade de uma variável. mas a gente quis passar um pouco da distribuição normal, porque acho que fora da estatística, ela é mais conhecida por conta da dessa característica mais que
Speaker A
ela falou por com e porque várias. situações na natureza na vida real igual falei do exemplo do Peso daqui de São Carlos. se a gente pegasse o peso, por exemplo de duas mil pessoas eu tenho quase certeza que ele seria o
Speaker A
comportamento se a gente fizesse um gráfico dos pesos das pessoas então por exemplo, vamos fingir que aqui tá o peso sei lá 30 kg e aqui o peso de 200 kg.
Speaker A
Pode ter certeza que esse meio aqui que ficaria sei lá em torno de 70, você tem 80 quilos mais ou menos seria o peso que ia ter mais resposta. Assim como Pedro acho que altura. seria uma medida que seguem a atribuição
Speaker A
normal, é? Marcela Jacob Moreira de Souza: é como o Pedro falou uma coisa legal da altura, eu vou dar um exemplo já que a gente está falando um pouco de distribuição, é que quando a gente fala de altura a gente vai ter uma
Speaker A
coisinha é tipo dois sininhos vão ser parecendo quase duas distribuições normais, a gente tem dois filhinhos quando a gente fala de altura porque a gente geralmente quando a gente faz essa a gente tem dois Picos que é o pico da altura dos homens
Speaker A
que é um pouquinho para direita e altura das mulheres que é um pouquinho menor então a altura dos homens variam ali por um 70 e 75 da população no geral e das mulheres varia ali por uns 65, É a altura
Speaker A
média brasileira mais ou menos então vocês é tipo e essa distribuição normais ou distribuição semelhantes que partem da ideia do mar normal.
Speaker A
ela escreve muito mais descrevem quase tudo então por isso que é muito importante quando a gente fala de probabilidade a gente fala de Distribuição e fala de distribuição normal. Pode passar.
Speaker A
Pedro Henrique de Araujo: bom é agora entrando no último tópico é desta aula, a gente falou um pouco de correlação com relação a uma palavra que a gente usa bastante no nosso dia a dia duas coisas tem que
Speaker A
correlação das coisas se relacionam e é o que parece mesmo falando no conceito estatístico. É a correlação ela mede a força da relação entre duas variáveis.
Speaker A
pegando como exemplo, por exemplo peso e altura se a gente pegar o peso e altura das pessoas é a gente vai pode? se a gente pensando assim uma ideia mais.
Speaker A
assim uma ideia mais prática o peso e altura são duas medidas que são correlacionadas. Porque quanto mais alta a pessoa tende a ser.
Speaker A
mais pesada é a medida do Peso dela. Isso é que é com relação média, ela mede numericamente o com relacionado duas variáveis estão. Passando para aquela parte chata de fórmula essa que é a fórmula da correlação de pista tem várias formas de
Speaker A
correlação que a gente pode ter mas essa é a mais usado assim de longe.
Speaker A
não vou explicar para você porque vocês podem ver um pouco grande, mas ela é mais usada para explicar com relação entre duas variáveis nesse caso a gente tá chamando de x e de Y.
Speaker A
E a correlação, ela é interessante porque ela só nos dá valores nessa fórmula aqui é entre -1 e 1 e pegando os extremos dessa desses valores, o que seria se a gente calcular por exemplo pegar seu peso da de
Speaker A
duas mil pessoas da Oscar e a altura e calcula essa correlação nessas Duas Medidas caso desse mais um ou seja um positivo, a gente teria um que a gente chama de correlação positiva perfeita que significa que é quando uma variável
Speaker A
aumenta a outra aumenta assim proporcionalmente igual. na em relação, por exemplo e aumentar uma unidade peso da pessoa vai aumentar tanto centímetros perfeitamente. na altura dessa mesma pessoa e essa relação se segue a Cada centímetro que a gente aumenta
Speaker A
da altura. E o que a gente chama de correlação positiva perfeita caso a gente tenha o valor dessa forma é menos um é o contrário que a gente chama de correlação negativa perfeita significa que quando a gente aumenta uma vai a
Speaker A
unidade de uma variável a outra diminui perfeitamente. para brincar um pouco os conceitos o caso com relação de um significa que elas são diretamente proporcionais assim falando um pouco por cima e de menos são inversamente proporcionais. E também a gente
Speaker A
tem o zero que é o meio termo desses valores, o que significa quando a gente calculo da correlação zero significa que as variáveis não tem não tem relação nenhuma então quanto mais perto de 0 dá essa nossa medida
Speaker A
dessas variáveis menos relacionadas, elas estão e menos do valor de um influencia na outra. Mostrando que graficamente um pouco para vocês. aqui tá um gráfico de O que seria uma correlação positiva. Cada um desses pontinhos aqui são os nossos
Speaker A
dados. aqui no eixo horizontal, a gente tem a medida de uma variável e no eixo horizontal no eixo vertical a gente tem a medida de outra variável então por exemplo pegando como exemplo.
