Relação entre níveis de significância Bayesiano e freqüentista: e-value e p-value em tabelas de contingência
|
|
- Manuel Leal Amaral
- 5 Há anos
- Visualizações:
Transcrição
1 Relação etre íves de sgfcâca Bayesao e freqüetsta: e-value e p-value em tabelas de cotgêca Cáta Petr DISSERTAÇÃO APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO PAULO PARA OBTENÇÃO DO TÍTULO DE MESTRE EM CIÊNCIAS Área de cocetração: Estatístca Oretador: Prof. Dr. Carlos Alberto de Bragaça Perera São Paulo, feverero de 007.
2 Relação etre íves de sgfcâca Bayesao e freqüetsta: e-value e p-value em tabelas de cotgêca Este eemplar correspode à redação fal da dssertação devdamete corrgda e defda por Cáta Petr e aprovada pela Comssão Julgadora. São Paulo, 0 de Abrl de 005. Baca Eamadora: Prof. Dr. Carlos Alberto de Bragaça Perera (oretador) - IME/USP Prof. Dr. José Afoso Mazzo - FEA/USP Prof. Dr. Sergo Wechsler - IME/USP
3 À memóra de Elzabeth, mha mãe querda 3
4 Agradecmetos Em prmero lugar, agradeço ao grade mestre e amgo, o Professor Carlhos, pela oretação esta dssertação e por todos os esametos que valerão para a vda tera. Agradeço ao meu pa, João, por todos os coselhos perfetos que me guaram até aqu. Aos meus rmãos, João e Macel, e meu sobrho Marquhos, pelo carho e apoo sempre. Ao Dallo Nakao e aos amgos do IME, que ão me dearam desstr dos estudos date das dfculdades da vda. Ao grade amgo Paulo Olvera, da Pol, que com seu cohecmeto e dedcação torou possível a otmzação dos programas aqu utlzados. À Uversdade de São Paulo e ao Isttuto de Matemátca e Estatístca pela oportudade cocedda de aperfeçoar meus estudos. 4
5 Resumo O FBST (Full Bayesa Sgfcace Test) é um procedmeto para testar hpóteses precsas, apresetado por Perera e Ster (999), e baseado o cálculo da probabldade posteror do cojuto tagete ao cojuto que defe a hpótese ula. Este procedmeto é uma alteratva Bayesaa aos testes de sgfcâca usuas. Neste trabalho, estudamos a relação etre os resultados do FBST e de um teste freqüetsta, o TRVG (Teste da Razão de Verossmlhaças Geeralzado), através de algus problemas clásscos de testes de hpóteses. Apresetamos, também, todos os procedmetos computacoas utlzados para a resolução automátca dos dos testes para grades amostras, ecessára ao estudo da relação etre os testes. 5
6 Abstract FBST (Full Bayesa Sgfcace Test) s a procedure to test precse hypotheses, preseted by Perera ad Ster (999), whch s based o the calculus of the posteror probablty of the set taget to the set that defes the ull hypothess. Ths procedure s a Bayesa alteratve to the usual sgfcace tests. I the preset work we study the relato betwee the FBST's results ad those of a frequetst test, GLRT (Geeralsed Lkelhood Rato Test) through some classcal problems hypotess testg. We also preset all computer procedures that compose the automatc solutos for applyg FBST ad GLRT o bg samples what was ecessary for studyg the relato betwee both tests. 6
7 Sumáro. Itrodução...9. Dstrbução de Drchlet.... Defção.... Uma Propredade....3 Uma Cojectura....4 Famíla Cojugada de Dstrbuções Testes Bayesao e Clássco (Freqüetsta) O FBST (Full Bayesa Sgfcace Test) O TRVG (Teste da Razão de Verossmlhaças Geeralzado) Aplcações Teste para Proporção Hpótese Nula FBST TRVG Resultados e Comparação Teste para Homogeedade de Proporções Hpótese Nula FBST TRVG Resultados e Comparação Teste de Homogeedade de Margas (O Problema de McNemar) Hpótese Nula FBST TRVG Resultados e Comparação Teste do Equlíbro Populacoal de Hardy-Weberg Hpótese Nula FBST TRVG Resultados e Comparação Teste de Idepêca Hpótese Nula
8 4.5. FBST TRVG Resultados e Comparação Cosderações Fas Referêcas Bblográfcas...67 A. Aeo - Programação o MatLab...68 A.0 O Ajuste da fução Beta Acumulada...68 A. Teste para Proporção...70 A.. FBST...70 A.. TRVG...7 A..3 O programa para calcular as duas estatístcas para grades amostras...7 A. Teste para Homogeedade de Proporções...74 A.. FBST...74 A.. TRVG...75 A..3 O programa para calcular as duas estatístcas para grades amostras...76 A.3 Teste de Homogeedade de Margas (O Problema de McNemar)...79 A.3. FBST...79 A.3. TRVG...80 A.3.3 O programa para calcular as duas estatístcas para grades amostras...8 A.4 Teste do Equlíbro Populacoal de Hardy-Weberg...83 A.4. FBST...83 A.4. TRVG...85 A.4.3 O programa para calcular as duas estatístcas para grades amostras...86 A.5 Teste de Idepêca...88 A.5. FBST...88 A.5. TRVG...90 A.5.3 O programa para calcular as duas estatístcas para grades amostras...9 8
9 . Itrodução A lteratura estatístca está repleta de procedmetos que vsam testar hpóteses estatístcas. Este trabalho se restrge aos testes de sgfcâca. Por teste de sgfcâca eta-se um procedmeto crado para medr a cosstêca dos dados com a hpótese so testada, deomada hpótese ula. Na lteratura estatístca freqüetsta, o cálculo do valor p (o p-value) é o eemplo mas cohecdo de tas procedmetos. Dversos métodos estão dspoíves para calcular o valor p. Recetemete, uma alteratva Bayesaa fo crada, e o valor e (e-value) passa a ser a alteratva Bayesaa do valor p. Esta dssertação rá focar a resolução de 5 problemas estatístcos amplamete dvulgados a lteratura através da utlzação de dos testes estatístcos de sgfcâca: ) Um teste Bayesao: o Full Bayesa Sgfcace Test (FBST) ou Teste de Sgfcâca Geuamete Bayesao, baseado a dstrbução a posteror, através do qual será calculado o e-value; ) Um teste Clássco: o Teste da Razão de Verossmlhaças Geeralzado (TRVG), baseado a razão etre os mámos - geral e sob a hpótese ula - através da qual será calculado o p-value. Os problemas aqu estudados serão baseados em hpóteses precsas. Ete-se por hpótese precsa aquela defda em um subespaço do espaço paramétrco cuja dmesão é meor do que a dmesão do espaço paramétrco orgal. Os problemas estudados são: ) Teste para a Proporção; ) Teste para Homogeedade de Proporções; 3) Teste de Homogeedade de Margas (o problema de McNemar); 4) Teste do Equlíbro Populacoal de Hardy-Weberg; e 5) Teste de Idepêca. O objetvo desta dssertação é apresetar ambos os cálculos, e-value e p- value, para os dferetes problemas, apresetar os programas utlzados para a aplcação dos testes para amostras cosderadas grades e, falmete, determar o tpo de relação estete etre p-value e e-value para cada problema. Na verdade 9
