Correlao Cannica

Outubro / 1998 Verso preliminar

Fabio Vessoni fabio@mv2.com.br (011) 30642254

MV2 Sistemas de Informao

Introduo Existem vrias formas de analisar dois conjuntos de dados. Um dos modelos mais comuns de anlise a regresso mltipla. Na regresso mltipla, uma varivel explicada por uma combinao linear de outras variveis. A varivel a ser explicada chamada de dependente e as variveis explicativas so chamadas de independentes. A equao bsica de uma regresso mltipla pode ser expressa por: Y1 = X 1 + X 2 + X 3 + .... + X n A correlao cannica pode ser vista como uma extenso da regresso mltipla. Na correlao cannica existem duas ou mais variveis dependentes. A equao bsica pode ser expressa por: Y1 + Y2 + Y3 + ... + Yn = X 1 + X 2 + X 3 + ... + X n O principio bsico em uma correlao cannica desenvolver uma combinao linear em cada um dos conjuntos de variveis tal que a correlao entre os dois conjuntos seja maximizada. Na correlao cannica no existe a distino entre varivel independente e dependente, existem somente dois conjuntos de variveis em que se busca a mxima correlao entre ambos. Este no um trabalho original, sendo somente uma compilao da bibliografia utilizada. Tcnicas para o estudo de inter-relaes entre dois conjuntos de dados Supondo uma base de dados coletada por uma companhia junto a seus clientes, que deseja avaliar a relao entre duas variveis de uso de crdito contra duas caractersticas de seus clientes. Ambos os conjuntos so compostos de variveis numricas. As variveis dependentes so: nmero de cartes de crdito da famlia e a despesa mensal com cartes de crdito. As variveis independentes so: tamanho da famlia e a renda familiar. Como alternativa para analisar estes dados, podemos: (1) Estudar as correlaes entre as variveis dependentes e independentes. Esta abordagem limitada por vrias razes. Primeiro, o nmero de correlaes ser grande (neste caso, 2x2, normalmente muito maior). Segundo, existe o problema da multicolinearidade, ou seja, as variveis independentes so correlacionadas entre si, assim como as variveis dependentes, no sendo possvel isolar o efeito de cada uma das variveis. Terceiro, o

carter subjetivo da anlise no permitir identificar quais sero os casos em que teremos o melhor ndice nas variveis dependentes. (2) Calcular uma srie de regresses mltiplas e analisar cada varivel dependente em relao a todas as variveis independentes. Dado que as variveis dependentes no so independentes entre si, as equaes resultantes tambm no sero descorrelacionadas. Alm disso, este mtodo s permite a anlise em uma direo. (3) Anlise de fatores. A anlise de fatores estuda o inter-relacionamento em um conjunto de variveis, o que no se aplica a este caso, dado haver dois conjuntos de variveis. (4) Anlise de fatores em cada conjunto de dados e correlao dos fatores resultantes. A anlise de fatores se preocupa com a varincia dentro de cada conjunto de dados, no considerando um importante componente na questo proposta, a varincia compartilhada entre os dois conjuntos. (5) Correlao cannica. Calcular dois ndices compostos pela soma ponderada de cada varivel em cada conjunto de dados e maximizar, atravs dos pesos de cada varivel, a correlao entre estes dois conjuntos. Este mtodo uma alternativa aos quatro mtodos apresentados anteriormente, no apresentando os problemas do excesso de resultados do item 1, nem os problemas de multicolinearidade ou intercorrelao entre as equaes resultantes. Correlao cannica O objetivo da correlao cannica determinar uma combinao linear para cada grupo de variveis (dependentes e independentes) que maximize a correlao entre os dois grupos. Funes adicionais no correlacionadas com a primeira podem ser calculadas, sendo limitadas pelo nmero de variveis do menor grupo. A matemtica utilizada para o clculo da funo cannica no ser descrita neste trabalho. Uma forma de expressar uma correlao cannica pode ser: Determine uma combinao linear entre x e y, U = a1 x1 + a 2 x 2 + ... + a n x n V = b1 y1 + b2 y 2 + ... + bn y n tal que a correlao Corr(U,V) seja maximizada. Detalhando um pouco mais, Suponha X sendo uma matriz nxp e Y nxq. C = cov( X , Y )