Speaker A
esse pontinho azul aqui ó, a medida dele da primeira variável. Tá em torno de três e da segunda variável. Tá em torno de um.
Speaker A
Marcela Jacob Moreira de Souza: Eu para quem talvez nunca viu um gráfico do tipo. nunca vou dar um exemplo. Acho que para ficar visualizar ficar mais fácil. É por exemplo a variável, é altura e a variável idade.
Speaker A
Então eu pego o valor da minha altura interliga o valor da idade o valor da altura do Pedro entender com qualidade do Pedro Então é basicamente isso que esse gráfico tá fazendo.
Speaker A
Pedro Henrique de Araujo: E nesse caso é a gente tem uma correlação positiva. Que significa que a medida que uma das variáveis aumenta a outra também vai aumentar um exemplo que a gente deu aqui é número de horas de estudo e
Speaker A
notas no exame como eu falei antes da correlação perfeita nesse caso não é uma correlação perfeita, porque se fosse perfeito iria seguir essa reta aqui perfeitamente, porém se a gente pensar em número de horas de estudo e nota no exame é o
Speaker A
tradicional assim que a gente espera é quanto mais tempo. Você estude para alguma prova maior vai ser a sua nota nela. Então como eu falei a medida que uma variável aumenta a outra vai aumentar também. e aqui a gente
Speaker A
tem um caso contrário que a correlação negativa que quando uma das medidas aumenta vão pegar aqui essa.
Speaker A
medida x que a gente pode pensar como se fosse a idade a medida que ela aumenta essa daqui diminui. Então pode pegar tá vendo esse ponto aqui que ele tem uma uma medida muito.
Speaker A
baixa na variável horizontal aqui na variável vertical, tem uma medida muito alta. Isso vai isso se a gente pegar uma outra extremo quando essa tem um valor muito alto isso aqui vai ter um valor muito baixo e esse padrão
Speaker A
segue por todos os dados de forma essa reta decrescente que a gente tá vendo aqui um exemplo é a quilometragem do carro e o valor do carro quando é revendido.
Speaker A
O que a gente espera é quanto maior a quilometragem do carro que a gente está querendo vender menor vai ser o valor de revenda dele. Porque quanto mais quilômetros rodados a gente tem no carro mais usado. Ele é e
Speaker A
mais chance de dar problema no motor em outras partes do carro ele tem Então esse é um exemplo que a gente tem de correlação negativa.
Speaker A
Só para ter uma linkar os gráficos com os números. essa correlação positiva a gente teria que tem um valor mais próximo de um como por exemplo.
Speaker A
Sei lá 0,8 ou 0,9 e essa correlação negativa a gente. pensa que tem um valor mais próximo de -1 como menos é menos 8 menos 0.8 - 0.9. Agora na correlação nula é aquele exemplo que eu falei para vocês do zero
Speaker A
significa que os dados Eles não têm correlação linear nenhuma. Lembrando que a correlação que a gente calculou é a correlação linear ou seja também de forma uma linha aqui.
Speaker A
nesse caso não forma nenhuma linha ou seja, eles não tem nenhum padrão Evidente então graficamente a gente consegue olhar aqui que eles não têm um padrão linear é visível, ou seja as duas variáveis elas não vão ter uma correlação uma entre a
Speaker A
outra. um exemplo que a gente deu é um número de sapato e a nota da prova.
Speaker A
logicamente pensando o número do seu sapato tamanho você calça não influencia na prova, então assim não dá para falar e quanto mais você calça menor com a nota, quanto mais você causa menor essa São duas variáveis que elas não tem ligação
Speaker A
nenhuma. então, esse aqui é uma representação mais visual daqueles números que eu passei para vocês antes.