10 mostraremos que algumas fuções Beta acumuladas realzam bem o papel de relacoar o e-value ao p-value. O Capítulo apreseta a dstrbução de Drchlet e os prcpas resultados ecessáros para a aplcação do FBST. O Capítulo 3 apreseta de forma sucta o FBST e o TRVG. O Capítulo 4 apreseta os problemas com as defções das hpóteses de teresse, a resolução pelos dos métodos, a comparação etre os resultados e o melhor ajuste etre eles. Toda a programação fo feta o software MatLab, versão a release 3, e ecotra-se cometada o Aeo e dspoível em CD. Também estão dspoíves o CD todos os dados obtdos os eercícos aqu resolvdos e mostrados os gráfcos. 0
11 . Dstrbução de Drchlet. Defção Um vetor aleatóro θ (θ, θ,..., θ k ), com θ > 0 e θ, tem dstrbução de Drchlet de ordem k com parâmetros a (a, a,..., a k ), a > 0, se a desdade de θ é a fução k k a θ g( θ ) Γ a, Γ( a ) ode Γ(a ) é a fução Gama avalada o poto a. Em símbolos, escreve-se: θ a ~ D k (a).. Uma Propredade Cosderado as compoetes do vetor aleatóro z (z, z..., z k ) como varáves possudo dstrbução Gama, mutuamete depetes, com parâmetros (a, b), com a (a, a..., a k ), um vetor de compoetes reas postvas, e mesmo parâmetro escala b > 0, ou seja: z (a, b) ~ G(a, b) e a a b z f( z a,b), bz e Γ(a ) se t z + z z k, etão são váldas as segutes propredades: ) t (a, b) ~ G( a, b); ) se z θ, etão θ a ~ D k (a); t
12 ) v) z e t são depetes, fado a; t a méda e a matrz de covarâcas para θ são, respectvamete: µ µµ ' a µµ ' µ E( θ a) e Σ t t + M µµ ' µ µµ ' µµ ' M µµ ' K K O K µµ ' µµ ' M µ k µµ ' ode cada µ é uma compoete do vetor µ. A demostração das propredades acma pode ser verfcada em Perera & Basu (98). Dversos autores já mecoaram que o logartmo de uma varável Gama é bem apromado por uma varável Normal, ou seja, se um vetor z tem dstrbução Gama, etão este uma varável y com dstrbução Log-ormal equvalete a z. Para maores detalhes, veja Atchso & She (980). No trabalho de Rodrgues (005) é feta uma loga dscussão a respeto deste resultado, clusve grafcamete mostrado a qualdade da apromação etre as dstrbuções Gama(a,b) e Log-ormal de acordo com as possíves varações de a e b. Ada o mesmo trabalho estão dspoíves outros resultados mportates, como sobre a partção do vetor θ que possu dstrbução Drchlet resultar em vetores depetes também com dstrbução de Drchlet ou ada a defção da Drchlet de segudo tpo obtda através de uma reparametrzação do vetor θ. Com todos os resultados já apresetados, pode-se trabalhar com a apromação ormal para a reparametrzação do vetor θ com dstrbução Drchlet, coforme segue:.3 Uma Cojectura Seja θ a ~ D k (a), ao aplcar o vetor θ (θ, θ,..., θ k ) a reparametrzação w (w ( ),w,...,w k ) l θ,θ,..., θk-, θk
13 pode-se dzer que w tem dstrbução apromadamete ormal k-dmesoal com vetor de médas dado por: e matrz de covarâcas dada por: µ w Ψ(a) -Ψ(ak ) Ψ(a ) -Ψ(ak ) E( w ), M Ψ(ak-) -Ψ(ak ) Σ w Ψ' (a) + Ψ' (ak ) Ψ' (ak ) M Ψ' (ak ) Ψ' (a Ψ' (a ) + Ψ' (a ) M Ψ' (a k k ) ) k L L O L Ψ' (a Ψ' (a Ψ' (a k- M k k ) ) ) + Ψ' (a k, ) ode Ψ (a k ) e Ψ' (a k ) são respectvamete as fuções dgama e trgama avaladas o poto a k e defdas como: Γ'(ak ) Ψ(ak ) l Γ(ak ) eψ' (ak ) Ψ(ak ). a Γ(a ) a k k k.4 Famíla Cojugada de Dstrbuções Segudo Berger e Casella (00), a metodologa Bayesaa, o parâmetro θ (ou vetor de parâmetros θ) é tdo como uma quatdade descohecda, porém fa, cuja varação pode ser descrta por uma dstrbução de probabldade, chamada de dstrbução a pror. Esta dstrbução é subjetva, baseada apeas o cohecmeto do pesqusador e é defda ates que os dados sejam observados. Após se retrar uma amostra da população, a dstrbução a pror pode ser atualzada com a formação observada de modo a se obter a dstrbução a posteror. Esta atualzação é feta utlzado-se o fator de Bayes. Ao deotar a dstrbução a pror por π(θ) e a dstrbução amostral por f( θ), a dstrbução a posteror é dada por 3
14 ( ) ( ) f( θ)πθ πθ ( ), f( θ)πθ dθ ote que a dstrbução a posteror é uma dstrbução codcoal aos dados observados a amostra. Esta dstrbução agora é utlzada para se fazer ferêcas a respeto do parâmetro θ. Os problemas que serão estudados este trabalho estão restrtos aos vetores de dados observados (,, 3, 4 ), com, assocados ao vetor de parâmetros θ (θ, θ, θ 3, θ 4 ), com θ. A dstrbução codcoal de dado θ chama-se Dstrbução Multomal e é dada por 4 θ P( X θ)!,! em símbolos, escreve-se θ ~ M 4 (; θ). Para os problemas em que e θ possuem dmesão, a dstrbução de θ chama-se tromal e, o caso de dmesão, a dstrbução de θ cocde com a dstrbução bomal. Perera e Vaa (98) demostram que a dstrbução Drchlet está aturalmete cojugada com a dstrbução Multomal, por sso, a dstrbução Drchlet tora-se uma escolha atural como dstrbução a pror para os parâmetros aqu estudados. Desta maera, se θ a ~ D 4 (a), coforme defdo em. e se θ ~ M 4 (; θ), coforme defdo acma, etão θ ~ D 4 (a+). Demostração: pelo fator de Bayes, tem-se f ( θ ) P( θ)π P( θ)π ( θ) ( θ) dθ!! 4 4 θ Γ! θ Γ! 4 4 a a 4 4 θ Γ θ Γ a ( a ) a ( a ) j dθ 4
15 5 ( ) ( ) + + θ θ d θ θ d θ θ a! a! θ θ a! a! a 4 j k 4 a 4 j k a a Γ Γ Γ Γ. Perera e Vaa (98) demostram que ( ) k k 4 a a d θ Γ Γ θ a e, desta forma, segue que θ ~ D 4 (a+). As prors utlzadas este trabalho serão de dmesão 4 ou meor com vetor de parâmetros a.