Separar esta matriz C em quatro partes: 11 C = pxp 21 qxp

pxq qxq

12

22

As covarincias entre variveis de diferentes conjuntos, uma varivel de X e outra de Y estaro contidas em (12) ou, (21). Analisar as covarincias em (12) ou (21) pode ser extremamente trabalhoso, ainda mais se p e q forem grandes. Porm, o principal objetivo da correlao cannica resumir as associaes entre X e Y em funo de algumas poucas correlaes escolhidas, ao invs das pxq correlaes. Combinao linear uma forma simples de resumir um conjunto de variveis, ento seja: U = a' X V = b' Y Var (U ) = a ' Cov ( X )a = a ' 11 a Var (V ) = b' Cov (Y )b = b' 22 b Cov (U , V ) = a' Cov( X , Y )b = a ' 12 b

O que a correlao cannica procura determinar os vetores a e b tais que Corr (U , V ) = a' 12 b

a ' 11 a b' 22 b

seja a maior possvel. Existiro min(p,q)-1 pares de variveis cannicas independentes do par de correlao mxima, que iro expressar a varincia total dos dois grupos de variveis. Para calcular este mximo, max Corr (U , V ) = 1*
a ,b

restrita pela combinao linear (primeiro par de variveis cannicas):

U 1 = e1' 111 / 2 X

e V1 = f 1' 1 / 2Y 22 b1'

a1'

* Neste caso, 1 2 o autovalor de e

1 / 2 11

12 1 22 21

1 / 2 11

e1 seu

respectivo autovetor. Supondo A uma matriz quadrada kxk e v um vetor kx1, pode-se mostrar que a equao
Av = v

tem k solues, sendo um escalar. Cada soluo dada por um par formado por um escalar i e um vetor vi. O escalar chamado de autovalor de A e o vetor de autovetor de A. A prova para o resultado acima pode ser encontrada em Johnson e Wichern, Applied Multivariate Statistical Analysis. O k-simo par de variveis cannicas pode ser descrito como:
' U k = ek 111 / 2 X

e Vk = f k' 1 / 2Y 22

maximizando,
* Corr (U k , Vk ) = k

Passos para o clculo de uma correlao cannica Podem ser definidos seis passos para o clculo e interpretao de uma correlao cannica. So eles: (1) especificao dos objetivos da anlise, (2) desenvolvimento do plano de anlise, (3) teste das hipteses da correlao, (4) estimativa do modelo e clculo do poder de explicao, (5) interpretao dos resultados, e (6) validao do modelo. A seguir ser descrito cada um dos seis passos acima: (1) Especificao dos objetivos da anlise: Como j demonstrado, a anlise cannica trata de uma associao entre dois grupos de variveis. Ao especificar os objetivos da anlise, estes dois grupos devem ser identificados, e vrios objetivos podem ser perseguidos, como: determinar se existe alguma correlao entre os grupos, ou, explicar a natureza da relao entre estes grupos, medindo a contribuio de cada varivel em cada equao. (2) Desenvolvimento do plano de anlise: Especificar o tamanho da amostra e forma de obteno destes dados. O tamanho mnimo recomendado da amostra de 10 vezes o nmero de variveis a serem analisadas. (3) Premissas: Testar cada uma das variveis para linearidade da correlao, normalidade, homocedasticidade, e, multicolinearidade.

(4) Clculo do modelo: Calcular os autovetores e autovalores, como descrito anteriormente, e os outros resultados, como loadings e cross-loadings ( a serem explicados no exemplo). (5) Interpretao dos resultados: Testar a significncia das relaes e de cada um dos ndices, como: pesos, loadings e cross-loadings. (6) Validao do modelo: Testar o modelo em outra amostra e verificar se o mesmo reage de acordo com o esperado. Testando uma correlao cannica Para teste do modelo proposto (e validao dos resultados) ser usada uma base de dados extrada de Hair, Anderson, Tatham e Black, Multivariate Data Analysis. A base de dados em questo consiste em uma srie de medidas extradas de 100 consumidores de uma empresa (HATCO). As variveis foram normalizadas para o clculo em questo. As variveis independentes so: prazo de entrega, nvel de preo, flexibilidade de preo, qualidade da manufatura, nvel de servio, qualidade da equipe de vendas e qualidade do produto. As variveis dependentes so: nvel de uso e a satisfao do cliente. Seguiremos os 6 passos propostos anteriormente. (1) Objetivos da anlise: o objetivo deste teste ser determinar qual a percepo dos consumidores da HATCO quanto a sua eficincia e o nvel de uso e satisfao. (2) Plano de anlise: os dois grupos de dados esto facilmente caracterizados e excedem o tamanho mnimo de amostra (7 variveis x 10 = 70 casos no mnimo). A base de dados utilizada pode ser encontrada no apndice. (3) Premissas: todas as variveis analisadas foram devidamente testadas quanto s hipteses descritas. (4) Clculo do modelo:

Function A B var X* var Y* Can Corr Function A B var X* var Y* Can Corr

1 0,2260 0,5005 1,000001 1 0,936913 2 0,9661 -1,3304 1,000001 1 0,510023

0,1036 0,5802

0,5681

0,3476

0,4444

-0,0502

0,0005

Autovalor primeira funo cannica.