Speaker A
Entrando aqui no conceito que é bem falado assim estatística é o conceito de correlação ser diferente de causalidade.
Speaker A
Mostrando aqui um gráfico para vocês é para tentar passar uma ideia geral dessa questão de correlação e causalidade aqui, a gente tem um gráfico é do número de afogamentos e o número de sorvetes consumidos na Espanha. em um mês em 2018.
Speaker A
essa esse gráfico vermelho é o número de sorvetes consumidos nesse mês na Espanha e esse roxo é um número de mortes. Que ocorreram nesse período.
Speaker A
se vocês verem os dois gráficos. Ou seja quando a gente tem um pico bem alto de consumo, absorvente, a gente também tem um pico muito alto.
Speaker A
de mortes, por afogamento. Isso significa que as duas variáveis tem uma relação ou seja que elas são relacionadas não obviamente que uma pessoa tem um período do ano as pessoas tomam mais sorvete significa que elas têm mais probabilidade de morrer
Speaker A
afogada. Isso não faz muito sentido, né? Por isso a gente calcular a correlação dessas duas variáveis poderia dar um valor alto. Isso significa que as duas variá uma variável causa a outra que se você tomar mais sorvete tem mais chance de
Speaker A
morrer afogado. Não não é necessário isso a gente entra na questão de causalidade. Tanto o consumo de sorvete e tanto o afogamento eles são causados pela mesma coisa que é o clima quente ou seja, quando a gente tem um
Speaker A
clima mais ensolarado um clima mais calor. você as pessoas tendem mais a tomar sorvete e as pessoas tendem mais a nadar seja no mar seja na piscina e tem mais tendência a morrer afogadas, né? Por isso não significa que
Speaker A
se você tomar sorvete, você tem mais chance de morrer afogado, se você se apogar significa que você tomou sorvete, isso só indica que as duas estão causadas pela mesma coisa, né? Pode parecer meio absurdo assim, porém Acontece muito quando a gente tem muitas
Speaker A
variáveis e a gente calcula com relação entre duas e a gente pensa puts. Nossa isso significa que a correlação dessas duas variáveis são altas significa que elas Estão que uma causa outra não necessariamente nesse caso que a gente tá vendo uma variável
Speaker A
externa que é o calor influencia no comportamento dessas duas variáveis e significa que a correlação entre elas não indica muito nada além de elas são causadas pela mesma coisa.
Speaker A
Marcela Jacob Moreira de Souza: Uma causalidade engraçada que eu acho que até em 2000 até 2021 basicamente tinha uma piada acho que era no Twitter que toda vez que eu lanço um álbum o Corinthians ganha toda vez tem um susto e
Speaker A
lançaram algo próximo jogo do Corinthians, ele ganhava e era sempre assim, mas isso era uma causalidade era uma piada que era tipo muito frequente entre quem escutou e também alguns torcedores do Corinthians.
Speaker A
Pedro Henrique de Araujo: É isso que a mercado falou é de você pegar você falar assim.
Speaker A
Nossa é bem correlacionado, né, Taylor lança um álbum Corinthians ganha o próximo jogo é? Porém não tem relação nenhuma. Eu acho que mera coincidência eu acho né bom?
Speaker A
Marcela Jacob Moreira de Souza: Vai que né a gente não sabe. Pedro Henrique de Araujo: bom essa parte de conteúdo. A gente já terminou. Agora a gente vai passar para parte do colab é igual uma pessoa comentou teve
Speaker A
uma dúvida anteriormente sobre o box plot. Tem algum programa eu vou mostrar aqui no Python usando a biblioteca pandas que foi aplicada na aula passada de estatística.
Speaker A
Como todos esses conceitos que a gente explicou para vocês se aplicam? computacionalmente? Marcela Jacob Moreira de Souza: Eu queria talvez mostrar antes de você mostrar no Python que é maior eu posso tomar uma intense e mostrar no R. Eu criei
Speaker A
uma mini banquinho de dados para mostrar como funciona no R. Também você quer antes ou depois você prefere?
Speaker A
Pedro Henrique de Araujo: Eu mostro no pai então primeiro você mostra depois no R, tá?
Speaker A
Marcela Jacob Moreira de Souza: fechou Pedro Henrique de Araujo: Deixe transmitir aqui, pera aí.
