Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
|
|
- Diogo Paranhos Teves
- 5 Há anos
- Visualizações:
Transcrição
1 Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação de Varáves Contínuas Análse e Seleção de Varáves (Redução de Dados) Análse e Seleção de Varáves Análse e Seleção de Varáves Parte de uma área chamada de Redução de Dados Obtenção de uma representação reduzda em volume mas que produz resultados de análse dêntcos ou smlares Melhora o desempenho dos modelos de aprendzado Obetvo: Elmnar atrbutos redundantes ou rrelevantes Métodos Dependentes do Modelo (Wrapper) Métodos Independentes do Modelo (Flter) 1
2 Análse e Seleção de Varáves Métodos Independentes do Modelo Métodos Independentes do Modelo (Flter) Tpo do Atrbuto de Saída (Tpo de Aplcação) Saída Contínua (Ex.: Prevsão, Inferênca, etc) Saída Dscreta (Ex.: Classfcação) Tpo do Atrbuto de Entrada Entrada Contínua Entrada Dscreta Entrada Contínua / Saída Contínua Correlação Cruzada PCA modfcado Least Squares Estmator (LSE) Sngle Input Effectveness (SIE) Entrada Contínua / Saída Dscreta (A) Métodos Independentes do Modelo Correlação Cruzada EntradaDscreta/ SaídaContínua (B) Testes paraentradacontínua/ SaídaContínua, após se transformar o atrbuto de entrada dscreto em contínuo EntradaDscreta/ SaídaDscreta Teste do χ Método aplcável a entradas contínuas / saída contínua Mede relação lnear entre varável de entrada e varável de saída Caso haa relação fortemente não-lnear, não dará bons resultados Pode ndcar também o atraso (dead-tme, delay) entre as varáves
3 Correlação Cruzada Defnções: Matrz de dados de entrada: X [m x k] -ésma varável de entrada: x [m x 1] Varável de saída: y [m x 1] Função de correlação cruzada: c [m-1 x 1] Correlação Cruzada Defnções: Matrz de dados de entrada: X [m x k] -ésma varável de entrada: x [m x 1] Varável de saída: y [m x 1] Função de correlação cruzada: c [m-1 x 1] [] m ( x [ τ ] µ ) ( y[] µ y ) 1 c τ =, mσ σ = τ x y = mkm Correlação Cruzada Exemplo: Correlação Cruzada No Matlab (1): c = xcorr(x,y); stem(-99:99,c) xlm([-10 10]) 3
4 Correlação Cruzada Correlação Cruzada No Matlab (): crosscorr(x,y); xlm([-10 10]) Outro exemplo: Correlação Cruzada PCA modfcado Para todas as varáves: Método aplcável a entradas contínuas / saída contínua PCA tradconal é uma transformação de coordenadas, que pode ser usado para redução de dados Um modfcação no algortmo permte utlzá-lo como método de seleção de varáves 4
5 PCA modfcado PCA orgnal: Matrz de dados de entrada: X [n x k] Decompõe-se como: T T X = v1 p1 + v p + K+ v k p T k PCA modfcado PCA orgnal: X = v p T v p T + K+ v p + E, L k Vetores de loadng: p [k x 1], = 1...L Vetores de score: v [n x 1], = 1...L L T L Defne-se uma quantdade L k X = v p T v p T + K+ v p L T L + E, L k Matrz de loadngs: P [k x L] Matrz de scores: V [m x L] v = X p V = X P PCA modfcado PCA orgnal: A matrz X [m x k] é substtuída pela matrz V [m x L] Problema: perde-se o sentdo físco com as novas varáves v [n x 1], = 1...L Isto porque o PCA tradconal é um método de redução de dmensonaldade, e não de seleção de varáves PCA modfcado: mplca em um seleção sobre as varáves orgnas PCA modfcado PCA modfcado: Prmero componente prncpal: p 1 [k x 1] Cada elemento de p 1 ndca o peso da varável orgnal x na combnação lnear que defne a varável modfcada v 1. Maor elemento em p 1 : maor mportânca 5
