INTERVALOS DE CONFIANÇA BOOTSTRAP PARA MODELOS DE REGRESSÃO COM ERROS DE MEDIDA
|
|
- Ana Vitória Lage Peres
- 8 Há anos
- Visualizações:
Transcrição
1 INTERVALOS DE CONFIANÇA BOOTSTRAP PARA MODELOS DE REGRESSÃO COM ERROS DE MEDIDA Wellgto José da CUNHA Erco Atôo COLOSIMO RESUMO: As meddas realzadas o da-a-da estão sjetas a erros Esses erros podem acotecer devdo a letra feta os strmetos, o regstro dos valores, a precsão dos strmetos, etc Nas stações em qe se deseja verfcar a assocação etre ma varável resposta e varáves eplcatvas através de m modelo de regressão, os estmadores podem ser vcados se estas últmas estverem sjetas a erros de medção Algs estmadores foram propostos para redzr o víco essas stações Etre os estmadores propostos, os qe os teressa são os chamados estmadores plg- Etretato, apesar desses estmadores mmzarem o víco e terem ma epressão smples, ão este ma epressão a lteratra para a varâca asstótca destes Isso pelo fato de serem ecessáras das etapas o processo de estmação dos parâmetros, gerado grade compledade a estrtra do modelo Desse modo se faz ecessára a tlzação de métodos comptacoas de reamostragem capazes de determar tervalos de cofaça Nos modelos em qe ão se pode estmar tervalos de cofaça pelos métodos sas, tlzaremos o método de reamostragem bootstrap para costrí-los Etre os tervalos bootstrap, serão tlzados este artgo os tervalos percetl, BCa e bootstrap-t Nas smlações de Mote Carlo cosderadas este trabalho, o bootstrap se mostro efcete a estmação de tervalos de cofaça, destacado-se o tervalo percetl pela sa maor smplcdade com galdade de performace em relação aos demas PALAVRAS-CHAVE: Erro de medda; bootstrap; tervalos de cofaça; modelos de regressão Itrodção Geralmete as meddas realzadas com tlzação o ão de aparelhos estão sjetas a erros de medção Ao agravar-se esses erros de medda, a aálse estatístca prodzrá resltados dferetes dos desejados o com m gra de qaldade feror ao preteddo Recohecedo a estêca do erro a medção e cosderado todas as certezas sgfcatvas atrbíves ao eqpameto de medção, aos procedmetos pessoas e ao Departameto de Cêcas da Comptação, Uversdade Federal de Mas Geras - UFMG, CEP: , Belo Horzote, Mas Geras, Brasl Departameto de Estatístca, Uversdade Federal de Mas Geras - UFMG, CEP: , Belo Horzote, Mas Geras, Brasl E-mal: ercoc@estfmgbr Rev Mat Estat, São Palo, v,, p5-4, 003 5
2 ambete, a orma ISO 00- assocada à Sére ISO 9000 apreseta reqstos de garata da qaldade das medções Para qe possamos tomar ações qe mmzem os efetos desses possíves erros, é ecessáro etedê-los melhor Esses erros podem ocorrer devdo a váras crcstâcas, cjas possíves casas são as segtes: métodos e téccas de coleta de dados, como etrevsta, observação o qestoáro Icldo erros de resposta por desoestdade, por cofsão, por gorâca, por falta de cdado, todos gerados por falta de treameto adeqado o pelo método sado para obter a resposta Iclímos também, essa possível casa, erros de coleta dos dados por falha os eqpametos, qe podem ser devdos a desgastes dos compoetes, falta de calbração o a codções ambetas, qe geram varabldade em strmetos de letra É mto comm também a cofsão a letra da resposta, em algs casos até letra errada da varável o aparelho com a dade de medda adeqada para a stação; processameto adeqado, como tlzação de técca de aálse e processameto de dados de poca cofaça o ão aproprados para o problema estdado; armazeameto com poca cofabldade, falhas a etrada dos dados para o processameto, o perda de formações; otros problemas qe podem ocorrer após a coleta de dados A aálse estatístca tlzado modelos de regressão evolve a estmação de parâmetros de teresse Os métodos clásscos de estmação spõem m processo de medção sem erro o com erro desprezível, sposção esta mtas vezes dfícl de ser obtda e de elevado csto Esqematcamete, podemos descrever o processo de estmação de parâmetros com o sem erro de medda pelas Fgras (a) e (b) Na asêca de erro de medda samos ma fção de estmação sal, qe pode ser de mímos qadrados o máma verossmlhaça, e obtemos ma estmatva do parâmetro de teresse (Fgra (a)) Na preseça de erro de medção, o valor verdadero ão é observado, pos o valor observado está cotamado com m erro devdo ao processo de medção qe é salmete adtvo (Fgra (b)), e qe prodz m víco a estmatva (Fller, 987) O estmador de regressão descohecdo esse processo de estmação, qe descosdera a estêca de erro, será chamado de sal ( ˆβ N ) e tede a zero com o ameto do erro O prejízo casado por ma medção certa pode levar a dagóstcos corretos Assm, se faz ecessára a tlzação de métodos estatístcos, para qe os efetos desse erro de medda, o processo qe sege a essa etapa, sejam mmzados São dos os modelos estatístcos para corporar o erro de medda: o modelo fcoal, qe cosdera como sedo fo e o estrtral, qe cosdera como sedo ma varável aleatóra Neste artgo cosderemos o modelo estrtral com sedo ma varável aleatóra ormal, N(0, σ ) Bscado mmzar esse efeto do erro de medda, algs estmadores foram propostos a lteratra, detre os qas podemos ctar os estmadores desevolvdos por Carroll e Stefask (990), James e Ste (James e Ste, 96; Whttemore, 989), Stefask (985), Fller (Fller,987; Lyles e Kpper, 999) e Whttemore e Keller (988) Classfcamos os estmadores para modelos de regressão com erro os regressores em dos tpos: estmadores plg- e de ateação do víco Os estmadores plg- estmam o valor verdadero através dos valores observados e, de posse desses valores ajstados, 6 Rev Mat Estat, São Palo, v,, p5-4, 003