Speaker A
Agora o meu. Tá dando para ver. Marcela Jacob Moreira de Souza: tá Pedro Henrique de Araujo: Bom agora mostrando um pouquinho computacionalmente falando é qual vocês queiram ter acesso a esse Cohab é uma chat e vão disponibilizar para vocês
Speaker A
também aqui a gente tem um exercício simples só para reunir todos esses conceitos que a gente apresentou para vocês é computacionalmente no Python bom aqui a gente tem uma tabela com sete jogadores de futebol a posição desses jogadores a
Speaker A
distância em quilômetros que eles percorreram em um jogo e anota atribuída é o desempenho deles é ao longo da partida.
Speaker A
e a gente que é basicamente calcular várias medidas entre elas frequência. média mediana é amplitude de padrão e variância é construir um box slot com essa com esses dados e a correlação entre a distância e a nota do jogador.
Speaker A
Bom eu vou explicar te dar um zoom aqui para ficar mais fácil para ver. Eu vou explicar para vocês passo a passo do corte no caso, alguém tem alguma dúvida?
Speaker A
Caso esteja muito rápido só parar é que eu explico direitinho. Aqui a gente vai importar duas de novo outra coisa é caso vocês não estejam familiarizados no pai então também em outra linguagem também só parar que eu explico.
Speaker A
aqui primeiro a gente vai importar duas bibliotecas que a gente vai usar para fazer esses cálculos a primeira ondas que acho que o pessoal do Pet explicou já a semana passada sobre o panda a gente vai usar alguns conceitos que eles
Speaker A
passaram e a gente vai importar essa biblioteca que é o matiplot Lib que é uma biblioteca muito usada para a gente plotar coisas.
Speaker A
gráfico coisas visuais estatística, a gente vai usar para pilotar o box. Bom primeiramente a gente vai reunir todos esses dados que a gente tem na nossa tabela.
Speaker A
como se fosse um Data Frame aqui, a gente tá usando dicionário que é um modo de atribuição no pai então que a gente tem que a gente coloca entre Chaves é os nossos dados e a gente atribui um.
Speaker A
título a eles que aqui é jogador posição distância e anota. e depois que a gente atribui esse título a gente coloca entre colchetes todos os valores que a gente atribui a essa chave nesse caso a chave é jogador e os valores que a
Speaker A
gente atribui a chave é são o nome dos jogadores. Enfim posição a mesma coisa.
Speaker A
distância percorrida a mesma coisa e anota a mesma coisa partindo agora para a gente gerar os nossos dados a gente vai colocar os nossos dados no Data. Frame que a gente põe esse código aqui que é o PD ponto
Speaker A
data Frame que a gente coloca todos esses nossos dados que a gente criar num data Frame é utilizando pandas e aqui a gente dando um print a gente printando os nossos dados a gente tem eles organizados bonitinhos em
Speaker A
uma tabela. Partindo para nossa primeira coisa que a gente quer fazer a gente quer fazer calcular a frequência de cada posição, ou seja se vocês verem aqui. cada jogador tem uma posição, mas ela se repetem então a gente quer ver qual é
Speaker A
o são as posições é mais mais jogadores. Tem menos tem para isso a gente vai usar uma função.
Speaker A
Primeiramente a gente vai atribuir uma variável tabela frequência vai colocar DF e entre colchetes a gente vai colocar posição que é o nome da nossa chave que a gente atribuiu. Aqui no nosso dicionário. A gente deu o nome
Speaker A
de DF para o nosso data FM que a gente vai utilizar. e no nosso Data Frame a gente tem a variável posição e colocando desse jeito a gente vai acessar a variável posição do nosso Data Frame e a gente vai usar essa
Speaker A
função velha e o cão essa construção velho, ela conta. quantas vezes ocorreu cada. uma desses valores que no caso é a posição do jogador Utilizando essa função a gente consegue ver que o meio de campo ocorreu três vezes o zagueiro duas e o
Speaker A
atacante duas. A gente consegue ver que o meio de campo é a posição que mais aconteceu.
Speaker A
agora para calcular a moda ou seja, qual é o agora a gente vai calcular a moda da posição.
Speaker A
a gente utiliza. Esse comando mode e a gente coloca um zero aqui do lado que é só um padrão para caso. A gente tenha mais de uma moda a gente pega a primeira moda mais comum. Nesse caso a moda como a gente pode
Speaker A
perceber só de olhar no gráfico de frequência na tabela de frequência é um meio de campo ou seja a moda a posição mais comum é o meio de campo.