6 PCA modfcado PCA modfcado: 1. Calcular PCA para matrz X [m x k]. Defnr o número L de varáves deseadas 3. Seleconar a varável orgnal x que corresponde ao maor elemento do vetor p 1 4. Remover a coluna x da matrz X [m x k], gerando a matrz Z [m x k-1] 5. Regredr a varável x na matrz Z, e calcular a matrz resdual E 6. Redefnr a matrz X = E 7. Retornar ao tem 3 até seleconar L varáves PCA modfcado PCA modfcado: 1. Calcular PCA para matrz X [m x k]. Defnr o número L de varáves deseadas 3. Seleconar a varável orgnal x que corresponde ao maor elemento do vetor p 1 4. Remover a coluna x da matrz X [m x k], gerando a matrz Z [m x k-1] T T W = Z x / ( x x ) 5. Regredr a varável x na matrz Z, e calcular a matrz T resdual E E = Z x W 6. Redefnr a matrz X = E 7. Retornar ao tem 3 até seleconar L varáves PCA modfcado Least Squares Estmator (LSE) PCA modfcado: Mantém as varáves orgnas Menor compactação que o PCA orgnal Possível colneardade entre as varáves orgnas Método aplcável a entradas contínuas / saída contínua Não supõe relação lnear entre entrada e saída Lnearza possíves relações não-lneares Busca expressar o comportamento da varação y da varável de saída y em função das varações x das dversas varáves de entrada x 6
7 Least Squares Estmator (LSE) Least Squares Estmator (LSE) Descrção resumda: Sea um sstema com n entradas x (=1..n) e uma saída y y: vetor que contém as varações da varável y x : vetor que contém as varações da varável x Sea a função F abaxo: F = y = b 1 x 1 + b x b n x n Os coefcentes b ndcam a mportânca, ou relevânca, da varável x em relação à saída y, no sentdo estatístco Os coefcentes b são calculados pelo método dos mínmos quadrados Algortmo: Sea uma função dferencável y quedescreveum sstema de n entradas e uma saída y = f ( x1, x, x3,..., xn Suponha que há dsponível um conunto de p pares de dados desta função (amostra) [ 3 ) T n [ x 1, x, x3,..., x n ] [0,1] T x1, x, x,..., xn, y ], = 1K p Least Squares Estmator (LSE) Least Squares Estmator (LSE) Algortmo: Seam o -ésmo e o k-ésmo valores de saída, respectvamente, y e y k Sea um ponto fxo arbtráro: Expansão em Sére de Taylor: f y = f ( X [ 1 3 X, X, X,..., ] X n n X X X n x X x X + x 1,, 3,... ) + = ( ) = 1 T r Algortmo: Expansões em Sére de Taylor: f y = f ( X y k n X X X n x X x X + x 1,, 3,... ) + = ( ) = 1 f = f ( X n k X X X n x X x X + x 1,, 3,... ) + = ( ) = 1 r r k 7
8 Least Squares Estmator (LSE) Least Squares Estmator (LSE) Algortmo: r, r k : resíduos de alta ordem, podem ser gnorados sem rsco de perder muta nformação se k ( x X ) 1 ( x X ) 1 Ou sea, os dados têm que estar normalzados pela faxa de varação! Algortmo: Subtrando as expressões: onde y y k = n k [ b ( x x )] = 1 f b = x = X x Least Squares Estmator (LSE) Least Squares Estmator (LSE) Algortmo: Subtrando as expressões: y y k = n k [ b ( x x )] = 1 Na prátca: Consderando dos índces, e k, pode-se defnr um vetor varação como: k k k k k T x x, x x, x x,..., x x, y y ] [ n n onde f b = x = X x Mas quem é a função f??? Base de dados contém p pares de dados Exste portanto uma quantdade de vetores p varação dada por = C m Essa quantdade pode ser muto grande! 8