3 tlzam a fção de estmação sal, o modelo estdado, para estmar o parâmetro de teresse (Fgra (a)) Já os estmadores qe fazem ma ateação do víco do estmador clássco, corrgem esse víco a partr do estmador sal A correção é feta através de ma fção de ajste desse parâmetro, como mostrado a Fgra (b) (a) (b) FIGURA - Processos de estmação em modelos: (a) sem erro de medção; (b) com erro de medção (a) Tpos de correção (b) FIGURA - Esqema da correção, em m modelo de regressão, tlzado m estmador: (a) plg- e (b) ateação do víco Os estmadores plg- são mas smples e depedem do modelo de regressão tlzado, motvo pelo qal se toram etremamete teressates Etretato, os deparamos Rev Mat Estat, São Palo, v,, p5-4, 003 7
4 com a dfcldade de obter as sas varâcas asstótcas, ecessáras à costrção de tervalos de cofaça Essa dfcldade se deve ao fato do processo de estmação ser realzado em das etapas, ma para a fção de estmação de e otra para estmação dos parâmetros do modelo, o algo semelhate, qado estvermos trabalhado com ateação do víco Devdo a essa dfcldade, tlzaremos este trabalho a técca de reamostragem bootstrap (Efro e Tbshra, 993) para a costrção de tervalos de cofaça Estmadores para o modelo de regressão com erro os regressores Etre os estmadores propostos a lteratra, avalaremos os estmadores plg- de James-Ste (Whttemore, 989) e Carrol e Stefask (990)), e os estmadores de ateação de Fller (987) e Stefask (985) Estmadores plg- O estmador de James-Ste O estmador de Ste fo proposto por Whttemore (989) para sbsttr o valor observado z, e em segda estmar os parâmetros do modelo de regressão da forma sal como se este estmador fosse o valor ão observado A estmatva qe sbsttrá a covarável observada z é e ( z) = Bˆ z + ( Bˆ) z,,,, = em qe Bˆ ( 3) = σ, S Sˆ ˆ = ( z k z) e σ é a varâca do erro de medda,, k = (Fgra ) A varâca σ pode ser estmada como apresetado em Gmeez; Bolfare e Colosmo (999), qado temos repetdas meddas da varável medda com erro Dessa forma, ˆ ˆ σ z ( z ) k =, sedo qe ˆ = ˆ σ ˆ z σ z e σ é estmado por σ z ˆ σ = k j= ( z j z ) k( k ) () () 8 Rev Mat Estat, São Palo, v,, p5-4, 003
5 com =,, e j =,, k, sabedo-se qe é o tamaho da amostra, k é o úmero de k repetções de meddas da varável e z = z j k j= O estmador de Carroll-Stefask Neste caso estmamos a varável ão observada por sa esperaça codcoal, dado o valor observado z; sto é, com E ˆ( z ) = Bˆ' z + ( Bˆ' ) z ( ) Bˆ' = σ e ˆ Sˆ ( z z) = S Se σ ão for cohecdo, estmamos (3) σ como descrto pela Epressão () O estmador proposto por Carroll e Stefask (990) dfere do apresetado por Whttemore (989) apeas pela costate -3 qe é sbsttída por - o merador de ˆB ' Estmadores de ateação do víco O estmador de Fller No coteto de regressão lear smples, o estmador proposto por Fller (987) é baseado a determação do víco prodzdo pelo erro a medção dos dados O víco descrto por Fller (987) determa o fator k σ +σ =, σ qe é o ateador de Fller Assm, para obter m estmador de meor víco basta qe se mltplqe o estmador sal pelo ateador de Fller, o seja ˆ β ˆ F = β N k Caso k seja cohecdo, o parâmetro estmado por Fller é mto smples de ser obtdo Um dos problemas para se obter k é devdo ao fato de qe σ ão é salmete cohecdo Mas podemos resolver este problema sado σ z qe é estmado pelos dados da medção (4) Rev Mat Estat, São Palo, v,, p5-4, 003 9
6 Observemos qe k σ + σ = σ z z σ σ + σ = σ σ z z σ = σ σ (5) O estmador de Stefask Stefask (985) propôs m estmador qe é tlzado tato em modelos leares qato em modelos ão-leares, os casos estrtral e fcoal de erro de medda Cosdere m modelo em qe a sa resposta tem fção de desdade dada por f β ( y, z) e y é a varável resposta O parâmetro β pode ser estmado pelo método de mímos qadrados os modelos leares, o os casos ão leares pela solção da eqação em qe ψ é o compoete da fção escore ψ ( y, z, β ) = 0, (6) ( l( f ( y, z ))) ψ ( y, z, β ) = β β O estmador proposto por Stefask (985), chamado de atrbído ao erro de medda é defdo por ˆ β S = ˆ ψ ( y, z, ˆ) β β N + σ ˆ β βˆ S ) ψ ( y, z, ˆ β z, qe atea o víco em qe σ é a varâca do erro de medda, qe se ão for cohecdo é estmado como descrto pela Epressão (), e ψ é dado pela eqação (6) Uma jstfcatva para a epressão (7) pode ser ecotrada em Stefask (985) 3 Bootstrap Descreveremos sctamete o método de reamostragem chamado de bootstrap, trodzdo por Efro (979), e sado para estmar a dstrbção das estatístcas de teresse, qe mtas vezes são etremamete dfíces de serem obtdas pelos métodos tradcoas (eatos e asstótcos) O bootstrap pode ser paramétrco o ão-paramétrco O bootstrap ão-paramétrco cosdera qe a fção de dstrbção F, dos dados, é descohecda e estmada através da dstrbção empírca Fˆ Já o bootstrap paramétrco cosdera qe a fção de dstrbção F pode ser estmada por Fˆ par a partr de m modelo paramétrco cohecdo para os dados, (7) 30 Rev Mat Estat, São Palo, v,, p5-4, 003
7 Spohamos qe seja observada ma amostra aleatóra, w w de ma w,, dstrbção F estmada pela dstrbção Fˆ, qe pode ser paramétrca o ão Assm, w = ( w, w,, w ) represeta o vetor dos dados, para os qas se calcla o estmador ˆ β = s( Fˆ ) de m parâmetro de teresse β = s(f) Cosderaremos qe Fˆ é a dstrbção empírca de w Etão ma amostra bootstrap w = ( w, w,, w ) é costrída escolhedo-se aleatoramete, com reposção, elemetos da amostra w = ( w, w,, w ) Por eemplo, com = 6, poderíamos pesar em w = ( w5, w3, w6, w, w4, w ) A replcação bootstrap do parâmetro de teresse para essa amostra bootstrap é deotada por ˆβ Se forem geradas B amostras bootstrap B w, w,, w, a replcação bootstrap do parâmetro de teresse para a b-ésma amostra é dada por ˆ b β ( b ) = s( w o seja, é o valor de βˆ para a amostra bootstrap ), b w (8) 3 Estmatva do erro-padrão A epressão para o estmador bootstrap do erro-padrão (Efro e Tbshra, 993) é dada por em qe ˆ σ boot = B ˆ β ( b) ˆ β B b= ( ) B ˆ ˆ β ( b) β ( ) =, ˆ β ( b) é descrta em (8) e B é o úmero de replcações B b= bootstrap, o seja, o estmador bootstrap do erro-padrão amostral é o desvo-padrão de sas replcações 3 Itervalos de Cofaça Bootstrap Através do so do bootstrap podemos obter tervalos apromados de 00(-α)% de cofaça para o parâmetro de teresse β Descreveremos, as seções 3, 3 e 33, dferetes métodos para a costrção de tervalos de cofaça bootstrap chamados de bootstrap-t, percets bootstrap e BCa, (9) Rev Mat Estat, São Palo, v,, p5-4, 003 3
8 3 Itervalo bootstrap-t O tervalo de 00(-α)% de cofaça bootstrap-t é dado por, ( ˆ β ˆ ( α ) α ˆ, σ ˆ β ˆ ( ) T T ˆ σ ) em qe foram geradas B amostras bootstrap w, w,, w B Para cada ma delas calclamos ˆ ˆ β ( b) β T ( b) =, com b =,,, B, ˆ σ ( b) em qe ˆ β ( b) é o valor de βˆ para a amostra bootstrap w b dado em (8) e ˆ σ ( b) é o erro-padrão bootstrap do estmador ˆ β ( b) com base a amostra w b, coforme a Epressão (9) O α -ésmo percetl de T é estmado pelo valor ˆ ( α) T tal qe # α { T Tˆ ( )} α 3 Itervalo de cofaça baseado os percets bootstrap B Um cojto de dados bootstrap w é gerado de acordo com w De posse desse cojto de dados são calcladas replcações bootstrap ˆ β = s( w ) Cosderado qe Ĝ é a estmatva da fção descohecda da dstrbção acmlada de ˆβ O tervalo percetl de 00(-α)% de cofaça é defdo pelos percets α e -α de Ĝ : ˆ ˆ ˆ [, ] [ ( ), ˆ β%, f β%,sp = G α G ( α)] ) Já qe pela defção ˆ ˆ ( α G ( α ) = β é o (00-α)-ésmo percetl da dstrbção bootstrap de ˆβ, podemos escrever tervalos percets como [ ˆ β %,f ˆ β %,sp ] = = [ ˆ( ) ˆ ( α ), ] α β β As epressões (0) e () referem-se à stação deal do bootstrap a qal o úmero de replcações é fto Fˆ (0) () 3 Rev Mat Estat, São Palo, v,, p5-4, 003
9 Na prátca devemos sar m úmero fto B de replcações Para o processo, geramos B B cojtos de dados bootstrap w, w,, w e calclamos as replcações bootstrap ˆ (b) β ( b ) = s( w ), b =,,, B ( ) Seja ˆ α β B o 00α -ésmo percetl empírco dos valores ˆ β ( b), o seja, o valor ( B α )-ésmo a lsta ordeada das B replcações de ˆβ Assm, se B = 000 e α = 0, 05, ˆ ( α ) β B é o 00-ésmo valor ordeado das 000 replcações Se ( B α ) ão é m tero, tlza-se o maor tero meor o gal a ( B + ) α Como a dstrbção bootstrap de ˆβ é apromada, melhores resltados serão obtdos para amostras de tamaho grade, e qato maor for B, melhores serão os tervalos estmados Assm, o tervalo percetl apromado de 00 ( α )% de cofaça é [ ˆ β %,f, ˆ β %,sp ] [ ˆ ( ) ˆ ( α ), ] α β β = B B Estem das versões melhoradas do método percetl chamadas de BC a e ABC O método BC a é a abrevação-padrão de "bas-corrected ad acelerated" e o ABC é a abrevação padrão de "appromate bootstrap cofdece tervals" Neste artgo ão costrremos tervalos pelo método ABC Maores formações sobre esse método podem ser ecotradas em Efro e Tbshra (993, p88) 33 Itervalos percets BC a O tervalo BC a de cobertra desejada 00 ( α )% é dado por sedo, α Φ zˆ [ ˆ β, ˆ β ] = [ ˆ β %,f zˆ 0 + Z + aˆ %,sp α ( zˆ + Z ) 0 = 0 α, ˆ β ( α ) ( α ) α Φ zˆ em qe Φ é a fção de dstrbção da ormal padrão e ormal padrão Para calclarmos â e ẑ 0 tlzamos as epressões: ] ( α ) zˆ 0 + Z + aˆ zˆ + Z = 0 ( α ), ( ) e 0 () α Z é o α -ésmo percetl da Rev Mat Estat, São Palo, v,, p5-4,
10 { ˆ β ( b) ˆ β} # < zˆ = Φ 0 e B aˆ = 6 ( ˆ ˆ β( ) β( ) ) ( ˆ ˆ β( ) β( ) ) 3 3 /, (3) em qe ˆ β ( ) = s( w ( ) ), com w () sedo a amostra orgal com o -ésmo valor, w, removdo e cosderado ˆ β = ˆ ( ) β( ) Maores detalhes sobre o cálclo de (3) podem ser ecotrados em Efro e Tbshra (993, p84-6) 34 Número de replcações bootstrap Efro e Tbshra (993, Capítlo 9), Kedall e Start (977, Capítlo 0) e Efro (987, Seções 6 e 9) dsctem os úmeros de replcações bootstrap ecessáras para ma boa estmatva do erro-padrão e do tervalo de cofaça Efro e Tbshra (993) afrmam qe para obtermos ma boa estmatva do erro-padrão através do bootstrap são ecessáras etre 5 e 00 replcações e qe para ma boa estmatva dos lmtes de cofaça seram ecessáras mas de 500 replcações Utlzaremos este trabalho 000 replcações para a costrção de tervalos de cofaça e 30 para o erro-padrão 4 Smlações de Mote Carlo Foram realzadas smlações para os modelos de regressão lear smples e epoecal com amostras de tamaho e varâca do erro de medda σ As smlações foram repetdas 500 vezes para dferetes valores de e σ Nas stações de regressão lear smples, em qe temos ma resposta cotía y, tlzamos o modelo clássco com ma varável regressora =,,, em qe s modelo e varâca y = β + β + e, 0 ' são valores da varável regressora, β 0 e β os parâmetros do e ' s são varáves aleatóras depedetes com dstrbção ormal, méda zero e σ e Nesses problemas samos o método dos mímos qadrados para estmar β e cosderamos β 0 =0 No modelo epoecal, a fção de desdade de Y dado é defda por (4) 34 Rev Mat Estat, São Palo, v,, p5-4, 003
11 f λ y ( y ) = λ e y > 0 em qe é m vetor de varáves eplcatvas e λ = E( Y ) Váras formas de fções são possíves para λ, etretato cosderamos qe, Assm, temos qe λ = e β f ( y, β ) = e qe tem como fção de verossmlhaça e log-verossmlhaça L ( β ) = Dervado (5), ecotramos a fção e β β e β e e e β β y y, l( β ) = β e y (5) β l' ( β ) = ( e y ), (6) e, portato, o estmador de máma verossmlhaça de β é dado pela solção da eqação l ' ( β ) = 0, formada a partr de (6) Como essa eqação ão é lear, βˆ é obtdo pelo método de Newto-Rapso Deve-se destacar qe essas smlações cosderamos qe o valor σ é cohecdo e portato ão será estmado Geramos dferetes amostras aleatóras de tamaho gal a 5, 50 e 00 Essas amostras foram tomadas como valores verdaderos Logo após, geramos as respostas y para esses valores em cada modelo: epoecal e lear smples Depos, geramos m erro qe fo adcoado à varável verdadera, determado os valores cotamados z O erro para a cotamação fo gerado por ma amostra aleatóra da dstrbção N(0, σ ) com σ assmdo os valores 0,; 0,5; 0,5 e A varável cotamada fo tlzada para gerar os estmadores dos parâmetros de teresse descrtos a Seção e respectvos tervalos de 95% de cofaça descrtos a Seção 3 Objetvamos, com sso, comparar e verfcar o comportameto dos tervalos de 95% de cofaça para os parâmetros de teresse Assm, calclamos o comprmeto médo dos tervalos costrídos em 500 repetções, a porcetagem de vezes em qe o valor verdadero pertece aos tervalos, a porcetagem de vezes em qe o valor verdadero estava acma do, Rev Mat Estat, São Palo, v,, p5-4,
12 lmte speror desses tervalos, e a porcetagem de vezes em qe o valor verdadero estava abao do lmte feror destes Para os tervalos costrídos pelo bootstrap foram realzadas 000 replcações com 30 replcações para a estmação do erro bootstrap qe são ecessáras apeas para calclar o tervalo de cofaça bootstrap-t 4 O modelo de Regressão Lear Foram costrídos os tervalos eato (sem erro de medda); o tervalo sal, qe descosdera a estêca de erro de medda; o tervalo proposto por Fller (987); e os tervalos bootstrap percetl, BC a e bootstrap-t Através de comparações poderemos avalar os tervalos Os tervalos eato e sal para β foram obtdos através da segte epressão (Seber, 977, p08) sedo qe, 36 S ˆ β S ˆ yy y ± t α, ( ) S β t α é o ( α) (7) -ésmo percetl com - gras de lberdade da dstrbção t, e cosderado S = ) ( ; Sy = ( y y)( ); e S yy = ( y y) O tervalo eato sa valores verdaderos para a varável e o sal valores cotamados com erro O tervalo de Fller fo determado pela epressão dada em Lyles e Kpper (999) e Fller (987), ˆ β α ( ) [ y ( ) F ± Z kˆ y ˆ β ( z N ( z z) z)] em qe k é dado pela epressão (5), z é o valor cotamado com erro e βˆ F é dado pela epressão (4) Os resltados dessa smlação são apresetados a Tabela Nessa tabela chamaremos de f ao úmero percetal de vezes em qe o valor verdadero para o parâmetro estmado fo meor do qe o etremo feror do tervalo de cofaça ecotrado De modo semelhate, chamaremos de sp ao úmero percetal de vezes em qe o valor verdadero fo maor do qe o etremo speror do tervalo de cofaça e certo ao úmero percetal de vezes em qe o valor verdadero pertece a esse tervalo Observamos, a partr da Tabela, qe à medda qe ametamos o erro de medda a cobertra omal dos tervalos é redzda Essa perda de efcêca é mmzada com o, (8) Rev Mat Estat, São Palo, v,, p5-4, 003
13 Tabela - Probabldade de cobertra e comprmetos médos dos tervalos de 95% de cofaça para o parâmetro β o modelo Yt = β t + et, t =,,3,, tlzado os estmadores Usal, Fller, James Ste (Ste), Stefask (Stef) e Carroll-Stefask (CSt) =5 =50 N=00 σ Itervalo f certo sp comp f certo sp comp f certo sp comp Eato 0,08 0,95 0,00 0,859 0,06 0,944 0,030 0,576 0,036 0,98 0,036 0,40 Usal 0,04 0,96 0,060 0,859 0,00 0,886 0,04 0,573 0,00 0,84 0,56 0,399 Fller 0,044 0,934 0,0 0,909 0,03 0,93 0,036 0,69 0,03 0,936 0,03 0,435 Perc 0,056 0,94 0,030 0,90 0,034 0,90 0,046 0,64 0,034 0,94 0,04 0,43 Boot-t 0,036 0,930 0,034,05 0,030 0,934 0,036 0,677 0,08 0,944 0,08 0,463 BCa 0,05 0,90 0,038 0,905 0,038 0,94 0,048 0,65 0,03 0,94 0,044 0,43 Perc Boot-t BCa Perc Boot-t BCa Ste Stef CSt Usal 0,000 0,85 0,48 0,848 0,00 0,70 0,88 0,565 0,000 0,44 0,558 0,39 Fller 0,066 0,906 0,08,054 0,038 0,96 0,036 0,70 0,06 0,93 0,04 0,489 Perc 0,060 0,906 0,034,030 0,038 0,94 0,048 0,688 0,06 0,90 0,054 0,48 Boot-t 0,040 0,90 0,040,06 0,03 0,9 0,046 0,76 0,0 0,936 0,04 0,56 BCa 0,058 0,90 0,040,03 0,040 0,908 0,05 0,69 0,04 0,9 0,054 0,483 Perc Boot-t BCa Perc Boot-t BCa Ste Stef CSt Usal 0,000 0,630 0,370 0,89 0,000 0,38 0,68 0,544 0,000 0,07 0,98 0,377 Fller 0,064 0,89 0,044,7 0,054 0,904 0,04 0,839 0,04 0,908 0,050 0,57 Perc 0,06 0,886 0,05,88 0,048 0,90 0,050 0,80 0,040 0,890 0,070 0,559 Boot-t 0,04 0,90 0,048,5 0,040 0,9 0,048 0,894 0,034 0,906 0,060 0,596 BCa 0,058 0,88 0,060,87 0,048 0,89 0,060 0,8 0,040 0,89 0,068 0,560 Perc Boot-t BCa Perc Boot-t BCa Ste Stef CSt Usal 0,000 0,48 0,75 0,754 0,000 0,040 0,960 0,50 0,000 0,00 0,998 0,346 Fller 0,078 0,85 0,070,549 0,078 0,854 0,068,3 0,078 0,840 0,08 0,753 Perc 0,06 0,844 0,094,740 0,07 0,84 0,086,8 0,058 0,848 0,094 0,75 Boot-t 0,048 0,878 0,074 3,36 0,054 0,868 0,078,88 0,064 0,844 0,09 0,760 BCa 0,064 0,834 0,0,75 0,070 0,840 0,090,85 0,064 0,838 0,098 0,77 Perc Boot-t BCa Perc Boot-t BCa Ste Stef CSt Rev Mat Estat, São Palo, v,, p5-4,
14 ameto do tamaho da amostra, eceto para os tervalos Usal e Stefask, cjo ameto da amostra parece redzr a efcêca Esse fato pode ser eplcado pela dmção da varâca desses estmadores, com o ameto da amostra, promovedo ma redção o comprmeto do tervalo de cofaça para esses estmadores Assm, esses tervalos fcaram mas sesíves a peqeas pertrbações Percebemos, também, qe o tervalo bootstrap-t é geralmete o de maor comprmeto e o Usal o de meor A cobertra de todos os tervalos de cofaça fca abao da omal com o ameto do erro de medda E sso cota ocorredo mesmo com o ameto do tamaho da amostra O tervalo de cofaça dervado do estmador de Stefask tem ma cobertra loge da omal qado o erro de medda cresce mto Como era esperado, a cobertra do tervalo de cofaça baseado o estmador Usal é mto rm, mesmo qado σ ão é mto grade Uma partclardade observada é a de qe o comprmeto do tervalo de cofaça bootstrap-t é salmete maor do qe o do boostrap percetl e do BCa 4 O modelo de Regressão Epoecal O estmador de Fller e o tervalo Fller foram desevolvdos para o modelo lear, etretato o avalamos também o modelo epoecal Os tervalos eato e sal foram obtdos através da formação de qe ˆ β ~ N( β,i 0 ) (Lawless, 98, p85), sto é, ( ) ˆ ˆ α ± β β Z e, (9) em qe Z (α) é o α -ésmo percetl da dstrbção ormal Os resltados da smlação para este caso são apresetados a Tabela Nessa tabela os valores f, sp e certo têm o mesmo sgfcado qe a Tabela, o seja, chamaremos de f ao úmero percetal de vezes em qe o valor verdadero para o parâmetro estmado fo meor do qe o etremo feror do tervalo de cofaça ecotrado De modo semelhate, chamaremos de sp ao úmero percetal de vezes em qe o valor verdadero fo maor do qe o etremo speror do tervalo de cofaça e Certo ao úmero percetal de vezes em qe o valor verdadero pertece a esse tervalo As coclsões são semelhates às do caso lear, eceto para os tervalos baseados o estmador Fller O tervalo de cofaça baseado o estmador de Fller é stável e prodz resltados acma dos valores omas com, coseqüetemete, m comprmeto mto grade Coclsões Nos modelos de regressão em qe a medção sofre algm tpo de erro, os métodos tradcoas de estmação, qe descosderam a estêca desse erro, prodzem estmadores vcados Qato maor for o erro de medção, mas prómo de zero será o valor estmado, o seja, o estmador tede a zero qado o erro de medção ameta Este víco prodzdo pela gedade de cosderar qe as medções estão lvres de erro os leva à costrção de 38 Rev Mat Estat, São Palo, v,, p5-4, 003