Speaker A
Bom agora partindo para calcular é a média e a mediana é pareceu pintado aqui em cima, eu vou para lá, então a gente vai usar também dois comandos bem simplesinhos do pandas.
Speaker A
para calcular a distância a média mediana da distância percorrida por causa do jogador de novo acessando a variável de interesse que nesse caso é a distância percorrida. A gente coloca DF entre colchetes, só que agora a gente vai usar o
Speaker A
comando mínimo que é média em inglês e o comando Miriam que é mediana em inglês e se a gente der um print nessas duas Medidas a gente vai encontrar rapidamente. Qual é a média e a media?
Speaker A
distâncias percorridas pelo jogador que nesse caso a média 9.8 e a mediana é 9.5 Como vocês podem ver a gente tem 7 dados então o caso tivesse algum valor muito trepante, a gente teria alguma mudança nessas duas é medidas. Mas elas deram até
Speaker A
que bem próximas. parte do agora para as medidas de dispersão que é a amplitude a variância e o desvio padrão Para calcular a amplitude a gente também vai usar comandos do pandas a gente vai acessar a variável à distância percorrida
Speaker A
e dá um ponto max que a gente vai achar o valor máximo menos o nosso mínimo que a gente vai dar um ponto mínimo e a gente vai achar.
Speaker A
Nossa amplitude que é de 2.7 km já a variância a gente também vai usar o comando do pandas que é pontuar. Então como os bem intuitivas como vocês podem ver então são bem fáceis de calcular enquanto a gente já tem
Speaker A
os nossos dados organizados essa parte aqui é o que a gente chama de grau de liberdade.
Speaker A
também é um conceito bem estatístico, mas esse ddo é igual a 1 é o padrão do pandas quando a gente vai calcular é a variância de padrão esse aqui de baixo esse STD é a nossa desvio padrão.
Speaker A
Pode parecer um pouco contra intuitivo, mas ainda em inglês. mas é o nosso comando e como vocês podem ver aqui embaixo.
Speaker A
Mas a nossa variância e esse é nosso desvio padrão. a variância não deu um valor muito grande como eu falei que ia dar anteriormente porque as nossas distâncias são valores bem pequenas, então se você tirar a raiz da variância que é o que o
Speaker A
desvio padrão faz tá vendo que não dá um valor muito diferente. Porém. Essas são as nossas medidas de expressão calculada e como vocês podem ver gente então coisas bem simplesinhas assim usando pandas que como a galera do Pet
Speaker A
explicou semana passada são é uma biblioteca bem útil para quando a gente vai mexer com dados e é coisa matemáticas estatísticas.
Speaker A
Agora a gente vai calcular as métricas do nosso Box, bote é logo embaixo, eu vou colocar vou já gerar o box Plant, mas vamos ver um pouco Primeiro as métricas é que a gente vai observar nele como a Marcela
Speaker A
explicou é o nosso o nosso quartil o nosso primeiro quartinho vai ser aquele que divide na nossa em 25% para baixo e 75% para cima, ou seja, ele vai representar o valor que divide 25% dos nossos dados.
Speaker A
E vendo aqui a gente o comando que a gente usa no pandas é Contini e como o primeiro quarto a gente divide 25% para baixo a gente põe um zero ponto 25 aqui do lado.
Speaker A
Já no terceiro quartil que ele divide 75% para baixo, a gente vai colocar 0.75 utilizando a mesma função com Chile e calcular o intervalo Inter partiu é a diferença do terceiro quartil para o primeiro quartil girando aqui as notas
Speaker A
medidas, a gente tem esses valores. interpretando. Eles é o nosso primeiro Quarteto ser 8.9. Km significa que é 25% dos jogadores tiveram.
Speaker A
uma distância percorrida abaixo de 8.95 km no jogo é vamos supor aqui nesse caso a gente só tem sete. Mas vamos supor que a gente tivesse sem jogadores.