9 Least Squares Estmator (LSE) Na prátca: Somente q (<<m) vetores varação são seleconados aleatoramente Pode-se então reescrever a expressão anteror de forma matrcal: y = x b + x b x b 1 1 n n onde y [q x 1] x [q x 1], = 1...n b [1 x 1], = 1...n Least Squares Estmator (LSE) Na prátca: Somente q (<<m) vetores varação são seleconados aleatoramente Pode-se então reescrever a expressão anteror de forma matrcal: y = X b onde y [q x 1] X [q x n] b [n x 1] Least Squares Estmator (LSE) Least Squares Estmator (LSE) Na prátca: Solução do sstema: b = X 1 y Seleção de varáves: y = x1 b1 + x b x n b n Problema: se q > n, não exste solução exata ou únca para b (sstema sobredetermnado) Solução: estmador por Mínmos Quadrados, utlzando a pseudo-nversa b * = ( X T X ) 1 X T y Cada coefcente b ndca o grau de mportânca da varável correspondente x Os valores b podem ser postvos ou negatvos Defne-se então: n mpo( x ) = b b mpo( ) = 1 = 1 n = 1 x 9
10 Sngle Input Effectveness (SIE) Método aplcável a entradas contínuas / saída contínua Tradução: Efetvdade de uma Entrada Isolada Calcula o grau de efetvdade de cada entrada em relação à saída Estes graus defnem um rankng das entradas Sngle Input Effectveness (SIE) Contudo, o método pressupõe uma relação lnear entre as entradas e a saída, e então aplca métodos da álgebra lnear Assm, ncalmente é necessáro estmar uma matrz de transferênca G, de modo que y = G x Caso haa uma relação não-lnear (como na maora dos casos), o método não é aplcável, e/ou seus resultados não são confáves Método aplcável para entradas contínuas / saída dscreta, ou para entradas dscretas / saída contínua É um Teste de Hpótese, orundo da área de Inferênca Estatístca Por smplcdade, apresentaremos o caso de varáves dscretas bnáras No caso de varáves dscretas com mas categoras, deve-se utlzar o método ANOVA (Analyss of Varance) Pressupõe que a varável dscreta (entrada ou saída) dvde os valores dsponíves da varável contínua (saída ou entrada) em dos grupos Cada grupo contém os valores contínuos que estão assocados a um dos valores dscretos 10
11 Exemplo: Base de Dados Meteorológcos Exemplo: Base de Dados Meteorológcos Tempo Temperatura Umdade Vento Jogar? (CLASSE) Sol Não Não Sol Sm Não Nublado Não Sm Chuva Não Sm Chuva Não Sm Chuva Sm Não Nublado Sm Sm Sol 7 95 Não Não Sol Não Sm Chuva Não Sm Sol Sm Sm Nublado 7 90 Sm Sm Nublado Não Sm Chuva Sm Não Tempo Temperatura Umdade Vento Jogar? (CLASSE) Sol Não Não Sol Sm Não Nublado Não Sm Chuva Não Sm Chuva Não Sm Chuva Sm Não Nublado Sm Sm Sol 7 95 Não Não Sol Não Sm Chuva Não Sm Sol Sm Sm Nublado 7 90 Sm Sm Nublado Não Sm Chuva Sm Não No exemplo: Base de Dados Meteorológcos Varável de entrada Temperatura: Saída Não: 85, 80, 65, 7, 71 (méda 74,6) Saída Sm: 83, 70, 68, 64, 69, 75, 75, 7, 81 (méda 73,0) Varável de entrada Umdade: Saída Não: 85, 90, 70, 95, 91 (méda 86,) Saída Sm: 86, 96, 80, 65, 70, 80, 70, 90, 75 (méda 79,1) As dferenças entre as médas são sgnfcatvas?? A dferença entre as médas é sgnfcatva? m 1 m m 11