15 Tabela - Probabldade de cobertra e comprmetos médos dos tervalos de 95% de cofaça para o parâmetro β o modelo de regressão epoecal, com méda z e β, tlzado os estmadores Usal, Fller, James Ste (Ste), Stefask (Stef) e Carroll-Stefask (CSt) =5 =50 =00 σ Itervalo f certo sp comp f certo sp comp f certo sp comp Eato Usal Fller Per Boot-t BCa Perc Boot-t BCa Perc Boot-t BCa Ste Stef CSt Ste Stef CSt Ste Stef CSt Ste Stef CSt Usal Fller Perc Boot-t BCa Perc Boot-t BCa Perc Boot-t BCa Usal Fller Perc Boot-t BCa Perc Boot-t BCa Perc Boot-t BCa Usal Fller Perc Boot-t BCa Perc Boot-t BCa Perc Boot-t BCa Rev Mat Estat, São Palo, v,, p5-4,
16 tervalos de cofaça com meor gra de cofabldade com cetro deslocado a dreção do zero Etre os tervalos bootstrap o qe se destaco em ossas smlações, tato o modelo lear qato o modelo epoecal, fo o tervalo percetl, qe além de ser mas smples e egr meos tempo comptacoal, mostro-se tão efcete qato os demas, sedo o qe geralmete apreseto meor comprmeto O estmador Ste e o Carroll-Stefask prodzram, de modo geral, tervalos de cofaça de melhor performace e o estmador Usal, os tervalos de por performace perate a estêca de erro de medda De modo geral, os tervalos de cofaça bootstrap baseados o estmador de Stefask e o baseado o estmador Usal têm ma cobertra feror à omal e à dos demas tervalos costrídos; o comportameto dos tervalos Ste e C Stefask são bastate smlares; o comportameto dos três tervalos bootstrap são bastates smlares com relação à cobertra, mas o bootstrap-t tem m comprmeto sstematcamete maor; os tervalos parecem ser smétrcos o com ma save assmetra, ecetado os tervalos bootstrap para os estmadores de Stefask e Usal em qe a assmetra é bastate acetada À medda qe σ ameta os tervalos Stefask e Usal acetam sa assmetra No modelo epoecal, o tervalo de cofaça para o estmador de Fller ão é aproprado, pos o se comprmeto é mto grade, com cobertra próma de 00%, como era esperado, ma vez qe fo costrído para atear o erro de medção em modelos leares e ormas CUNHA, W J da; COLOSIMO, E A Bootstrap cofdece tervals regresso models wth measremet error Rev Mat Estat, São Palo, v,, p5-4, 003 ABSTRACT: Rote measres are sbjected to errors These errors ca occr de to strmet precso, wrog vales regstered, strmet readgs etc It s well kow that the estmators of a regresso model ca get based ths stato Some estmators have bee proposed to redce the bas Plg- estmators are specal case of them These plg- estmators are very attractve bt there s ot a epresso avalable for ther asymptotc varace Ths happes becase of the two steps procedres of these estmators, whch geerate a sophstcated model strctre Therefore, resample methods are ecessary to determe cofdece tervals for the plg- estmators Bootstrap methods, are sed ths paper to make ths task I partclar, percetle, BCa e bootstrap-t methods are sed to bld cofdece tervals The reslts obtaed from Mote Carlo smlatos dcate that the resample cofdece tervals preset ce featres I partclar, percetle cofdece tervals have same featres of the other two bt t s less comptatoal tesve KEYWORDS: Measremet error; bootstrap; cofdece tervals; regresso models Referêcas CARROLL, RJ; STEFANSKI, LA Appromate qas-lkelhood estmato model wth srrogate predctors J Am Stat Assoc, v85, p65-63, 990 EFRON, B Bootstrap methods: aother look at the jackkfe A Stat, v7, p-6, Rev Mat Estat, São Palo, v,, p5-4, 003
17 Better bootstrap cofdece tervals (Wth dscsso) J Am Stat Assoc, v8, p7-00, 987 EFRON, B; TIBSHIRANI, RJ A trodcto to the bootstrap Lodo: Chapma & Hall, p FULLER, WA Measremet error models New York: Joh Wley, p GIMENEZ, P; BOLFARINE, H; COLOSIMO, EA Estmato webll regresso model wth measremet error Comm Stat, Theory Methods, v8, p495-50, 999 JAMES, W; STEIN, C Estmato wth qadratc loss I: BERKELEY SYMPOSIUM ON MATHEMATICS, STATISTICS AND PROBABILITY, 4, 96, Berkeley Proceedgs Berkeley: Uversty of Calfora Press, 96 v, p36-80 KENDALL, M G; STUART, A The advaced theory of statstcs 4ed Lodo: Grff, 977 v, 483p LAWLESS, JF Statstcal models ad methods for lfetme data New York: Joh Wley, p LYLES, R H; KUPPER, L A ote o cofdece terval estmato measremet error adjstmet Am Stat, v53, 3, p47-53, 999 SEBER, GAF Lear regresso aalyss New York: Joh Wley, p STEFANSKI, L A The effect of measremet error o parameter estmato Bometrka, v7, p583-9, 985 WHITTEMORE, AS; KELLER, JB Appromatos for error--varables regresso J Am Stat Assoc, v83, p057-66, 988 WHITTEMORE, A S Errors--varables regresso sg Ste estmates Am Stat, v43, 4, p6-8, 989 Recebdo em 0800 Aprovado após revsão em 00 Rev Mat Estat, São Palo, v,, p5-4, 003 4
PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS
PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho
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 maisUERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes
UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas
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 maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia maisMAE116 Noções de Estatística
Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,
Leia maisCapítulo 1: Erros em cálculo numérico
Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas
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 maisFINANCIAMENTOS UTILIZANDO O EXCEL
rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas
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 maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia maisINTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
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 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 maisHipóteses do Modelo de Regressão Linear Clássico
Uversdade Federal da Baha Facldade de Cêcas coômcas Departameto de cooma CO 66 Itrodção à coometra Hpóteses do Modelo de Regressão Lear Clássco Gerváso F. Satos Propredades dos estmadores de MQO As estmatvas
Leia mais4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.
MÉTODOS NM ÉRICOS PARA E QAÇÕES DIFEREN CIAIS PARCIAIS 4- Método de Dfereças Ftas Aplcado às Eqações Dferecas Parcas. 4.- Apromação de Fções. 4..- Apromação por Polômos. 4..- Aste de Dados: M ímos Qadrados.
Leia maisTeoria da Amostragem
Teora da Amostragem I- oções fudametas sobre amostragem. Amostragem é todo o processo de recolha de uma parte, geralmete pequea, dos elemetos que costtuem um dado couto. Da aálse dessa parte pretede obter-se
Leia maisEstatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.
Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca
Leia maisConceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama
Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;
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: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores
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 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 maisMatemática. Resolução das atividades complementares. M18 Noções de Estatística
Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção
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 mais2. INTRODUÇÃO AOS MÉTODOS FACTORIAIS
. NRODUÇÃO AOS MÉODOS FACORAS CONCEOS GEOMÉRCOS. NÉRCA. Os métodos factoras de Aálse de Dados permtem descreer matrzes (segdo o modelo do Qadro Q da Fg..) de dmesão (, p) qe represetam os alores tomados
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisApostla Básca de Estatístca Slvo Alves de Souza ÍNDICE Itrodução... 3 Software R... 4 Software SPSS... 5 Dstrbução ormal de probabldade... 6 Testes de Hpótese paramêtrco... Testes Não-Paramétrco...5 Dstrbução
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 maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
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 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 maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
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 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 maisRequisitos metrológicos de instrumentos de pesagem de funcionamento não automático
Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças
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 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 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 maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)
Leia maisNotas de aula da disciplina Probabilidade e Estatística
otas de aula da dscpla Probabldade e Estatístca Proessor M Sc Adré Luz DAMAT - UTFPR Esta apostla apreseta os tópcos prcpas abordados em sala de aula, cotedo deções, teoremas, eemplos Sua letura ão é obrgatóra,
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 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 maisFaculdade de Economia, Administração e Contabilidade de Ribeirão Preto
Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para
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 maisMÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS. M. Z. Nascimento, A. F. Frère e L. A.
MÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS M. Z. Nascmeto, A. F. Frère e L. A. Neves INTRODUÇÃO O cotraste as radografas vara ao logo do campo de
Leia maise represente as no plano Argand-Gauss.
PROFESSOR: Cládo Das BANCO DE QUESTÕES MATEMÁTICA ª SÉRIE ENSINO MÉDIO ============================================================================================== - Determe o módlo dos segtes úmeros
Leia maisAnálise do Retorno da Educação na Região Norte em 2007: Um Estudo à Luz da Regressão Quantílica.