Speaker A
Isso significa que 25% dos jogadores ou seja 25 jogadores, tiveram é uma distância percorrida abaixo de 8.95 no nosso na partida e o terceiro quartil ele dá 75% de dados para baixo ou seja 75% dos jogadores teria uma distância
Speaker A
percorrida abaixo de 10 pontos 98. Ou se você quiser interpretar de outra maneira 25% dos jogadores, tiveram é uma uma percorrida acima de 10.9 e essa e e essa questão de quartil vai ficar mais intuitiva no box. E aqui
Speaker A
tá o intervalo intercârtil que é a diferença de um para outro. Bom utilizando aqui o comando do box plot é como vocês podem ver utilizando o pandas, esse daqui é o comando para você gerar o box plot que é
Speaker A
df.box. quando vocês forem em gerar isso vocês vão ver que tem várias variáveis aqui dentro vários parâmetros são muito chatinhos. Então são coisas que vai muito de copia Cola você pega da internet ou pega de alguma como é que gera esse
Speaker A
Box? Bote porque tem várias coisinhas muito chatinhas aqui no pandas, mas gerando vocês vão ver que fica muito melhor e se a Marcela para mostrar no R.
Speaker A
Acho que é um pouco mais fácil do que no Python. Marcela Jacob Moreira de Souza: No parque tipo eu vou mostrar bem bravinho, mas tanto nenhum quanto você pode adicionar um monte de coisa, você pode por grade pode mudar
Speaker A
isso pode mandar cor pode colocar legenda e ou você pode gerar ele simplesinho, depende da finalidade. Você quer fazer uma análise que vai ser postada. Vai se mostrar para alguém então se você tá vendo tá curiando o banco de
Speaker A
dados tá tentando aprender não precisa colocar todas essas variáveis não é necessário. Pedro Henrique de Araujo: bom é igual uma pessoa perguntou usando pandas, essa aqui é a função cálculo Box slot e se você gerar o box spot de um
Speaker A
esse daqui vai ser o box box gerado pelo Pera aí, deixa eu transmitir a tela inteira.
Speaker A
Para vocês verem melhor, como é que fica o nosso Box? esses aqui vai ser o blocosport da instância dos jogadores como o Marcelo falou essa linha verde aqui significa a nossa mediana ou seja como a gente.
Speaker A
achou no nosso qual é o valor aqui dentro, deixa eu ver a mediana deu 9.5. Então como vocês podem ver ela tá bem aqui em cima 9.5. E aqui a gente consegue ter uma visualização melhor dessas nossas medidas que
Speaker A
a gente achou. esse daqui que eu tô passando o mouse seria o primeiro quartil que fica em torno de 9 a mediana fica em torno de 9,5 e logo aqui em cima tem o nosso terceiro. Partiu. Como a
Speaker A
Marcela falou anteriormente a gente consegue ter uma noção melhor da dispersão das nossas distâncias olhando é a distância entre esse limite inferior e a mediana e a mediana elemento superior como vocês podem ver a distância do limite inferior para mediana é
Speaker A
bem menor que a distância da para o limite superior ou seja significa que os dados estão mais. concentrados nesses valores mais baixos e que nos valores mais altos eles estão mais espalhados. Então se a gente fizesse um diagrama de
Speaker A
dispersão a gente perceberia que os valores menores é um Tá mais concentrados os valores maiores é um tá mais dispersos e isso a gente consegue ter uma noção melhor. da dispersão dos nossos dados. Por voltar aqui para compartilhamento do colab.
Speaker A
bom já foi o box Plant já mostrei para vocês e por fim a gente tem a correlação.
Speaker A
Que é a gente quer calcular a correlação Entre Duas Medidas que a distância percorrida e anota recebida pelo jogador ou seja. Será que quanto mais o jogador maior distância que o jogador percorreu no jogo maior vai ser a nota
Speaker A
que ele recebeu e com isso a gente utiliza essa função ponto cor do pandas e a gente coloca primeiro aqui uma das variáveis que a distância percorrida e dentro desse ponto cor a gente bota a nossa outra variável que
Speaker A
a gente quer calcular com a relação. E se a gente vê a correlação entre a distância nota a gente tem zero ponto 94.
Speaker A
Lembra que eu falei para vocês que vai de menos um até um esse valor tá muito mais próximo de um do que de menos um ou seja, tá muito próximo de ter uma correlação perfeita positiva.
Speaker A
Ou seja a gente tem um indício de que quanto mais maior a distância que um jogador percorre no jogo maior é a nota que ele vai receber. no na avaliação dele, por isso que a correlação é uma medida super legal,
Speaker A
numericamente a gente consegue medir a relação de duas variáveis e quanto uma até para a outra nesse caso como é mais muito próximo de um significa que umafeta bastante a outra que quanto maior a distância maior vai ser a nota isso pode
Speaker A
ser um bom indicativo. de para próximo jogos caso algum jogador que tenha interessado nessa nesse score nessa nota é significa quanto maior ele mais ele percorrer maior vai ser a nota dele. Deixa eu voltar aqui para o slide.