12 Premssas: Separa-se os valores da varável contínua que são correspondentes às duas categoras da varável dscreta, formando assm duas varáves contínuas dstntas, x 1 e x Exstem n 1 amostras da varável x 1, e n amostras da varável x Essas varáves têm médas µ 1 e µ e varâncas σ 1 e σ, respectvamente As varáves têm dstrbução normal As varâncas são guas (σ 1 = σ ) Caso não seam, deve-se aplcar o teste de Welch Hpóteses: H 0 : µ 1 = µ (µ 1 - µ = 0) H 1 : µ 1 µ (µ 1 - µ 0) Hpótese Nula Hpótese Alternatva Obetvo do Teste de Hpótese: reetar a hpótese nula! µ Estatístca de Teste (Welch): 1 µ t = σ1 σ + n n 1 Hpóteses: H 0 : µ 1 = µ (µ 1 - µ = 0) H 1 : µ 1 µ (µ 1 - µ 0) Hpótese Nula Hpótese Alternatva Obetvo do Teste de Hpótese: reetar a hpótese nula! Estatístca de Teste (Student): µ 1 µ t = 1 1 σ + n n 1 Dstrbução de Student: Famíla de dstrbuções, defndas pelo número de graus de lberdade, N Matlab: p = tpdf(x,n) x = -10:0.01:10; p = tpdf(x,1); plot(x,p) 1
13 Dstrbução de Student: Dstrbução de Student x Normal: Dstrbução de Student x Normal: Dstrbução de Student x Normal: 13
14 Valor p: Número de graus de lberdade: N = n 1 + n p = tpdf(t, N); Valor p Interpretação do Valor p: O valor p ndca a probabldade de que a dferença observada entre as médas tenha ocorrdo por acaso Quanto menor o valor p, maor a probabldade de que as médas das varáves seam realmente dferentes Normalmente trabalha-se com um lmar em 5%, ou sea, valores p menores que 5% (0,05) ndcam sgnfcânca estatístca na dferença observada No exemplo: Base de Dados Meteorológcos Varável de entrada Temperatura: Saída Não: x 1 = {85, 80, 65, 7, 71} n 1 = 5 µ 1 = 74,6 σ 1 = 6,3 Saída Sm: x = {83, 70, 68, 64, 69, 75, 75, 7, 81} n = 9 µ = 73,0 σ = 38,0 No exemplo: Base de Dados Meteorológcos Varável de entrada Temperatura: Saída Não: x 1 = {85, 80, 65, 7, 71} n 1 = 5 µ 1 = 74,6 74,6 73,0 σ 1 = 6,3 t = = 0,3917 6, Saída Sm: x = {83, 70, 68, 64, 69, 75, 75, 7, 81} n = 9 µ = 73,0 σ = 38,0 5 9 N = = 1 p = tpdf(0,3917, 1) = 0,3598 = 35,98% 14
15 Varável de entrada Temperatura: No exemplo: Base de Dados Meteorológcos Varável de entrada Umdade: Saída Não: x 1 = {85, 90, 70, 95, 91} n 1 = 5 µ 1 = 86, σ 1 = 94,7 Saída Sm: x = {86, 96, 80, 65, 70, 80, 70, 90, 75} n = 9 µ = 79,1 σ = 104,4 No exemplo: Base de Dados Meteorológcos Varável de entrada Umdade: Saída Não: x 1 = {85, 90, 70, 95, 91} n 1 = 5 µ 1 = 86, 86, 79,1 σ 1 = 94,7 t = = 1,848 94,7 104,4 + Saída Sm: x = {86, 96, 80, 65, 70, 80, 70, 90, 75} n = 9 µ = 79,1 σ = 104,4 5 9 N = = 1 p = tpdf(1,848, 1) = 0,1691 = 16,91% No exemplo: Base de Dados Meteorológcos: Temperatura Umdade 15