16 3. Testes Bayesao e Clássco (Freqüetsta) 3. O FBST (Full Bayesa Sgfcace Test) O FBST (Full Bayesa Sgfcace Test ou Teste de Sgfcâca Geuamete Bayesao) fo prmero apresetado por Perera & Ster (999) como um teste Bayesao coerete e tutvo. Trata-se de um teste de sgfcâca estatístco baseado apeas a dstrbução a posteror, com o objetvo de determar a evdêca que os dados carregam a favor de uma hpótese precsa. Este teste pode ser mplemetado utlzado metódos de otmzação umérca e téccas de tegração. Como dto aterormete, por hpótese precsa ete-se H : θ Θ, Θ H Θ e dm( Θ H ) < dm( Θ). Neste trabalho será utlzada uma versão geeralzada do FBST, descrta por Madruga et al (003) que utlza uma desdade referêca o espaço paramétrco. A desdade referêca é escolhda o espaço das desdades sobre o espaço paramétrco orgal, ode a desdade a pror é defda. Em geral, a escolha da referêca reca sobre a desdade que descreve a meor formação sobre θ. Para este trabalho, a escolha da classe de dstrbuções a pror está restrta à classe de dstrbuções de Drchlet de ordem k. Uma escolha tutva e atural para a desdade referêca é a própra Drchlet com vetor de parâmetros formado por em todas as posções, que é, a realdade, a própra desdade Uforme. Sejam uma hpótese precsa H: θ Θ, f(θ) e r(θ) as desdades a posteror e referêca para θ, respectvamete, defe-se: H H θ * * f( θ) * f( θ) f( θ ) arg ma e s ma. θ Θ * H r( θ) θ Θ H r( θ) r( θ ) f( θ) A fução s( θ ) é chamada surpresa relatva. Defe-se também o r( θ) espaço paramétrco Θ o cojuto de maor surpresa relatva (em glês, hghest 6
17 relatve surprse set - HRSS), que em qualquer poto de * Θ de potos Θ H, ou seja: θ Θ com surpresa relatva s(θ) maor do f( θ) * Θ * θ Θ s. r( θ) Note que o cojuto * Θ é tagete ao cojuto Θ H em * Θ. A evdêca cotra H, de acordo com os dados amostras é dada pela probabldade a posteror do cojuto tagete * Θ : ev f( θ)dθ. * Θ O valor da evdêca a favor de H é o complemetar de ev, ou seja, e-value - ev. O FBST rejeta a hpótese ula quado o e-value resultar em um valor pequeo. O cálculo do FBST é feto em duas etapas: ) Otmzação umérca: cosste em ecotrar o argumeto que mamza a surpresa relatva sob a hpótese H: θ * arg ma f( θ) ; r( θ θ ΘH ) ) Itegração umérca: cosste em tegrar a desdade a posteror sobre a regão tagete: ev f( θ)dθ. * Θ Esta defção da evdêca cotra H é varate quato a uma possível reparametrzação de θ. Voltado aos problemas que serão aalsados este trabalho, ao aplcar em θ (θ, θ, θ, θ ) a reparametrzação vsta a cojectura.3, obtém-se: 7
18 w (w, w, w 3 ) l ( θ, θ, θ), θ e, de acordo com a cojectura, o vetor w tem dstrbução apromadamete ormal com matrz de médas µ w e de covarâcas Σ w, respectvamete, ou seja, g(w) ~ N(µ w, Σ w ). Da mesma forma, a desdade referêca também será apromada por uma ormal com matrz de médas µ r e de covarâcas Σ r, respectvamete, ou seja, q(w) ~ N(µ r, Σ r ). Deste modo, a fução surpresa relatva passa a ser: f( w) s( w) r( w) πσ w πσ r ( w µ ep Σw w ( w µ r ) ep Σr ) [( )' Σ ( ) - ( )' Σ ( )] Σ w Σr ep w µ r r w µ r w µ w w w µ w. As partculardades para cada tpo de problema e hpóteses serão apresetadas o prómo capítulo juto da resolução dos testes. 3. O TRVG (Teste da Razão de Verossmlhaças Geeralzado) Defção Seja,,..., uma amostra aleatóra da varável aleatóra X, com fução de desdade ou probabldade f( θ), com θ Θ. A fução de verossmlhaça de θ assocada a esta amostra é dada por: L( θ; ) f( θ). 8
19 Defção O estmador de máma verossmlhaça de θ, chamado de θˆ, é o valor de Θ que mamza a fução de verossmlhaça defda acma. Sejam as hpóteses: H: θ Θ Η A : θ Θ A ode Θ ΘH Θ A, ΘH Θ A, ΘH, Θ. A O Teste da Razão de Verossmlhaças Geeralzado pode ser defdo como o teste que utlza como estatístca a razão λ( ) de duas mamzações: ) o mámo restrto ao subespaço defdo por H; ) o mámo da verossmlhaça. supθ Θ L( θ; ) H A razãoλ( ), ou seja, a razão das verossmlhaças calculadas sup L( θ; ) θ Θ em seus mámos, deve varar etre 0 e. É tutvo otar que quado H é verdadera, espera-se que λ( ) esteja prómo de e, quado H for falsa, esperase que λ() esteja prómo de 0. Wlks (935, 938) mostrou que, quado, a dstrbução ula (dstrbução sob H) de -λ() é apromadamete Qu-Quadrado, com úmero de graus de lberdade determado pela dfereça etre as dmesões do espaço paramétrco orgal e do subespaço defdo por H. 9
20 4. Aplcações Para o Cálculo do FBST, a etapa de otmzação umérca pode ser realzada de duas maeras: ) utlzado o estmador de máma verossmlhaça θˆ de θ como o mámo da fução surpresa relatva; ) embora o uso do EMV de θ seja correto, pode-se calcular o poto de mámo da fução utlzado algum método de otmzação própro do software utlzado. Apesar de os dos cálculos apresetarem resultados dêtcos, ambos serão apresetados os programas do aeo. Quado o poto de mámo θˆ for de fácl cálculo, basta substtuí-lo a fução surpresa relatva para ecotrar seu mámo, dessa forma ecoomzado tempo de processameto. Quado o poto de mámo ão for cohecdo, o mámo da fução surpresa relatva pode ser ecotrado com téccas de otmzação própras do software. A obteção do poto de mámo pelos dos métodos é apresetada o aeo. Quado o úmero de potos amostras cujas fuções devem ser otmzadas é muto grade, como em algus eemplos mostrados a segur, o fato de cohecer o poto de mámo através de θˆ é muto vatajoso pos ajudará a reduzr sesvelmete o tempo de processameto computacoal. Ada para o FBST, a etapa de tegração umérca é feta através do cálculo da fução surpresa relatva em 0 ml amostras apresetado dstrbução ormal com méda e varâca defda em cada problema, estes potos amostras são aleatorzados pelo software. A proporção de potos que apresetarem valor da fução surpresa relatva feror ao valor obtdo o poto de mámo é o própro e- value. Todos os cálculos do TRVG produzdo os p-values também foram programados e serão apresetados o aeo. Para elucdar a relação etre p-value e e-value, em todos os eemplos, os potos (p-value, e-value) foram apresetados em forma de gráfco. Será possível otar que este uma forte correlação etre os mesmos. Um dos objetvos deste trabalho é eplctar esta relação através de fuções Beta acumuladas, sto é, 0