Speaker A
Marcela Jacob Moreira de Souza: Então vou mostrar agora no R. Eu fiz rapidinho agora então.
Speaker A
Pedro Henrique de Araujo: A gente para de apresentar então. Marcela Jacob Moreira de Souza: Deixa eu compartilhar eu fiz vai dar uma bugadinha agora no começo. Calma aí. Tá funcionando normal? Eu fiz.
Speaker A
Pedro Henrique de Araujo: tá Marcela Jacob Moreira de Souza: rapidinho aqui então só para dar uma ideia para vocês.
Speaker A
Esse é o software do R que ele é um software. Ele é um software muito usado para estatístico. Eu criei rapidinho um banco de dados simples de uma variável.
Speaker A
Só que são por exemplo seria 11idades 1821 25 22 17. é não precisa estar na ordem o r mesmo faz qualquer software também já organiza a ordem para fazer.
Speaker A
para fazer os cálculos. Então vou rodar aqui a variável aqui seria um histograma Opa. Deixa eu voltar para menorzinho ou histograma consegue ver que ele é bem assimétrico, tá vendo que tem uma caldinha bem para cá para a direita. Então ele é bem
Speaker A
assimétrico. A gente roda o box que perguntaram aqui não é você dar um box lote idade vai sair o box forte mais simples que tem mas já é o suficiente para visualizar muita coisa.
Speaker A
Aqui eu vou rodar a média, a média deu 20 Nessas cidades aqui apesar das idades, a média deu quebrado, o que isso pode acontecer tá bom? Não é nada absurdo a média.
Speaker A
que deu 20 que é o valor que deixa na metade organizando os dados e o valor de 250,50. A gente pode ter máximo mínimo também como no pai então a gente pode ver variância a gente pode ver desvio padrão que eu fiz um
Speaker A
skate que é uma passei a raiz na variância e ou você pode ver as medidas de expressão inteiras com comando muito fácil no R que é o Subway que o r a gente chama que eu falo que os tópicos é o
Speaker A
software dos estatísticos é muito conhecido. Por isso ele tem várias coisinhas rápidas e fáceis de mexer com várias coisas apesar de para muita coisa. Eu prefiro o Python, por exemplo Machine Elaine essas coisas o pai então é mais
Speaker A
legal, mas leve para muitas coisas assim, ele funciona muito muito bacana e vamos supor que eu mudo esse essa idade aqui.
Speaker A
Lembra falei se eu for um Outlander aqui uma pessoa de 808 anos do nada entra aqui.
Speaker A
Se eu pedir a média Opa deixa a modalidade de novo se eu pedir a média eu pedi a média vai aumentou para 25 ou seja aumentou em 5 pontos a média se eu pedir a variância continua 20 então, ela
Speaker A
é uma medida que não é afetada para esses pontos de excrebantes e dá para rolar tudo de novo.
Speaker A
Por exemplo aí o máximo muda. É basicamente isso o r funciona muito parecido com o pai. Tem algumas coisas, mas ele é mais fácil para algumas e mais difícil para outras para quem não conhecia também.
Speaker A
Acho que é isso tem mais alguma coisa para falar uma pedra. Pedro Henrique de Araujo: Ah vou mostrar o negócio, espera aí. Bom Realmente, acabou?
Speaker A
bom? É espero que vocês tenham gostado da aula foi isso. Eu sei que é uma aula meio. Como eu disse pode ser meio maçante, pode ser meio chato. Tem alguns conceitos que vocês ainda tem muita gente nem vai ver na
Speaker A
graduação que são coisas exclusivamente da estatística, mas espero que a gente tenha mudado uma passada legal em todos os conteúdos que podem ser úteis para vocês no futuro.