Autovetor primeira funo cannica. -1,5320 1 (0,00000) -0,7363 -0,4775

0,8695 1,2977

-0,1594

1,4558

Uncorrelated with a b

Ambas as funes devem ser testadas, tanto isoladamente, como em conjunto. Os testes a serem empregados so: lambda de Wilks, critrio de Pillai, trao de Hotteling e a maior raiz de Roy. Todos estes testes verificam a significncia das funes do ponto de vista estatstico. Para o teste de cada correlao cannica podemos utilizar a distribuio de qui-quadrado. A frmula para esta distribuio : q 2 2 = [ N 1 0,5 ( p + q + 1) ] x ln (1 Rci ) i =1 onde N = tamanho da amostra, p = nmero de variveis dependentes, q = nmero de variveis independentes, R2 = correlao cannica ao quadrado da equao a ser testada. A distribuio de qui-quadrado em questo ter p x q graus de liberdade. A correlao cannica elevada ao quadrado uma boa estimativa da varincia compartilhada entre os dois grupos. O problema que esta variao se refere somente a cada uma das funes separadamente, fazendo com que uma parte da varincia no seja levada em conta. Um novo ndice pode ser calculado para evitar este vis, o ndice de redundncia. Este ndice pode ser calculado como a mdia dos quadrados dos coeficientes de correlao entre o total das variveis independentes e cada varivel dependente. Este ndice corresponde a um resumo da habilidade de um conjunto de variveis independentes (tomadas em conjunto) explicarem uma variao nas variveis dependentes (tomadas uma a uma). Este ndice pode ser comparado ao R2 de uma regresso mltipla. O ndice de redundncia para a primeira funo de 0,7503 para as variveis dependentes, o que demonstra que 75 % da variao do grupo dependente pode ser explicado pelas variveis

independentes escolhidas. Para a segunda funo o ndice de redundncia para as variveis dependentes de 0,0378. Apesar de estatisticamente significante, a segunda funo no possui significncia prtica, sendo descartada. A primeira funo cannica fica: 0,5005Y1 + 0,5802Y2 = 0,2260 X 1 + 0,1036 X 2 + 0,5681X 3 + 0,347 6 X 4 + 0,4444 X 5 0,0502 X 6 + 0,0005 X 7 Os coeficientes da equao acima so os pesos cannicos e so similares aos betas de uma regresso mltipla. O uso dos pesos para analisar uma funo cannica pode acarretar em alguns problemas, como, instabilidade dos valores em funo da amostra, e dificuldade de interpretao dos valores em um ambiente com multicolinearidade. Uma alternativa ao uso dos pesos o clculo dos canonical loadings (cargas cannicas) ou correlaes estruturais. Estes ndices se referem correlao entre uma da variveis, dependente ou independente, e o ndice do grupo em questo. A carga cannica reflete a varincia que uma determinada varivel compartilha com o grupo e pode ser interpretada como a carga em uma anlise de fatores. Quanto mais alta a carga cannica, maior a importncia da varivel no grupo. As cargas cannicas tambm sofrem, como os pesos, de instabilidade em funo da amostra, mas so consideradas mais estveis como modo de interpretao dos resultados. Uma terceira forma de analisar os dados de uma correlao cannica o uso dos canonical cross-loadings ou cargas cannicas cruzadas. Este procedimento correlaciona cada uma das variveis com o ndice do grupo oposto, ou seja, as variveis dependentes so correlacionadas com o ndice independente e vice-versa. Esta forma a mais utilizada para a anlise das funes, sendo inclusive a adotada pelos principais pacotes estatsticos, como o SAS.
X1 X2 X3 X4 X5 X6 X7 Y1 Y2 X*1 X*2 Y*1 Y*2 X1 X2 X3 X4 1,00 -0,35 0,51 0,05 1,00 -0,49 0,27 1,00 -0,12 1,00 Canonical loadings X5 X6 X7 Y1 Y2 X*1 X*2 Y*1 Y*2 0,61 0,08 -0,48 0,68 0,65 0,7645 -0,1090 0,7161 -0,0557 0,51 0,19 0,47 0,08 0,03 0,0614 -0,1413 0,0575 -0,0721 0,07 -0,03 -0,45 0,56 0,52 0,6235 -0,1228 0,5843 -0,0627 0,30 0,79 0,20 0,22 0,48 0,4145 0,6263 0,3884 0,3193 1,00 0,24 -0,06 0,70 0,63 0,7654 -0,2215 0,7170 -0,1131 1,00 0,18 0,26 0,34 0,3481 0,1996 0,3260 0,1017 1,00 -0,19 -0,28 -0,2784 -0,2188 -0,2607 -0,1116 1,00 0,71 0,8554 -0,2080 0,9129 -0,4082 1,00 0,8769 0,1797 0,9360 0,3521 1,0000 0,0000 0,93691 -0,0001 1,0000 0,0002 0,51002 Canonical cross-loadings 1,0000 0,0000 1,0000