21 mostrar que a relação etre p-value e e-value é apromada por uma fução de dstrbução Beta: ( a,b) B a,b ( ) ( t) a b f t dt, 0 a com ( a,b) t ( t) 0 b B dt. Para a obteção dos parâmetros a e b da fução Beta acumulada, o prmero passo fo cosderar, para os potos do gráfco dos e-values em fução dos p- values, uma dscretzação o eo dos p-values, calculado-se para cada tervalo o valor médo dos e-values. Após este cálculo, gerou-se uma sple de ordem cúbca para terpolar os valores obtdos a dscretzação. Esta sple é utlzada como base para obter-se os coefcetes da fução Beta acumulada. Para sso foram calculados os valores de referêca para a sple através de uma ova dscretzação, maor que a utlzada para sua costrução. Os parâmetros da fução Beta acumulada foram varados em um dado tervalo e, com um passo cohecdo, fo utlzado o método dos mímos quadrados para mmzar o erro etre as duas curvas testadas (o erro mmzado é a soma dos quadrados das dfereças etre os valores de referêca calculados para as duas curvas cosderadas), so os valores da fução Beta acumulada obtdos a mesma dscretzação utlzada para o cálculo dos valores de referêca da sple. A precsão dos parâmetros calculados para as Betas chegou à ordem de Teste para Proporção O teste para a Proporção é um eemplo padrão que tem por objetvo determar se a taa de ocorrêca de uma determada característca em uma população X pode ser represetada por um valor cohecdo p. O espaço paramétrco é o tervalo utáro Θ {0 θ }. Uma amostra de dvíduos é retrada da população. Seja o úmero de dvíduos a amostra que apresetam a característca em estudo, se a proporção
22 de dvíduos com a característca a população for represetada por θ, ( 0 θ ), etão X ~ B(, θ ). Como eemplos de aplcação deste teste, podemos ctar as pesqusas fetas ates e após as propagadas eletoras para verfcar se a preferêca por um determado caddato aumetou; se o tempo de cura para determada doeça dmuu após a utlzação de um certo medcameto ou se as vas de um produto de cosumo aumetaram após a veculação de uma propagada a televsão. 4.. Hpótese Nula Para este teste, as hpóteses de teresse são: H: p, 0 p θ A: θ P, ode P é um cojuto própro de [0, ] 4.. FBST Cosdere o vetor de parâmetros θ (θ, θ ) que, para este teste, pode ser reescrto a forma θ (θ, - θ ), assocado ao vetor de dados observados (, ). A pror adotada para θ será D (), θ, como já fo mecoado, possu dstrbução Bomal com parâmetros e θ e, portato, de acordo com a dscussão feta em.4, θ ~ D (+). Ao aplcar em θ a reparametrzação testar H fca equvalete a testar: θ w (w) l θ, θ H: w l v -θ Com esta reparametrzação e de acordo com a cojectura.3, a desdade a posteror f(w) e a desdade de referêca r(w) podem ser apromadas pela ormal com médas µ w e µ r, e varâcas σ w e σ r, respectvamete, dadas por:
23 e µ r w E(w) Ψ(+ ) - Ψ(+ ) eµ E(r) 0 σ Ψ'(+ ) + Ψ'(+ ) e σ Ψ'(). w r Com as desdades a posteror e referêca defdas, pode-se calcular a surpresa relatva: ( w -µ ) f(w) σ r w w s(w) ep. r(w) σ w σ r σ w O teste é aplcado coforme descrto em TRVG Seja (, ) o vetor de dados observados a amostra. Sob H, A, a estmatva para θ é dada pelo estmador de máma verossmlhaça Deste modo, as fuções de verossmlhaça sob H e sob H A são: θ p. Sob θ. L(θ - - H; ) p (- p) e L(θH A; ) -. por: De modo que a estatístca qu-quadrado da razão de verossmlhaças é dada Q - * lλ() - * l - p (- p) - -. Smplfcado λ(), obtém-se: - p (- p) Q - *, 3
24 e, aplcado o l, chega-se a: Q ( l p + l (- p) + l - l l ) - *. Para o caso geral (sob H A ), o espaço paramétrco é determado pela proporção θ sujeta à restrção ( 0 θ ), portato a dmesão é. Sob H, θ é fo, portato a dmesão é 0. A dfereça etre as duas dmesões é - 0. Portato, para amostras grades, Q ~ χ e p - P( χ > Q ) value Resultados e Comparação As tabelas a segur apresetam algus resultados do e-value e do p-value para dferetes valores do vetor (, ) com dferetes tamahos de amostra e valores da proporção p: Tabela Aplcação do teste da Proporção em amostras de tamaho 00 com dferetes valores de p p 0,3 p 0,5 p 0,9 e-value p-value e-value p-value e-value p-value ,00 0, ,000 0, ,000 0, ,008 0, ,003 0, ,000 0, ,03 0, ,009 0, ,06 0, ,4 0, ,09 0, ,05 0, ,4 0, ,068 0, ,076 0, ,76 0, , 0, ,06 0, ,374 0, ,3 0, ,0 0, ,54 0, ,684 0, ,344 0, ,650 0, ,833 0, ,796 0, ,99, ,000, ,933,000 Tabela Aplcação do teste da Proporção em amostras de tamaho.000 com dferetes valores de p 4
25 p 0,3 p 0,5 p 0,9 e-value p-value e-value p-value e-value p-value ,000 0, ,000 0, ,000 0, ,0 0, ,05 0, ,000 0, ,0 0, ,07 0, ,07 0, ,78 0, ,055 0, ,033 0, ,548 0, ,4 0, ,300 0, ,733 0, ,63 0, ,499 0, ,78 0, ,306 0, ,77 0, ,783 0, ,536 0, ,778 0, ,835 0, ,803 0, ,809 0, ,997, ,000, ,978,000 Tabela Aplcação do teste da Proporção em amostras de tamaho com dferetes valores de p p 0,3 p 0,5 p 0,9 e-value p-value e-value p-value e-value p-value ,038 0, ,053 0, ,00 0, ,57 0, ,34 0, ,75 0, ,87 0, ,35 0, ,34 0, ,370 0, ,36 0, ,7 0, ,4 0, ,40 0, ,38 0, ,540 0, ,506 0, ,40 0, ,660 0, ,685 0, ,564 0, ,786 0, ,79 0, ,74 0, ,84 0, ,869 0, ,837 0, ,966 0, ,950 0, ,94 0,947 Com o tuto de verfcar se a relação etre p-value e e-value ão se modfca de acordo com o tamaho da amostra observada e com o valor de p testado, foram realzadas dversas smulações com dferetes tamahos de amostras e valores de p, varro todo o espaço amostral, ou seja, utlzado todas as combações possíves de elemetos as duas posções do vetor (, ) de modo a se obter soma + e, também, de forma que ehum < 5. Os resultados podem ser observados os gráfcos do e-value em fução do p-value dspoblzados a segur: 5
26 Teste de Proporçao p 0.3 Teste de Proporçao p 0.5 Teste de Proporçao p 0.9 e-value p-value p-value p-value Fgura Relação etre e-value e p-value para 00 com dferetes valores de p Teste de Proporçao p 0.3 Teste de Proporçao p 0.5 Teste de Proporçao p 0.9 e-value p-value p-value p-value Fgura Relação etre e-value e p-value para.000 com dferetes valores de p Teste de Proporçao p 0.3 Teste de Proporçao p 0.5 Teste de Proporçao p 0.9 e-value p-value p-value p-value Fgura Relação etre e-value e p-value para com dferetes valores de p 6
27 Em todos os gráfcos, pode-se verfcar que, depetemete dos valores de e p, a curva que melhor represeta os potos é sempre gual. A lha vermelha represeta a curva da fução Beta acumulada com parâmetros a 0,9957 e b 0,9956. Estes valores foram ajustados com base os potos amostras obtdos para e p 0,5, coforme descrto o íco do capítulo. Para a obteção desta curva, o prmero passo é a dscretzação dos potos (p-value, e-value) para obteção dos potos médos ecessáros para garatr a ucdade o mapeameto dos pares (p-value, e-value) e, dessa forma possbltar o ajuste da curva sple: Obteçao dos potos medos com dscretzacao 0.0 e a beta epermetal 0.8 e-value data medas p-value Fgura Dscretzação dos potos (p-value, e-value) Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste e os potos verdes com rótulo medas represetam as médas dos e-values o tervalo dscretzado dos p-values. Com base os potos médos, a sple é ajustada e, após mas algus passos, a curva da Beta acumulada é obtda: 7