Análse do Retorno da Edcação na Regão Norte em 2007: Um Estdo à Lz da Regressão Qantílca. 1 Introdcão Almr Rogéro A. de Soza 1 Jâno Macel da Slva 2 Marnalva Cardoso Macel 3 O debate sobre o relaconamento
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 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 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 maisMA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04
MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de
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 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 maisMonitoramento ou Inventário Florestal Contínuo
C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo
Leia maisO mercado de renda fixa e a estrutura da taxa de juro
O mercado de reda fxa e a estrtra da taxa de jro No Brasl, a egocação o mercado de reda fxa egloba títlos públcos e títlos prvados. O strmeto para a expressão da remeração e/o o valor de mercado de cada
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 maisMatemática Financeira
Cocetos Báscos de Matemátca Facera Uversdade do Porto Faculdade de Egehara Mestrado Itegrado em Egehara Electrotécca e de Computadores Ecooma e Gestão Na prátca As decsões faceras evolvem frequetemete
Leia maisAMOSTRAGEM EM DOIS ESTÁGIOS COM UNIDADES PRIMÁRIAS DE TAMANHOS DIFERENTES SUBSAMPLING TO TWO PROBATION WITH PRIMARY UNITS OF UNEQUAL SIZES
Cêca Florestal, v.6,., p.47-55 47 ISS 003-9954 AMOSTRAGEM EM DOIS ESTÁGIOS COM UIDADES PRIMÁRIAS DE TAMAHOS DIFERETES SUBSAMPLIG TO TWO PROBATIO WITH PRIMARY UITS OF UEQUAL SIZES Sylvo Péllco etto RESUMO
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 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 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 maisEm atendimento à solicitação de V.Sa., apresentamos, na seqüência, os resultados do estudo referenciado.
1 Belo Horzote, 14 de abrl de 2007. À UNAFISCO SAÚDE AT.: Glso Bezerra REF: AVALIAÇÃO ATUARIAL Prezado Sehor, Em atedmeto à solctação de V.Sa., apresetamos, a seqüêca, os resultados do estudo referecado.
Leia maisAna Clara P. Campos 1 Denise Nunes Viola 1 Moacyr Cunha Filho 2 Guilherme Vilar 2 Vanessa Van Der Linden 3
Idetfcação da exstêca de padrão espacal aleatóro a dstrbução dos pacetes portadores de doeça geétca rara com defcêca físca da Assocação de Assstêca à Craça Defcete (AACD) de Perambuco Aa Clara P. Campos
Leia maisModelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado 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 maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia maisCapítulo 6 - Centro de Gravidade de Superfícies Planas
Capítulo 6 - Cetro de ravdade de Superfíces Plaas 6. Itrodução O Cetro de ravdade (C) de um sóldo é um poto localzado o própro sóldo, ou fora dele, pelo qual passa a resultate das forças de gravdade que
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 maisInferência 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 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 mais3 Precificação de resseguro
Precfcação de Resseguro 35 3 Precfcação de resseguro Este capítulo traz prmeramete uma oção ampla das aplcações das metodologas de precfcação de resseguro para melhor compreesão do mesmo Da seção 3 até
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 maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisNoções Básicas de Medidas e Algarismos Significativos
Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos
Leia maisCálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo
INGEPRO Iovação, Gestão e Produção Jaero de 010, vol. 0, o. 01 www.gepro.com.br Cálculo de méda a posteror através de métodos de tegração umérca e smulação mote carlo: estudo comparatvo Helto Adre Lopes
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 mais1 SISTEMA FRANCÊS DE AMORTIZAÇÃO
scpla de Matemátca Facera 212/1 Curso de Admstração em Gestão Públca Professora Ms. Valéra Espídola Lessa EMPRÉSTIMOS Um empréstmo ou facameto pode ser feto a curto, médo ou logo prazo. zemos que um empréstmo
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 maisE-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno.
Matemátca Facera 2007.1 Prof.: Luz Gozaga Damasceo 1 E-mals: damasceo1204@yahoo.com.br damasceo@terjato.com.br damasceo12@hotmal.com http://www. damasceo.fo www. damasceo.fo damasceo.fo Obs.: (1 Quado
Leia maisDISSERTAÇÃO DE MESTRADO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXTAS E DA TERRA-CCET PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA APLICADA E ESTATÍSTICA - PPGMAE DISSERTAÇÃO DE MESTRADO CARACTERIZAÇÃO ESTATÍSTICA
Leia maisUnidade II ESTATÍSTICA
ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as
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 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 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 maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisSUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador
INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)
Leia maisEstatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
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 maisAPOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I CURSO DE ESTATÍSTICA Prof. Paulo Rcardo Bttecourt Gumarães O SEMETRE
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 maisANÁLISE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONSTRUÇÃO DOS COEFICIENTES COM APLICAÇÕES
UNIVERIDADE FEDERAL DO PARANÁ ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO COEFICIENTE COM APLICAÇÕE CURITIBA 004 ACHIKO ARAKI LIRA ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO
Leia mais13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL
3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude
Leia maisMetodologia de cálculo das incertezas associadas às medições na calibração de monitores de radiação para medidas de H*(10).
005 Iteratoal Nclear Atlatc Coferece - INAC 005 Satos, SP, Brazl, Agst 8 to September, 005 ASSOCIAÇÃO BRASILEIRA DE ENERGIA NUCLEAR - ABEN ISBN: 85-994-0-5 Metodologa de cálclo das certezas assocadas às
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisA Medição e o Erro de Medição
A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro
Leia maisAVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA
versão mpressa ISSN 00-7438 / versão ole ISSN 678-542 AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA Luís Alberto Duca Ragel UFF-COPPE/PEP/UFRJ
Leia mais