Speaker A
em algum projeto que vocês vão fazer envolvendo dados é assim como quem teve presente na aula passada. A gente deixou aqui um QR Code é para vocês avaliarem essa aula eu peço por favor que todo mundo conseguir. façam essa avaliação
Speaker A
porque é bem importante para a gente para caso a gente ter essa aula que vem. é para ver se tem algum ponto que a gente pode melhorar que tem algum ponto que a gente pode acrescentar então é muito
Speaker A
importante para vocês é para quem tá no celular e não consegue acessar o QR Code eu mandei aqui no meu Meet o link da Da do formulário então o pessoal do pandas pode repassar depois no colab ou enfim algum chat
Speaker A
para vocês para vocês conseguirem acessar e dar esse feedback para gente. é rapidinho, só são algumas perguntas de afinar lá e uma caixinha no final para Caso vocês queiram dar um feedback para gente escrito. caso alguém queira seguir, a gente também no
Speaker A
Instagram. Esse aqui é o nosso Instagram a gente posta bastante coisa bastante conteúdo lá de estatística e a gente mostra um pouquinho.
Speaker A
do da nossa rotina dos professores é alguns conteúdos estatística tentando mostrar de uma maneira mais fácil, então.
Speaker A
Marcela Jacob Moreira de Souza: Tem mais trem de linhas também para dar uma risada.
Speaker A
Pedro Henrique de Araujo: É a gente posta de tudo lá, então, mostra os congresso que a gente vai e as viagens que a gente faz então serve se alguém tiver interessado só seguir e é isso, né?
Speaker A
Marcela Jacob Moreira de Souza: Eu acho que é só tô tirando uma foto para gente passar lá nos Stories no pet, mas eu acho que é só é muito obrigada a todos pela atenção se tiver alguma dúvida, eu também entrei aqui na live.
Speaker A
Eu acho que não aparece mais eu tenho um comentário que parece bem útil R5 é muito útil e é muito mais fácil para essas analisar análise de dados simples, mas por exemplo se você for trabalhar com uma coisa um
Speaker A
pouco mais complexa o pai então já tem coisas mais Integradas naturalmente eu tenho bibliotecas que são mais.
Speaker A
Talvez não necessariamente mais avançadas. Mas elas são atualizadas com mais facilidade por ter mais usuários no Python também dá para mexer no Júlia eu já nem sei mais o quanto de softwares dá para fazer isso até no se você não sabe programar
Speaker A
até no Excel, você pode fazer. tem várias, tipo você põe seus dados seleciona, você pode por o gráfico tem se eu não me engano, acho que tem um box Plast, né?
Speaker A
Que Excel também né Pedro, sabe? Pedro Henrique de Araujo: É os gráficos e o Block Story é um pouco mais fica um pouquinho mais feio, né? Que você é mais dá para fazer.
Speaker A
Marcela Jacob Moreira de Souza: É feio, mas para quem não sabe programar dá para ter uma ideia também, é isso? Acho que é só.
Speaker A
Tá bom, tchau, obrigada, viu? Pedro Henrique de Araujo: Tchau, gente. Izabela Nascimento: Obrigada pessoal do Pet por ter dado essa aula incrível, realmente foi muito didático, eu também sou da estatística, eu consegui sim, vocês conseguiram explicar o conteúdo de forma muito
Speaker A
didático, a gente fica muito feliz com essa parceria e tudo que vocês precisarem a gente está à disposição, tá? pessoal que tá na Live, muito obrigado por ter comparecido a aula a gente espera que vocês tenham gostado por gentileza respondam
Speaker A
o formulário de avaliação da aula para ajudar o pessoal do Pet para ter mais conteúdos dessa forma para o pet estatística e também por pandas e enfim. A gente já colocou o formulário de presença no chat e a gente quem quiser já pode sair
Speaker A
da Live que a gente já vai fechar, tá bom? Marcelo Pedro. Obrigada de novo.
Speaker A
A gente tá entrando aqui para fechar a Live. O Alex caiu rapidinho se vocês verem sair fiquem à vontade, tá bom? Se quiserem ficar e esperar o Pedro fechar tá joia também, viu?
Speaker A
Marcela Jacob Moreira de Souza: chega Pedro Henrique de Araujo: Eu vou mas obrigado, viu, gente, obrigado pela oportunidade. Foi bem legal desta aula.
Speaker A
Izabela Nascimento: Gente, que agradece foi assim excelente uma aula muito boa mesmo. Obrigada. Marcela Jacob Moreira de Souza: Ai que bom, obrigada, viu? Tchau.
Speaker A
Pedro Henrique de Araujo: tchau Izabela Nascimento: Oi gente.
Topics:estatísticamedidas de tendência centralmédiamedianamodadesvio padrãovariânciatabela de frequênciaboxplotUFSCar