28 Obteçao das sple cubca com dscretzacao 0.0 e a beta epermetal 0.8 e-value data sple beta p-value Fgura Ajuste da Beta acumulada pela sple Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste, a lha azul com rótulo sple represeta a curva sple ajustada após a dscretzação dos dados e, falmete, a lha vermelha com rótulo beta represeta a curva da Beta acumulada melhor ajustada aos potos deste teste. 4. Teste para Homogeedade de Proporções O teste de Homogeedade tem por objetvo determar se a taa de ocorrêca de uma determada característca é a mesma para duas populações dsttas (X e X ). Uma amostra de dvíduos é retrada da prmera população e uma amostra de m dvíduos é retrada da seguda. Supoha que e sejam o úmero de dvíduos de cada uma das amostras que apresetam a característca em estudo, se a proporção de dvíduos com a característca a população X for represetada por θ, ( 0 θ ) e a proporção a população X for represetada por θ, ( 0 θ ), etão pode-se afrmar que X ~ B(, θ ) e X ~ B(m, θ ), com X e X depetes. A tabela de freqüêcas observadas para as duas amostras ecotra-se a segur: 8
29 Tabela Freqüêcas observadas Ocorrêca Sm Não Total População X População Y m Total + + m m Para este caso, vale a relação - e m -. Dados os vetores de parâmetros θ () (θ, θ ) e θ () (θ, θ ), sujetos às restrções θ - θ e θ - θ, a fução de verossmlhaça para e é dada pelo produto das Bomas: m m L( θ, ) θ ( θ) θ ( θ). O espaço paramétrco para este caso é dado por Θ {0 θ j θ + θ ^ θ + θ }. Como eemplos de aplcação deste teste, podemos ctar a comparação de duas populações com relação à cdêca de uma determada doeça, comportameto de cosumo ou preferêca eletoral. 4.. Hpótese Nula Para este teste, as hpóteses de teresse são: H: θ θ (as probabldades de ocorrêca da característca são guas para as duas populações) A: θ θ (as probabldades de ocorrêca da característca são dferetes) 4.. FBST Cosdere os vetores de parâmetros θ () (θ, θ ) e θ () (θ, θ ) que, para este teste, podem ser reescrtos a forma θ () (θ, - θ ) e θ () (θ, - θ ), 9
30 assocados aos vetores de dados observados (, ) e (, ). As prors adotadas para θ () e θ () serão D (), θ e θ, como já fo mecoado, possuem dstrbução Bomal com parâmetros (, θ () ) e (m, θ () ) respectvamete e, portato, de acordo com a dscussão feta em.4, θ () ~ D (+ ) e θ () ~ D (+ ). Ao aplcar em θ a reparametrzação w (w, w θ ) l θ θ, θ θ θ l,, -θ -θ testar H fca equvalete a testar: θ θ H: w w l l -θ -θ Com esta reparametrzação e de acordo com a cojectura.3, as desdades a posteror f(w ) e f(w ) e a desdade de referêca r(w) podem ser apromadas pela ormal, com médas µ w, µ w e µ r, e varâcas respectvamete, dadas por: e σ, w µ w Ψ(+ ) - Ψ(+ ),µ w Ψ(+ ) - Ψ(+ ),µ r σ e w 0 σ, r σ w Ψ'(+ ) + Ψ'(+ ), σ Ψ'(+ ) + Ψ'(+ ), σ w r Ψ'(). Com as desdades a posteror e referêca defdas, pode-se calcular a surpresa relatva: f(w) f(w) s(w). r(w) r(w) w ep σ ( ) w -µ ( w -µ ) σ r w r w σ w r σ w w r σ w σ. σ w ep σ 30
31 3 ( ) ( ) + w w r w w r w w r σ -µ w σ w σ -µ w σ w ep σ σ σ. O teste é aplcado coforme descrto em TRVG Utlzado a fução de verossmlhaça defda em 4., o estmador de máma verossmlhaça para θ sob H: θ θ é dado por m θˆ + +. Sob A, a estmatva para θ e θ é dada pelos respectvos estmadores de máma verossmlhaça θˆ e m θˆ. Deste modo, as fuções de verossmlhaça sob H e sob A H são: m H m m m m m ) L( ,y θ e m A H m m m ), ; L( y θ. De modo que a estatístca qu-quadrado da razão de verossmlhaças é dada por: * lλ() - Q m m m m m m m m m m l * -. Smplfcado λ(), obtém-se:
32 Q + - * l + m + + m m m m + m, + m m - e, aplcado o l, chega-se a: - * { m ( + ) l( + ) + ( + ) l( + ) ( + m) l( + ) Q l l l l } + l + m l m. Para o caso geral (sob H A ), o espaço paramétrco é determado pelas proporções θ j sujetas às restrções leares θ, para,, portato a dmesão é +. Sob H, θ θ, portato a dmesão é. A dfereça etre as duas dmesões é -. Portato, para amostras grades, 4..4 Resultados e Comparação j j value. Q ~ χ e p - P( χ > Q ) As tabelas que seguem apresetam algus resultados do e-value e do p- value para dferetes valores do vetor (,,, ) com dferetes tamahos de amostras e m: Tabela Aplcação do teste de Homogeedade o caso m 3
33 m 30 m 50 e-value p-value e-value p-value ,00 0, ,08 0, ,003 0, ,09 0, ,03 0, ,055 0, ,76 0, ,57 0, ,9 0, ,70 0, ,55 0, ,478 0, ,88 0, ,609 0, ,958 0, ,76 0, ,965 0, ,906 0, ,994, ,988,000 m 00 e-value p-value ,00 0, ,08 0, , 0, ,89 0, ,39 0, ,4 0, ,785 0, ,95 0, ,958 0, ,967,000 Tabela Aplcação do teste de Homogeedade o caso < m 33
34 30, m 60 50, m 00 e-value p-value e-value p-value ,0 0, ,04 0, ,7 0, , 0, ,48 0, ,79 0, ,475 0, ,37 0, ,585 0, ,69 0, ,65 0, ,438 0, ,750 0, ,488 0, ,857 0, ,503 0, ,90 0, ,93 0, ,999, ,993 0,908 Tabela Aplcação do teste de Homogeedade o caso > m 50, m 5 80, m 40 e-value p-value e-value p-value ,04 0, ,085 0, ,80 0, ,9 0, ,94 0, ,9 0, ,70 0, ,30 0, ,366 0, ,487 0, ,403 0, ,576 0, ,475 0, ,67 0, ,540 0, ,798 0, ,984 0, ,965 0, ,984 0, ,993 0,897 Com o tuto de verfcar se a relação etre p-value e e-value ão se modfca de acordo com o tamaho da amostra observada, foram realzadas smulações com dferetes tamahos de amostras e m, varro todo o espaço amostral, ou seja, utlzado todas as combações possíves de elemetos as quatro posções do vetor (,,, ) de modo a se obter soma + e + m e, também, de forma que ehum j < 5. Os gráfcos do e-value em fução do p-value para dferetes valores de e m, com m ecotram-se a segur: 34
35 Teste de Homogeedade 30 m 30 Teste de Homogeedade 50 m e-value e-value p-value p-value Teste de Homogeedade 00 m e-value p-value Fgura Relação etre e-value e p-value para m Os gráfcos do e-value em fução do p-value para dferetes valores de e m, com m ecotram-se a segur: 35
36 Teste de Homogeedade 30 m 60 Teste de Homogeedade 50 m e-value e-value p-value p-value Teste de Homogeedade 50 m 5 Teste de Homogeedade 80 m e-value e-value p-value p-value Fgura Relação etre e-value e p-value para m Em todos os gráfcos, pode-se verfcar que, depetemete dos valores de e m e da relação etre eles (guas ou dferetes), a curva que melhor represeta os potos é sempre gual. A lha vermelha represeta a curva da fução Beta acumulada com parâmetros a 0,899 e b,9586. Estes valores foram ajustados com base os potos amostras obtdos para m 00, coforme descrto o íco do capítulo. Para a obteção desta curva, o prmero passo é a dscretzação dos potos (p-value, e-value) para obteção dos potos médos ecessáros para garatr a ucdade o mapeameto dos pares (p-value, e-value) e, dessa forma possbltar o ajuste da curva sple: 36