16 Teste do χ No exemplo: Base de Dados Meteorológcos: Temperatura: p = 0,3598 = 35,98% Umdade: p = 0,1691 = 16,91% Em relação ao lmar de 5%, nenhuma das varáves de entrada é sgnfcatva (ou relevante) Contudo, pode-se dzer que a varável umdade provavelmente é mas sgnfcatva que a varável temperatura Método aplcável a entradas dscretas / saída dscreta Também é um Teste de Hpótese Baseado na construção de Tabelas de Contngênca (também chamadas de Matrzes de Confusão) Aplcável a qualquer número de categoras para cada varável dscreta Teste do χ Teste do χ Exemplo: Base de Dados Meteorológcos Tempo Temperatura Umdade Vento Jogar? (CLASSE) Sol Não Não Sol Sm Não Nublado Não Sm Chuva Não Sm Chuva Não Sm Chuva Sm Não Nublado Sm Sm Sol 7 95 Não Não Sol Não Sm Chuva Não Sm Sol Sm Sm Nublado 7 90 Sm Sm Nublado Não Sm Chuva Sm Não Exemplo: Base de Dados Meteorológcos Valores da Varável Vento para cada Classe da Varável Jogar: Não Jogar (5 casos): Não, Sm, Sm, Não, Não Vento Não: 3 casos Vento Sm: casos Jogar (9 casos): Não, Não, Não, Sm, Não, Não, Sm, Sm, Não Vento Não: 6 casos Vento Sm: 3 casos 16
17 Teste do χ Tabela de Contngênca para a varável Vento: Jogar? Não Sm Total Teste do χ Hpóteses: H 0 : As freqüêncas das lnhas e colunas são ndependentes H 1 : As freqüêncas das lnhas e colunas são dependentes Vento? Não Sm 3 5 Total Obetvo do Teste de Hpótese: reetar a hpótese nula! Calcula-se ncalmente qual sera a tabela de contngênca no caso da hpótese nula ser verdadera Teste do χ Tabela de Contngênca Observada para o caso geral com duas categoras: Saída Não Sm Total Teste do χ Tabela de Contngênca Esperada para o caso geral com duas categoras: Saída Não Sm Total Não O 11 O 1 TL 1 Não E 11 E 1 TL 1 Entrada Sm O 1 O TL Total TC 1 TC T Entrada Sm E 1 E TL Total TC 1 TC T 17
18 Teste do χ Tabela de Contngênca Esperada para o caso geral com duas categoras: Saída Não Sm Total Teste do χ Tabela de Contngênca Observada para a varável Vento: Jogar? Não Sm Total Não E E= TL 11 x TC / ET 1 TL 1 Entrada Sm E 1 E TL Total TC 1 TC N Vento? Não Sm 3 5 Total Teste do χ Tabela de Contngênca Observada para a varável Vento: Jogar? Vento? T = 14 Não Sm Total TL Não 3 1 = TL = 5 Sm TC 1 = Total 5 TC = Teste do χ Tabela de Contngênca Esperada para a varável Vento: Jogar? Vento? Não Sm Total E 11 = 9 x 5 / 14 = 3, Não E3 6 1 = 9 x 9 / 14 = 5,8 9 E 1 = 5 x 5 / 14 = 1,8 Sm E 3 = 5 x 9 / 14 = 3, 5 Total
19 Teste do χ Tabela de Contngênca Observada para a varável Vento: Jogar? Não Sm Total Teste do χ Tabela de Contngênca Esperada para a varável Vento: Jogar? Não Sm Total Vento? Não Sm 3 5 Vento? Não 3, 5,8 9 Sm 1,8 3, 5 Total Total Teste do χ Teste do χ Hpóteses: H 0 : As freqüêncas das L lnhas e C colunas são ndependentes H 1 : As freqüêncas das L lnhas e C colunas são dependentes Estatístca de Teste (χ ): χ N N ( E O ) = = 1 = 1 E Tabela de Contngênca Esperada para a varável Vento: Jogar? ( 3, 3,0) ( 5,8 6,0) ( ) ( ) Não 1,8,0 Sm 3,Total 3,0 χ = , Vento? 5,8 1,8 Não 3, 5,8 9 Sm 1,8 3, 5 χ = 0,0541 3, Total
20 Teste do χ Teste do χ Dstrbução de χ : Famíla de dstrbuções, defndas pelo número de graus de lberdade, N Matlab: p = chpdf(x,n) Valor p: Número de graus de lberdade: N = (L-1)x(C-1) p = chpdf(ch, N); x = 0:0.01:5; p = chpdf(x,1); plot(x,p) Valor p Teste do χ Interpretação do Valor p: O valor p ndca a probabldade de que a dependênca observada entre as freqüêncas tenha ocorrdo por acaso Quanto menor o valor p, maor a probabldade de que as freqüêncas das varáves seam realmente dependentes Normalmente trabalha-se com um lmar em 5%, ou sea, valores p menores que 5% (0,05) ndcam sgnfcânca estatístca na dependênca observada No exemplo: Número de graus de lberdade: N = (-1)x(-1) = 1 χ = 0,0541 p = chpdf(0,0541, 1); p = 1,67 = 167% Ou sea, a varável Vento NÃO É relevante 0