(5) Interpretao dos resultados: Dado que a funo 1 foi considerada vlida e estatisticamente significante, podemos analisar os ndices segundo as trs formas propostas anteriormente.
X1 X2 X3 X4 X5 X6 X7 Y1 Y2 prazo de entrega nvel de preo flexibilidade de preo qualidade da manufatura nvel de servio qualidade da equipe de vendas qualidade do produto nvel de uso satisfao do cliente Pesos 0,2260 0,1036 0,5681 0,3476 0,4444 -0,0502 0,0005 0,5005 0,5802 Loadings 0,7645 0,0614 0,6235 0,4145 0,7654 0,3481 -0,2784 0,9129 0,9360 Cross-Loadings 0,7161 0,0575 0,5843 0,3884 0,7170 0,3260 -0,2607 0,8554 0,8769

Quanto aos pesos, podemos ordenar as variveis em funo de sua magnitude. Assim sendo, a varivel mais importante X3 (flexibilidade de preo), enquanto que a varivel dependente mais importante Y2 (satisfao do cliente). Este tipo de anlise no recomendado, dado que pode haver problema de multicolinearidade, afetando estes resultados. Analisando as cargas cannicas (loadings), podemos verificar inclusive um dos fatores como negativo (X7). As cargas so otimizadas para a correlao, e no para a interpretao. J com os cargas cannicas cruzadas (cross-loadings), podemos verificar que as correlaes entre as variveis dependentes (Y1 e Y2) e o conjunto dependente so bastante elevadas. Elevando estas correlaes ao quadrado, podemos calcular quanto da varincia destas variveis pode ser explicado pelo conjunto dependente. Para Y1, 73 % (0,8554 ^ 2), e para Y2, 77 % (0,8769 ^ 2). (6) Validao do modelo O ltimo passo envolve calcular novamente os resultados com uma segunda amostra. Uma alternativa este clculo pode ser uma anlise de sensibilidade, retirando algumas variveis independentes e verificando a estabilidade dos clculos.

Concluses A tcnica de correlao cannica pode ser muito til em problemas que possuam mais de uma varivel mtrica dependente. O uso da correlao cannica pode simplificar o problema e determinar quais variveis so mais importantes na anlise. Desta forma, podemos realizar a anlise em duas etapas, primeiro determinando os fatores relevantes, e posteriormente realizando regresses simples entre os mesmos. Pode haver uma significativa reduo de complexidade e consequente facilidade na interpretao do problema. Bibliografia Hair, Joseph F. & Anderson, Rolph E. & Tatham, Ronald L. & Black, William C. Multivariate Data Analysis, 4 edio, 1995 Johnson, Richard A. & Wichern, Dean W. Applied Multivariate Statistical Analysis, 3 edio, 1992 Weiss, David J. Canonical Correlation Analysis in Counseling Psychology Research. Journal of Counseling Psychology, 1972, vol 9, no. 3, 241-252 Ashley, David W. A Canonical Correlation Procedure for Spreadsheets. 27th Annual Meeting of the Decision Sciences Institute, November 24-26, 1996

Apndice Dados de entrada. (extrados do livro Multivariate Data Analysis)

Caso 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 Independentes 1 2 4,10 0,60 1,80 3,00 3,40 5,20 2,70 1,00 6,00 0,90 1,90 3,30 4,60 2,40 1,30 4,20 5,50 1,60 4,00 3,50 2,40 1,60 3,90 2,20 2,80 1,40 3,70 1,50 4,70 1,30 3,40 2,00 3,20 4,10 4,90 1,80 5,30 1,40 4,70 1,30 3,30 0,90 3,40 0,40 3,00 4,00 2,40 1,50 5,10 1,40 4,60 2,10 2,40 1,50 5,20 1,30 3,50 2,80 4,10 3,70 3,00 3,20 2,80 3,80 5,20 2,00 3,40 3,70 2,40 1,00 1,80 3,30 3,60 4,00 4,00 0,90 0,00 2,10 2,40 2,00 1,90 3,40 5,90 0,90 4,90 2,30 5,00 1,30 2,00 2,60 3 6,90 6,30 5,70 7,10 9,60 7,90 9,50 6,20 9,40 6,50 8,80 9,10 8,10 8,60 9,90 9,70 5,70 7,70 9,70 9,90 8,60 8,30 9,10 6,70 8,70 7,90 6,60 9,70 9,90 5,90 6,00 8,90 9,30 6,40 7,70 7,50 5,80 9,10 6,90 6,40 7,60 9,60 9,30 8,60 6,50 4 4,70 6,60 6,00 5,90 7,80 4,80 6,60 5,10 4,70 6,00 4,80 4,60 3,80 5,70 6,70 4,70 5,10 4,30 6,10 6,70 4,00 2,50 7,10 4,80 4,80 5,80 4,80 6,10 3,50 5,50 5,30 6,90 5,90 5,70 3,40 4,50 5,80 5,40 5,40 4,50 4,60 7,80 4,50 4,70 3,70 5 2,40 2,50 4,30 1,80 3,40 2,60 3,50 2,80 3,50 3,70 2,00 3,00 2,10 2,70 3,00 2,70 3,60 3,40 3,30 3,00 2,10 1,20 3,50 1,90 3,30 3,40 1,90 3,20 3,10 3,90 3,10 3,30 3,70 3,50 1,70 2,50 3,70 2,40 1,10 2,10 2,60 3,40 3,60 3,10 2,40 6 2,30 4,00 2,70 2,30 4,60 1,90 4,50 2,20 3,00 3,20 2,80 2,50 1,40 3,70 2,60 1,70 2,90 1,50 3,90 2,60 1,80 1,70 3,40 2,50 2,60 2,80 2,50 3,90 1,70 3,00 3,00 3,20 2,40 3,40 1,10 2,40 2,50 2,60 2,60 2,20 2,50 4,60 1,30 2,50 1,70 7 5,20 8,40 8,20 7,80 4,50 9,70 7,60 6,90 7,60 8,70 5,80 8,30 6,60 6,70 6,80 4,80 6,20 5,90 6,80 6,80 6,30 5,20 8,40 7,20 3,80 4,70 7,20 6,70 5,40 8,40 8,00 8,20 4,60 8,40 6,20 7,60 9,30 7,30 8,90 8,80 7,70 4,50 6,20 3,70 8,50 Dependentes 9 10 32,00 4,20 43,00 4,30 48,00 5,20 32,00 3,90 58,00 6,80 45,00 4,40 46,00 5,80 44,00 4,30 63,00 5,40 54,00 5,40 32,00 4,30 47,00 5,00 39,00 4,40 38,00 5,00 54,00 5,90 49,00 4,70 38,00 4,40 40,00 5,60 54,00 5,90 55,00 6,00 41,00 4,50 35,00 3,30 55,00 5,20 36,00 3,70 49,00 4,90 49,00 5,90 36,00 3,70 54,00 5,80 49,00 5,40 46,00 5,10 43,00 3,30 53,00 5,00 60,00 6,10 47,00 3,80 35,00 4,10 39,00 3,60 44,00 4,80 46,00 5,10 29,00 3,90 28,00 3,30 40,00 3,70 58,00 6,70 53,00 5,90 48,00 4,80 38,00 3,20

46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97

5,00 3,10 3,40 5,80 5,40 3,70 2,60 4,50 2,80 3,80 2,90 4,90 5,40 4,30 2,30 3,10 5,10 4,10 3,00 1,10 3,70 4,20 1,60 5,30 2,30 3,60 5,60 3,60 5,20 3,00 4,20 3,80 3,30 1,00 4,50 5,50 3,40 1,60 2,30 2,60 2,50 2,40 2,10 2,90 4,30 3,00 4,80 3,10 1,90 4,00 0,60 6,10

2,50 1,90 3,90 0,20 2,10 0,70 4,80 4,10 2,40 0,80 2,60 4,40 2,50 1,80 4,50 1,90 1,90 1,10 3,80 2,00 1,40 2,50 4,50 1,70 3,70 5,40 2,20 2,20 1,30 2,00 2,40 0,80 2,60 1,90 1,60 1,80 4,60 2,80 3,70 3,00 3,10 2,90 3,50 1,20 2,50 2,80 1,70 4,20 2,70 0,50 1,60 0,50

9,40 10,00 5,60 8,80 8,00 8,20 8,20 6,30 6,70 8,70 7,70 7,40 9,60 7,60 8,00 9,90 9,20 9,30 5,50 7,20 9,00 9,20 6,40 8,50 8,30 5,90 8,20 9,90 9,10 6,60 9,40 8,30 9,70 7,10 8,70 8,70 5,50 6,10 7,60 8,50 7,00 8,40 7,40 7,30 9,30 7,80 7,60 5,10 5,00 6,70 6,40 9,20

4,60 4,50 5,60 4,50 3,00 6,00 5,00 5,90 4,90 2,90 7,00 6,90 5,50 5,40 4,70 4,50 5,80 5,50 4,90 4,70 4,50 6,20 5,30 3,70 5,20 6,20 3,10 4,80 4,50 6,60 4,90 6,10 3,30 4,50 4,60 3,80 8,20 6,40 5,00 6,00 4,20 5,90 4,80 6,10 6,30 7,10 4,20 7,80 4,90 4,50 5,00 4,80

3,70 2,60 3,60 3,00 3,80 2,10 3,60 4,30 2,50 1,60 2,80 4,60 4,00 3,10 3,30 2,60 3,60 2,50 3,40 1,60 2,60 3,30 3,00 3,50 3,00 4,50 4,00 2,90 3,30 2,40 3,20 2,20 2,90 1,50 3,10 3,60 4,00 2,30 3,00 2,80 2,80 2,70 2,80 2,00 3,40 3,00 3,30 3,60 2,20 2,20 0,70 3,30

1,40 3,20 2,30 2,40 1,40 2,50 2,50 3,40 2,60 2,10 3,60 4,00 3,00 2,50 2,20 3,10 2,30 2,70 2,60 3,20 2,30 3,90 2,50 1,90 2,30 2,90 1,60 1,90 2,70 2,70 2,70 2,60 1,50 3,10 2,10 2,10 4,40 3,80 2,50 2,80 2,20 2,70 2,30 2,50 4,00 3,80 1,40 4,00 2,50 2,10 2,10 2,80

6,30 3,80 9,10 6,70 5,20 5,20 9,00 8,80 9,20 5,60 7,70 9,60 7,70 4,40 8,70 3,80 4,50 7,40 6,00 10,00 6,80 7,30 7,10 4,80 9,10 8,40 5,30 4,90 7,30 8,20 8,50 5,30 5,20 9,90 6,80 4,90 6,30 8,20 7,40 6,80 9,00 6,70 7,20 8,00 7,40 7,90 5,80 5,90 8,20 5,00 8,40 7,10

54,00 55,00 43,00 57,00 53,00 41,00 53,00 50,00 32,00 39,00 47,00 62,00 65,00 46,00 50,00 54,00 60,00 47,00 36,00 40,00 45,00 59,00 46,00 58,00 49,00 50,00 55,00 51,00 60,00 41,00 49,00 42,00 47,00 39,00 56,00 59,00 47,00 41,00 37,00 53,00 43,00 51,00 36,00 34,00 60,00 49,00 39,00 43,00 36,00 31,00 25,00 60,00

6,00 4,90 4,70 4,90 3,80 5,00 5,20 5,50 3,70 3,70 4,20 6,20 6,00 5,60 5,00 4,80 6,10 5,30 4,20 3,40 4,90 6,00 4,50 4,30 4,80 5,40 3,90 4,90 5,10 4,10 5,20 5,10 5,10 3,30 5,10 4,50 5,60 4,10 4,40 5,60 3,70 5,50 4,30 4,00 6,10 4,40 5,50 5,20 3,60 4,00 3,40 5,20

98 99 100 Mdia Desvio Padro

2,00 3,10 2,50 3,52 1,31

2,80 2,20 1,80 2,36 1,19

5,20 6,70 9,00 7,89 1,38

5,00 6,80 5,00 5,25 1,13

2,40 2,60 2,20 2,92 0,75

2,70 2,90 3,00 2,67 0,77

8,40 8,40 6,00 6,97 1,58

38,00 42,00 33,00 46,10 8,94

3,70 4,30 4,40 4,77 0,85