37 Obteçao dos potos medos com dscretzacao 0.0 e a beta epermetal 0.8 e-value data medas p-value Fgura Dscretzação dos potos (p-value, e-value) Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste e os potos verdes com rótulo medas represetam as médas dos e-values o tervalo dscretzado dos p-values. Com base os potos médos, a sple é ajustada e, após mas algus passos, a curva da Beta acumulada é obtda: Obteçao das sple cubca com dscretzacao 0.0 e a beta epermetal 0.8 e-value data sple beta p-value Fgura Ajuste da Beta acumulada pela sple 37
38 Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste, a lha azul com rótulo sple represeta a curva sple ajustada após a dscretzação dos dados e, falmete, a lha vermelha com rótulo beta represeta a curva da Beta acumulada melhor ajustada aos potos deste teste. 4.3 Teste de Homogeedade de Margas (O Problema de McNemar) Dados dos evetos A e B, cada um com categoras, ao classfcar dvíduos de uma população segudo cada uma das categoras de A e B, obtém-se a tabela de cotgêca X: Tabela Freqüêcas observadas Eveto B Eveto A Categora Categora Total Categora. Categora N. Total.. ode. j e.j j j. Cada dvíduo é classfcado em apeas uma combação de categoras de A e B, em outras palavras, as combações são eaustvas e mutuamete eclusvas. Pode-se dzer que esta população apreseta homogeedade margal quato à dstrbução dos dos evetos quado:..j, para j. 38
39 Cosderado o vetor de parâmetros θ (θ, θ, θ, θ ) assocado a cada uma das caselas da tabela acma, a fução de verossmlhaça para os dados é dada pelo modelo Multomal com parâmetro θ: θ! θ L( )!!!! θ θ θ O espaço paramétrco para este caso é dado por Θ {0 θ j θ + θ + θ + θ }. Este teste pode ser aplcado, por eemplo, para verfcar se dos professores de uma mesma matéra são gualmete egetes a avalação da mesma turma de aluos Hpótese Nula Para este teste, as hpóteses de teresse são: H: θ θ A: θ θ 4.3. FBST Cosdere o vetor de parâmetros θ (θ, θ, θ, θ ) assocado ao vetor de dados observados (,,, ). A pror adotada para θ será D 4 (), θ, como já fo mecoado, possu dstrbução Multomal com parâmetros e θ e, portato, de acordo com a dscussão feta em.4, θ ~ D 4 (+). Ao aplcar em θ a θ reparametrzação (w, w, w ) l (, ) testar: w 3 θ,θ θ, testar H fca equvalete a θ θ H: w w 3 l l θ θ 39
40 Com esta reparametrzação e de acordo com a cojectura.3, a desdade a posteror f(w) e a desdade de referêca r(w) podem ser apromadas pela ormal com matrzes de médas µ w e µ r, e de covarâcas Σ w e Σ r, respectvamete, dadas por: e Σ w Ψ(+ ) - Ψ(+ ) µ w E( w) Ψ(+ ) - Ψ(+ ) eµ r Ψ(+ ) - Ψ(+ ) Ψ'(+ ) + Ψ'(+ Ψ'(+ ) Ψ'(+ ) ) Ψ'(+ Ψ'(+ ) + Ψ'(+ Ψ'(+ ) ) ) 0 E( r) 0 0 Ψ'(+ Ψ'(+ Ψ'(+ ) ) ) + Ψ'(+ e ) Ψ'() Ψ'() Ψ'() Σ r Ψ'() Ψ'() Ψ'(). Ψ'() Ψ'() Ψ'() Com as desdades a posteror e referêca defdas, pode-se calcular a surpresa relatva: f( w) s( w) Σw Σ r ep r( w) O teste é aplcado coforme descrto em 3.. [ w'σ w - (w -µ )'Σ (w -µ )] r w w w TRVG Utlzado a fução de verossmlhaça defda em 4.3, o estmador de máma verossmlhaça para θ sob H: θ θ é dado por +. Sob A, a θˆ estmatva para o vetor de parâmetros θ é dada pelo estmador de máma verossmlhaça H A são: θˆ. Deste modo, as fuções de verossmlhaça sob H e sob 40
41 e por: L( θ H ; )!!!!! + +! L( θ H A; )!!!!. De modo que a estatístca qu-quadrado da razão de verossmlhaças é dada Q - * lλ()!!!! - * l!!!!!! + +. Smplfcado λ(), obtém-se: Q + - * l + e, aplcado o l, chega-se a: Q - * [( + ) l( + ) ( + ) l l l ]. Para o caso geral (sob H A ), o espaço paramétrco é determado pelas proporções p j sujetas à restrção lear p j, portato a dmesão é X - j 3. Sob H: θ θ, a dmesão do espaço é. A dfereça etre as duas dmesões é 3 -. Portato, para amostras grades, Q ~ χ e p - P( χ > Q ) value Resultados e Comparação 4
42 A tabela a segur apreseta algus resultados do e-value e do p-value para dferetes valores do vetor (,,, ) com dferetes tamahos de amostra: Tabela Aplcação do teste de Homogeedade de Margas em amostras de tamahos dferetes e-value p-value ,38 0, ,554 0, ,779 0, ,994 0, ,58 0, ,08 0, ,67 0, ,94 0, ,09 0, ,79 0, ,88 0, ,988 0,75 Com o tuto de verfcar se a relação etre p-value e e-value ão se modfca de acordo com o tamaho da amostra observada, foram realzadas smulações com dferetes tamahos de amostra, varro todo o espaço amostral, ou seja, utlzado todas as combações possíves de elemetos as quatro posções do vetor (,,, ) de modo a se obter soma e, também, de forma que ehum j < 5. Os resultados podem ser observados os gráfcos do e-value em fução do p-value dspoblzados a segur: 4
43 Teste de McNemar 0.8 e-value p-value Fgura Relação etre e-value e p-value para 30 Teste de McNemar 0.8 e-value p-value Fgura Relação etre e-value e p-value para 50 43
44 Fgura Relação etre e-value e p-value para 00 Em todos os gráfcos, pode-se verfcar que, depetemete dos valores de, a curva que melhor represeta os potos é sempre gual. A lha vermelha represeta a curva da fução Beta acumulada com parâmetros a 0,687 e b 3,089. Estes valores foram ajustados com base os potos amostras obtdos para 00, coforme descrto o íco do capítulo. Para a obteção desta curva, o prmero passo é a dscretzação dos potos (p-value, e-value) para obteção dos potos médos ecessáros para garatr a ucdade o mapeameto dos pares (p-value, e-value) e, dessa forma possbltar o ajuste da curva sple: 44
45 Fgura Dscretzação dos potos (p-value, e-value) Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste e os potos verdes com rótulo medas represetam as médas dos e-values o tervalo dscretzado dos p-values. Com base os potos médos, a sple é ajustada e, após mas algus passos, a curva da Beta acumulada é obtda: 45
46 Fgura Ajuste da Beta acumulada pela sple Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste, a lha azul com rótulo sple represeta a curva sple ajustada após a dscretzação dos dados e, falmete, a lha vermelha com rótulo beta represeta a curva da Beta acumulada melhor ajustada aos potos deste teste. 4.4 Teste do Equlíbro Populacoal de Hardy-Weberg Cosdere que em uma população uma característca atrbuída a um determado par de gees apresete 3 geótpos: AA, Aa ou aa. As proporções de cada um dos geótpos a população são represetadas o vetor θ (θ, θ, θ 3 ), Weberg estabelece que esta população está em equlíbro gêco se a proporção de cada um dos geótpos puder ser escrta sob a forma 3 com θ > 0 e sujetas à restrção lear θ. A Le do Equlíbro de Hardy- θ θ, θ θ(-θ) eθ (-θ) 3, para algum θ 0. 46
47 A fm de se testar a hpótese de equlíbro, observa-se uma amostra de dvíduos desta população. O vetor (,, 3 ) represeta as freqüêcas observadas de dvíduos classfcados sob cada um dos geótpos, e o vetor de parâmetros θ (θ, θ, θ 3 ) represeta a probabldade de ocorrêca de cada geótpo. A fução de verossmlhaça para os dados é dada pelo modelo Tromal com parâmetro θ:! 3 L( θ ) θθ θ3!!3!. O espaço paramétrco para este caso é dado por Θ {0 θ θ + θ + θ 3 }. Como eemplos de aplcação deste teste, podemos ctar a comparação de duas populações com relação à cdêca de uma determada doeça, comportameto de cosumo ou preferêca eletoral Hpótese Nula Para este teste, as hpóteses de teresse são: H: equlíbro gêco) A: as 3 proporções acma ão se aplcam smultaeamete (a população ão está em equlíbro gêco) 4.4. FBST p [0,] p p,p p(- p) e p3 (- p) (a população está em Cosdere o vetor de parâmetros θ (θ, θ, θ 3 ) que, para este teste, pode ser reescrto a forma θ (θ, θ(-θ), (-θ) ), assocado ao vetor de dados observados (,, 3 ). A pror adotada para θ será D 3 (), θ, como já fo mecoado, possu dstrbução Tromal com parâmetros e θ e, portato, de 47
48 acordo com a dscussão feta em.4, θ ~ D 3 (+). Ao aplcar em θ a reparametrzação (w, w ) l θ3 w ( ) θ, θ, testar H fca equvalete a testar: θ θ(-θ) H: w (w, w ) l, (-θ) (-θ) Com esta reparametrzação e de acordo com a cojectura.3, a desdade a posteror f(w) e a desdade de referêca r(w) podem ser apromadas pela ormal com matrzes de médas µ w e µ r, e de covarâcas Σ w e Σ r, respectvamete, dadas por: Ψ(+ E( w) Ψ(+ ) - Ψ(+ ) eµ ) 3 µ w r ) - Ψ(+ 3 0 E( r) 0 e Σ w Ψ '(+ ) + Ψ'(+ ) Ψ'(+ ) 3 3 Ψ'(+ Ψ'(+ ) 3 ) + Ψ'(+ 3 e ) Σ r Ψ'() Ψ'() Ψ'() Ψ'(). Com as desdades a posteror e referêca defdas, pode-se calcular a surpresa relatva: f( w) s( w) Σw Σ r ep r( w) [ w'σ w - (w -µ )'Σ (w -µ )] r w w w. O teste é aplcado coforme descrto em TRVG Utlzado a fução de verossmlhaça defda em 4.4, o estmador de máma verossmlhaça para θ sob H é dado por θˆ. Sob A, a estmatva + 48
49 para o vetor de parâmetros θ é dada pelo estmador de máma verossmlhaça θˆ. Deste modo, as fuções de verossmlhaça sob H e sob H A são: e por: L( θ H! + ; )!! 3! 3 + 3! 3 L( H A; )!!3! θ De modo que a estatístca qu-quadrado da razão de verossmlhaças é dada Q - * lλ() 3! !! 3! - * l. 3! 3!! 3! Smplfcado λ(), obtém-se: Q ( + )( ) * l e, aplcado o l, chega-se a: {(- + ) l + ( + ) l( + ) + ( + ) l( + ) l Q - * 3 3 l l 3 l 3}. 49
50 Para o caso geral (sob H A ), o espaço paramétrco é determado pelas 3 proporções θ sujetas à restrção lear θ, portato a dmesão é 3 -. Sob H, é determado por θ e - θ, portato a dmesão é -. A dfereça etre as duas dmesões é -. Portato, para amostras grades, value P(χ. Q ~ χ e p - > Q ) Resultados e Comparação A tabela a segur apreseta algus resultados do e-value e do p-value para dferetes valores do vetor (,, 3 ) com dferetes tamahos de amostra: Tabela Aplcação do teste do Equlíbro de Hardy-Weberg em amostras de tamahos dferetes e-value p-value 3 e-value p-value 3 e-value p-value ,0 0, ,000 0, ,000 0, ,8 0, ,03 0, ,05 0, ,34 0, ,077 0, ,038 0,00 7 0,40 0, ,098 0, ,48 0, ,584 0, ,63 0, ,9 0,07 7 0,584 0, ,467 0, ,306 0, ,704 0,46 8 0,600 0, ,383 0, ,839 0, ,938 0, ,53 0, ,907 0, ,988 0, ,738 0, ,978 0, ,997 0, ,936 0,75 Com o tuto de verfcar se a relação etre p-value e e-value ão se modfca de acordo com o tamaho da amostra observada, foram realzadas smulações com dferetes tamahos de amostra, varro todo o espaço amostral, ou seja, utlzado todas as combações possíves de elemetos as três posções do vetor (,, 3 ) de modo a se obter soma e, também, de forma que ehum < 5. Os resultados podem ser observados os gráfcos do e-value em fução do p-value dspoblzados a segur: 50
51 Fgura Relação etre e-value e p-value para 30 Fgura Relação etre e-value e p-value para 50 5
52 Teste de Hardy-Weberg 0.8 e-value p-value Fgura Relação etre e-value e p-value para 00 Em todos os gráfcos, pode-se verfcar que, depetemete do valor de, a curva que melhor represeta os potos é sempre gual. A lha vermelha represeta a curva da fução Beta acumulada com parâmetros a 0,878 e b,975. Estes valores foram ajustados com base os potos amostras obtdos para 00, coforme descrto o íco do capítulo. Para a obteção desta curva, o prmero passo é a dscretzação dos potos (p-value, e-value) para obteção dos potos médos ecessáros para garatr a ucdade o mapeameto dos pares (p-value, e-value) e, dessa forma possbltar o ajuste da curva sple: 5
53 Obteçao dos potos medos com dscretzacao 0.0 e a beta epermetal 0.8 e-value data medas p-value Fgura Dscretzação dos potos (p-value, e-value) Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste e os potos verdes com rótulo medas represetam as médas dos e-values o tervalo dscretzado dos p-values. Com base os potos médos, a sple é ajustada e, após mas algus passos, a curva da Beta acumulada é obtda: 53
54 Obteçao das sple cubca com dscretzacao 0.0 e a beta epermetal 0.8 e-value data sple beta p-value Fgura Ajuste da Beta acumulada pela sple Neste gráfco, os potos amarelos com rótulo data represetam os potos (p-value, e-value) obtdos com os dos métodos de resolução do teste, a lha azul com rótulo sple represeta a curva sple ajustada após a dscretzação dos dados e, falmete, a lha vermelha com rótulo beta represeta a curva da Beta acumulada melhor ajustada aos potos deste teste. A tabela a segur mostra os parâmetros a e b obtdos através do modelo de ajuste da Beta acumulada para os testes de Hardy-Weberg e de Homogeedade: Tabela Comparação etre os parâmetros a e b Teste a b Hardy-Weberg 0,878,975 Homogeedade 0,899,9586 Estes resultados mostram que as duas curvas são etremamete prómas. A dfereça a curva causada por estas varações etre os parâmetros é muto sutl e, também, pode-se atrbur esta dfereça ao fato de, o caso do FBST, ser feta uma aleatorzação para se calcular o e-value mas, como já fo dto, esta dfereça é muto sutl e te a covergr caso os testes sejam repetdos um úmero grade de 54
55 vezes. Para estes dos testes, a dmesão do espaço paramétrco orgal é dos, equato que sob a hpótese H a dmesão é um. 4.5 Teste de Idepêca Depêca e assocação são dos cocetos tmamete lgados. Dzer que dos evetos são assocados sgfca que um flueca a ocorrêca do outro, ou seja, a ocorrêca de um deles pode aumetar ou dmur a chace do outro ocorrer e, assm, a assocação (ou depêca) pode ser chamada de postva ou egatva. Dos evetos são depetes quado, ao saber que um deles ocorreu, a probabldade de o outro ocorrer ão se altera. Dados dos evetos A e B, cada um com categoras, ao classfcar dvíduos de uma população segudo cada uma das categoras de A e B, obtém-se a tabela de cotgêca X: Tabela Freqüêcas observadas Eveto B Eveto A Categora Categora Total Categora. Categora. Total.. N ode. j e.j j j. Cada dvíduo é classfcado em apeas uma combação de categoras de A e B, em outras palavras, as combações são eaustvas e mutuamete eclusvas. Se a e b são ão assocadas ou depetes, etão: ou, ada,..,, 55
56 j..j,, de ode se deduz que:..j j. Ao dvdr as freqüêcas observadas em cada combação das categoras de a e b pelo tamaho da amostra, obtém-se a matrz de proporções observadas: Tabela Proporções observadas Eveto B Eveto A Categora Categora Total Categora θ θ θ. Categora Θ θ θ. Total θ. θ. ode. θj eθ.j θj j θ. e, para a e b depetes: θ θ j. θ.j A fm de se testar a hpótese de depêca, observa-se uma amostra de dvíduos da população. O vetor (,,, ) represeta a freqüêca observada de dvíduos classfcados a -ésma categora do eveto A e a j-ésma categora do eveto B, e o vetor de parâmetros θ (θ, θ, θ, θ ) represeta a probabldade de ocorrêca de cada uma das caselas. A fução de verossmlhaça para os dados é dada pelo modelo Multomal com parâmetro θ:! θ L( θ )!!!! θ θ θ 56
57 O espaço paramétrco para este caso é dado por Θ {0 θ j θ + θ + θ + θ }. Como eemplos de aplcação deste teste, podemos ctar pesqusas para verfcar se o hábto de fumar flueca ou ão a ocorrêca de determadas doeças ou se a durabldade de uma peça automotva depe do tpo de materal utlzado ou mesmo do fabrcate Hpótese Nula Para este teste, as hpóteses de teresse são:..j H: θ j (os evetos a e b são depetes)..j A: θj (os evetos a e b ão são depetes) 4.5. FBST Cosderado a tabela 4.5., testar a hpótese H é equvalete a testar: H: θ θ θ θ θ θ θ. θ... θ θ θ θ.... θ. ) (-θ (-θ (-θ. ( θ. )θ. ).. ) portato, o vetor de parâmetros θ (θ, θ, θ, θ ) assocado ao vetor de dados observados (,,, ), para este teste, pode ser reescrto a forma [ θ, θ (-θ ),(-θ ) θ,( θ ) (-θ )] θ. (θ A pror adotada para θ será D 4 (), θ, como já fo mecoado, possu dstrbução Multomal com parâmetros e θ e, portato, de acordo com a dscussão feta em.4, θ ~ D 4 (+). 57
Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisNas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das
CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia mais3 Experimento com Mistura com Respostas Não-Normais
Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o
Leia maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisA análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
Leia maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se
Leia maisEstimação pontual, estimação intervalar e tamanho de amostras
Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de
Leia mais50 Logo, Número de erros de impressão
Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de
Leia maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisProbabilidades e Estatística
Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete
Leia maisProbabilidade II Aula 10
Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisTécnicas Não Paramétricas
Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação
Leia mais4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha
4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisProf. Janete Pereira Amador 1
Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.
Leia mais( ) ( ) Es'mador de Máxima-Verossimilhança. ,θ i. L( Θ; X) = f ( X;Θ) = f (x i
5.. Esmador de Máxma-Verossmlhaça O prcípo básco do esmador de Máxma-Verossmlhaça cosste a obteção de esmavas de parâmetros populacoas de uma desdade de uma varável aleatóra a parr de um cojuto de formações
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisTESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL
TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada
Leia maisRevisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Leia maisProblema geral de interpolação
Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisCálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015
Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração
Leia maisNOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling
NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:
Leia maisJosé Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas
UNIVERSIDADE FEDERAL DE OURO PRETO Isttuto de Cêcas Eatas e Bológcas Departameto de Computação José Álvaro Tadeu Ferrera Cálculo Numérco Notas de aulas Iterpolação Polomal Ouro Preto 3 (Últma revsão em
Leia maisNOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA
IND 5 Iferêca Estatístca Semestre 007.0 Teste 4 //007 Nome: NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA : O FORMULÁRIO ESTÁ NO FINAL DA PROVA PROBLEMA (5 potos) Em cada questão
Leia mais1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística.
CAPÍTULO 7 VARIÁVEL ALEATÓRIA A probabldade teve íco com os jogos de azar (século XVII) com Cavalero de Nere, Fermat e Pascal, porém, coube a Beroull (73) laçar as bases da probabldade e a segur Laplace
Leia mais3 Modelos Lineares Generalizados
3 Modelos Leares Geeralzados No capítulo foram cosderados apeas modelos leares com dstrbução ormal e fução de lgação detdade. Neste capítulo apresetamos os modelos leares geeralzados (MLG, que foram propostos
Leia maisEstatística Básica - Continuação
Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisMAE 5776 ANÁLISE MULTIVARIADA. Júlia M Pavan Soler
MAE 5776 ANÁLISE MULTIVARIADA Júla M Pava Soler ava@me.us.br º Semestre IME/09 Baco de Dados: Dados Multvarados Varáves Udades Amostras j j j j j j : Matrz de Dados resosta do -ésmo dvíduo a j-ésma varável
Leia mais4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos
4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisOrganização; Resumo; Apresentação.
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia maisDados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens
Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se
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 mais15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações
Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisn. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia maisControle Estatístico de Qualidade. Capítulo 6 (montgomery)
Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem
Leia mais1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade
Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada
Leia mais