21 Teste do χ Exemplo alterado: Valores da Varável Vento para cada Classe da Varável Jogar: Não Jogar (5 casos): Sm, Sm, Sm, Sm, Não Vento Não: 1 caso Vento Sm: 4 casos Teste do χ Tabela de Contngênca Observada para a varável Vento: Jogar? Não Sm Total Jogar (9 casos): Não, Não, Não, Não, Não, Não, Sm, Sm, Não Vento Não: 7 casos Vento Sm: casos Vento? Não Sm 4 6 Total Teste do χ Tabela de Contngênca Observada para a varável Vento: Jogar? Teste do χ Tabela de Contngênca Esperada para a varável Vento: Jogar? Vento? Não Sm Total E 11 = 8 x 5 / 14 = 3, Não E1 7 1 = 8 x 9 / 14 = 5,8 8 E 1 = 6 x 5 / 14 = 1,8 Sm E4 = 6 x 9 / 14 = 3, 6 Vento? Não Sm Total Não,9 5,1 8 Sm,1 3,9 6 Total Total
22 Teste do χ Tabela de Contngênca Esperada para a varável Vento: Jogar? (,9 1,0) ( 5,1 7,0) (,1 4,0) ( 3,9,0) χ = + + +,9 5,1,1 Não Sm Total χ = 4,60 Não,9 5,1 8 3,9 Vento? p = Sm chpdf(0,0541,,1 1); 3,9 6 p = 0,0187 = 1,87% Total Ou sea, a varável Vento É relevante
Mineração de Dados. Análise e Seleção de Variáveis
Mineração de Dados Análise e Seleção de Variáveis 1 Análise e Seleção de Variáveis Parte da uma área chamada de Redução de Dados Obtenção de uma representação reduzida em volume mas que produz resultados
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisa média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): Vnte e cnco
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisNOTAS DE AULA DA DISCIPLINA CE076
5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia mais1ª PROVA DE ESTATÍSTICA EXPERIMENTAL
UNIVERSIAE ESTAUAL PAULISTA FACULAE E CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS E JABOTICABAL ª PROVA E ESTATÍSTICA EXPERIMENTAL - MEICINA VETERINÁRIA NOME: ATA / / ª QUESTÃO (5,5): Vnte suínos foram dstrbuídos
Leia maisAnálise Multivariada
Análse Multvarada Aula 3: Análse Fatoral Prof. Admr Antono Betarell Junor Juz de Fora Análse Fatoral ACP procura seleconar um n mínmo de componentes, não correlaconados, para expressar o máxmo possível
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia mais8.16. Experimentos Fatoriais e o Fatorial Fracionado
8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisNeste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais.
1 1Imagem Dgtal: Estatístcas INTRODUÇÃO Neste capítulo abordam-se os prncpas concetos relaconados com os cálculos de estatístcas, hstogramas e correlação entre magens dgtas. 4.1. VALOR MÉDIO, VARIÂNCIA,
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisUNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA
UNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA JEFFERSON PINTO BARBOSA JUNIOR ECONOMETRIA: MULTICOLINEARIDADE E HETEROCEDASTICIDADE
Leia maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisEstatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais