Estatística: Aplicação ao Sensoriamento Remoto SER ANO Análise de Regressão
|
|
- Maria Clara Alencar Vilanova
- 5 Há anos
- Visualizações:
Transcrição
1 Estatístca: Aplcação ao Sesorameto Remoto SER 4 - ANO 8 Aálse de Regressão Camlo Daleles Reó camlo@dp,pe,r
2 Relacoameto etre Varáves atrutos Em qualquer tpo de estudo, há sempre a ecessdade de se focar em um ou mas atrutos (característcas) dos elemetos que compõem esta população () atrutos quattatvos:. altura total. dâmetro da copa. dâmetro do troco (DAP). omassa. etc Estes atrutos costtuem as varáves em estudo. Quado adqurdas sore o mesmo dvíduo, estas varáves guardam alguma relação etre s?
3 Relacoameto etre Varáves Em mages ou mapas, o relacoameto aparece pela posção geográfca W Z Amostra W Z 3,5 8,9,45 43, 7,5 3,5,37 38,6 3 4,4,,6 4,7 4, 8,7,4 45,5 5 4,4 9,,97 43,7 6 4,7,3,7 4, 7 7, 7,, 4,5 8 3,6 6,8,59 45, mesma posção geográfca 9 9, 33,6, 39, 3, 5,9,86 45,3 Mutos estudos uscam eteder as relações de depedêca etre varáves de modo a costrur modelos que permtam prever o comportameto de uma varável cohecedo-se os valores de outra ou outras varáves 3
4 IV Bomassa Umdade 4 Relacoameto etre Varáves Por exemplo: Cosdere que um determado ídce de vegetação (IV) apreseta valores axos para vegetações com pequea omassa e apreseta valores altos para vegetações com grade omassa. Por outro lado, este mesmo ídce ão tem qualquer relação com a umdade superfcal do solo. IV IV Se oservarmos uma dmução do valor deste ídce de vegetação ao logo do tempo, o que podemos coclur quato a dâmca da omassa da vegetação e da umdade superfcal do solo deste lugar? tempo Quato à omassa, espera-se que teha havdo uma dmução Quato à umdade, ada podemos afrmar
5 Perímetro (P) Perímetro 5 Relação fucoal x Relação estatístca As varáves podem possur dos tpos de relações: ) Fucoal: a relação é expressa por uma fórmula matemátca: = f() Ex: relação etre o perímetro (P) e o lado de um quadrado (L) 5 5 P = 4 L y = 4x 3 4 Lado do Lado Quadrado do Quadrado (L) Todos os potos caem perfetamete sore a lha que represeta a relação fucoal etre L e P
6 Relação fucoal x Relação estatístca ) Estatístca: ão há uma relação perfeta como o caso da relação fucoal. As oservações em geral ão caem exatamete a lha que descreve a relação. Ex: relação etre trasparêca da água e a reflectâca a ada 3 TM5 Fote: Adaptado de Satos, F.C.; Perera Flho, W.; Toolo, G.R.. Trasparêca assocada à reflectâca da água do reservatóro Passo Real. I: VII SBSR, 5. p
7 7 Grau de Relacoameto Relação dreta ou postva Relação versa ou egatva Ausêca de relação Como caracterzar o grau de relacoameto (ou assocação) etre pares de varáves? Covarâca Coefcete de correlação
8 Covarâca Covarâca populacoal Covarâca amostral v.a. dscretas: N x y P( x ; y ) x y v.a. cotíuas: (, ) x y f x y dxdy x y s x y Cov(,) > Cov(,) = Cov(,) < e são depedetes! Quato maor a covarâca (em módulo), mas próxmos estarão os potos etoro da reta que represeta a tedêca prcpal da uvem de potos A defcêca da covarâca é que seu valor calculado depede dretamete das udades de medda, dfcultado a comparação etre covarâcas. 8
9 9 Coefcete de Correlação r =,9 r =,3 r = Coefcete de Correlação (de Pearso) mede o grau de relação lear etre e r Cov(, ) Var( ) Var( ) r r = -,9 r x y x y x y x y x x y y
10 Coefcete de Correlação Correlações etre característcas dedrométrcas da Caatga raslera e dados TM Ladsat 5 (Almeda et al., 4*) AB - área asal B a B7 adas do TM/Ladsat NDVI = (B4 B3)/(B4 + B3) SR = B4/B3 Sav =,5(B4 B3)/(B4 + B3 +,5) *Fote:
11 Coefcete de Correlação Correlações etre característcas dedrométrcas da Caatga raslera e dados TM Ladsat 5 (Almeda et al., 4*) AB - área asal B a B7 adas do TM/Ladsat NDVI = (B4 B3)/(B4 + B3) SR = B4/B3 Sav =,5(B4 B3)/(B4 + B3 +,5) O coefcete de correlação em sempre represeta em a relação etre varáves! *Fote:
12 Coefcete de Correlação Iterpretações errôeas do coefcete de correlação Um alto coefcete de correlação em sempre dca que a equação de regressão estmada está em ajustada aos dados.??? Poucos potos Grupos de potos Poto solado y y x x Relação quase lear Varáves cumulatvas
13 Coefcete de Correlação Iterpretações errôea do coefcete de correlação Um coefcete de correlação próxmo de zero em sempre dca que e ão são relacoadas. A Relação ão lear Mstura de grupos com relações dferetes B Amostragem ão represetatva 3
14 Aálse de Regressão método estatístco que utlza a relação etre duas ou mas varáves para que uma varável possa ser estmada (ou predta) a partr da outra ou das outras A exstêca de uma relação estatístca etre a varável depedete e a varável depedete ão mplca que realmete depeda de, ou que exsta uma relação de causa-efeto etre e. Fote: Adaptado de Satos, F.C.; Perera Flho, W.; Toolo, G.R.. Trasparêca assocada à reflectâca da água do reservatóro Passo Real. I: VII SBSR, 5. p Neter, J, et al, Appled Lear Statstcal Models, McGraw Hll, 996 4
15 Aálse de Regressão Para que serve uma aálse de regressão? Ecotrar as varáves mas relevates que se relacoam com a varável depedete () Ecotrar a fução que descreve como uma ou mas varáves se relacoam com a varável depedete () e estmar os parâmetros que defem esta fução (equação ajustada) Usar a equação ajustada para prever valores da varável depedete () Regressão Lear Smples E Var Cov, k j k j erros depedetes = + + compoete aleatóro (erro ou resíduo) varável depedete (valores fxos cohecdos) varável depedete (varável resposta) 5
16 6 Modelo de Regressão Lear Smples E( ) = + A reta represeta o valor médo da varável depedete () para todos os íves da varável depedete ()
17 Modelo de Regressão Lear Smples E( ) = + = ta() Itercepto populacoal Iclação populacoal represeta o valor de E( ) quado = é o coefcete agular da reta e represeta o aumeto em E( ) quado é cremetado em uma udade 7
18 Estmação dos parâmetros e Em geral ão se cohece os valores de, e Eles podem ser estmados através de dados otdos por amostras O método utlzado a estmação dos parâmetros é o método dos mímos quadrados, o qual cosdera os desvos quadrátcos dos em relação a seu valor esperado: = E( ) = ( + ) Em partcular, o método dos mímos quadrados requer que cosderemos a soma de desvos quadrados, deotado por Q: [ ] Q De acordo com o método dos mímos quadrados, os estmadores de e são aqueles, deotados por e, que toram mímo o valor de Q. Isso é feto dervado-se Q em relação a e e gualado-se as expressões ecotradas a zero. 8
19 Estmação dos parâmetros e e ˆ (reta de regressão estmada) ( )( ( ) ) e são v.a. (ão depedetes!) e portato varam de amostra para amostra E( E( ) ) e ˆ (resíduo amostral) 9
20 Soma dos quadrados dos erros ou resíduos (SQE): e SQE ) ( ) ˆ ( Estmação da Varâca do Erro ( ) ] E[ QME Pode ser demostrado que Portato, o estmador de, deomado de Quadrado Médo do Erro ou Resíduo (QME), é dado pela razão etre a SQE e : A soma dos quadrados dos erros tem graus de lerdade, pos graus de lerdade foram perddos por estmar e. A varâca dos erros, deotada por, é um parâmetro do modelo de regressão, e ecessta ser estmada através dos desvos quadrátcos de em toro de sua própra méda estmada. ˆ ) ( ) ˆ ( ˆ SQE QME
21 Iferêca em Aálse de Regressão Cosdere o modelo: = + + ~ N(, ) e Cov( j, k ) = E( ) = +
22 Teste de Hpótese para ˆ? =? E( ) =? t s( ) s ( ) ~ Regão Crítca: t QME ( ) aceto H se t crít < t < t crít rejeto H caso cotráro H H,4,, :,8 :,6 se H,4 verdadera: t, t ~ s( 5 5 ) t -t crít t crít P( t crít < t < t crít ) = - P( t > t crít ) = - + rej. H ac. H rej. H OBS: se H for aceta, etão a regressão ão é sgfcatva e, portato, ão há relação etre as varáves e ( e podem ser cosderadas depedetes).
23 Teste de Hpótese para ˆ =? E( ) =? s t s( ) ~ ( ) QME Regão Crítca: t ( ) aceto H se t crít < t < t crít rejeto H caso cotráro? H H,4,, : :,8,6 se H,4 verdadera: t, ~ t 5 5 s( ) -t crít t crít P( t crít < t < t crít ) = - P( t > t crít ) = - + OBS: se H for aceta, etão a reta de regressão passa pela orgem. Isso ão tem qualquer relação com a exstêca ou ão de relação etre e. Mutas vezes este teste é rrelevate (especalmete quado = ão tem sgfcado prátco) rej. H t ac. H rej. H 3
24 Iferêcas para E( h ) Cosderado um determado valor de h, quas as certezas relacoadas às estmatvas de E( h )? ˆ Se e são varáves aleatóras, etão eles podem varar de amostra para amostra... 4
25 Iferêcas para E( h ) ˆ h h QME s ) ( ) ( ) ˆ ( ~ ) ˆ ( ) E( ˆ h h h t s Cosderado um determado valor de h, quas as certezas relacoadas às estmatvas de E( h )? h E h Iterpretação: quato mas dstate estver de, maores serão as certezas as estmatvas de Por sso, extrapolações para faxa de valores de extremos ou ão oservados devem ser evtados! 5
26 ˆ ˆ ˆ Partcoameto do Erro ) ˆ ( ) ˆ ( ) ( SQTO = SQReg + SQE ˆ 6
27 ANOVA x Aálse de Regressão Causas da Varação Soma de Quadrados Graus de Lerdade Quadrados Médos Regressão ( ˆ ) Resíduo ( ˆ ) - Total ( ) - ( ˆ ) ( ˆ ) E QMReg E QME H H : : Regão Crítca: se H verdadera: F QMReg QME ~ F, aceto H se F < F crít P(F < F crít ) = - rejeto H caso cotráro P(F > F crít ) = F, F crít + ac. H rej. H OBS: se H for aceta, etão a regressão ão é sgfcatva e, portato, ão há relação etre as varáves e ( e podem ser cosderadas depedetes). 7
28 Coefcete de Determação SQReg r SQTO SQTO - SQE SQE SQTO SQTO r Iterpretação: r mede a fração da varação total de explcada pela regressão e por sso pode ser represetada em porcetagem OBS: o coefcete de determação equvale ao quadrado do coefcete de correlação para regressões leares smples Ateção: Regressão passado pela orgem ( = ) ˆ y =,.x r R,886 = = + s ( ) QME r SQE/SQTO (r pode ser egatvo!) r SQE/SQTO* SQE SQTO* 8
29 Aálse de Regressão o ECEL,,9 3,5 4 4,3 5 6, 6 6,3 7 7,8 8 7, 9 9, RESUMO DOS RESULTADOS Estatístca de regressão R múltplo,9745 R-Quadrado,9496 R-quadrado ajustado,944 Erro padrão,6735 Oservações 9 ANOVA s ˆ =,9983 +,36 r,9496 R =, F de gl SQ MQ F sgfcação Regressão 59,8 59,8 s 3,867 8,55E-6 Resíduo 7 3,754,4536 Total 8 6,9756 valor-p Coefcetes Erro padrão Stat t valor-p 95% ferores 95% superores Iterseção,36,4893,668,7973 -,65,876,9983,87,486 8,55E-6,797,39 OBS: Para regressão lear smples: teste F é equvalete ao teste t lateral para 9
30 Aálse de Regressão o R,,9 3,5 4 4,3 5 6, 6 6,3 7 7,8 8 7, 9 9, >x <- c(,,3,4,5,6,7,8,9) >y <- c(.,.9,.5,4.3,6.,6.3,7.8,7,9.) >reg <- lm(y ~ x) >ypred <- predct(reg) >plot(x, y, xlm = c(,9), ylm = c(,)) >ale(reg) >summary(reg) >aova(reg) Call: lm(formula = y ~ x) Resduals: M Q Meda 3Q Max Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) x e-6 *** --- Sgf. codes: ***. **. *.5.. Resdual stadard error:.6735 o 7 degrees of freedom Multple R-squared:.9496, radjusted R-squared:.944 F-statstc: 3.8 o ad 7 DF, p-value: 8.547e-6 s Aalyss of Varace Tale Respose: y Df Sum Sq Mea Sq F value Pr(>F) x e-6*** Resduals s --- Sgf. codes: ***. **. *.5.. valor-p 3
31 Modelos Learzáves Modelo Padrão: = + + expoecal e l l l potecal ~ N(, ) l l l l logartmo potêca verso 3
32 Resíduos Aálse de Resíduos 8 ˆ =,9983 +,36 R R,9496 =, Resíduo = e ˆ 3
33 Resíduos Padrozado Resíduos Padrozados Aálse de Resíduos 8 ˆ =,9983 +,36 R R,9496 =, Resíduo Padrozado = e / QME 33
34 Resíduos Padrozados Resíduos Padrozados Resíduos Padrozados Resíduos Padrozados Resíduos Padrozados Resíduos Padrozados Resíduos Padrozados Aálse de Resíduos. deal. ão costate. ão leardade outler ão depedêca tempo 34
35 Modelo de Regressão Lear Múltpla Modelo Geral,, p p,,,,, p,,,,, p,,,, são parâmetros do modelo (p parâmetros o total) são valores fxos cohecdos são erros depedetes ~ N(, ) Fazedo, =, podemos reescrever o modelo como,,, p k k k, p p, 35
36 Casos Especas Regressão Polomal Cosdere um modelo de regressão de 3 o grau com uma varável depedete: 3 3 Se cosderarmos, e etão,, 3, 3, 3 3,, Importate: o modelo geral de regressão lear ão é restrto às superfíces plaas. O termo lear refere-se ao fato de que ele é lear os parâmetros, ão a forma da superfíce. Efeto de Iteração Cosdere um modelo de regressão com duas varáves depedetes:,, 3,, Se cosderarmos etão,,, 3, 3 3,, 36
37 Modelo de Regressão Lear Múltpla Exemplo: duas varáves depedetes,, 37
38 Modelo de Regressão Lear Múltpla Exemplo: duas varáves depedetes com teração,, 3,, (cosderado = ) (cosderado = ) 38
39 p p p,,,,,,,,, ξ p p β Notação Matrcal Modelo Geral ξ β p p ˆ e ˆ 39
40 ANOVA x Aálse de Regressão Causas da Varação Soma de Quadrados Graus de Lerdade Quadrados Médos, p p, Regressão SSTO SSE p - Resíduo - p ( Total ) - SQReg p SSE p E QMReg E QME H H : k k,..., p : pelo meos um dos k F se H verdadera: QMReg QME Regão Crítca: aceto H se F < F crít P(F < F crít ) = - rejeto H caso cotráro P(F > F crít ) = ~ F p, p Fp, p F crít + ac. H rej. H 4
41 Coefcete de Determação Múltplo SQTO = SQReg + SQE SQReg r Ateção: r é fortemete fluecado pelo úmero de parâmetros SQTO cosderados o modelo. SQE Quato maor o úmero de parâmetros (p ), melhor o ajuste e portato maor o r SQTO. Quado p =, o ajuste é perfeto!!! Modelo Lear Polomal Smples de 5 o grau 4
42 Coefcete de Determação Múltplo SQTO = SQReg + SQE SQReg r Ateção: r é fortemete fluecado pelo úmero de parâmetros SQTO cosderados o modelo. SQE Quato maor o úmero de parâmetros (p ), melhor o ajuste e portato maor o r SQTO. Quado p =, o ajuste é perfeto!!! r a p SQE SQTO Coefcete de Determação Ajustado Este coefcete pode até dmur se as varáves acrescetadas ao modelo ão represetarem cotruções mportates. 4
43 , E p k j j j j Teste de Hpótese para k,,4,6,8,,, p t p k k k t s t ~ ) ( : H : H k k p k k t s t ~ ) ( se H verdadera: t crít -t crít Regão Crítca: aceto H se t crít < t < t crít P( t crít < t < t crít ) = - rejeto H caso cotráro P( t > t crít ) = ac, H rej, H rej, H QME,,,,,, p p p p p s s s s s s s s s s () 43 OBS: se H for aceta, etão k = e, portato, a varável k ão se relacoa sgfcatvamete com (cosderado que todas as demas varáves depedetes estejam presetes o modelo).
44 Elmado-se varáves depedetes 3 4,7 6,9 74,56 6,69 364,6 6,34 75, 9,4 7,43 39,68 6,76 5, 6,7 75,4 59,57 6,83 47,75,5 66,58 47,, 45,83 48,78 58,84 5, 3,43 6,9 3,4 99,85 37,56 4,75 73,34 97,8 7,3 85,6 9,96 79,87 9,83 6, 695,3 3,3 3,55 39,4 35, 8,3 33,5 63,68 4, 94,77 884,83 38, 93,5 98,44 5,9 9,9 38,4,57 99,38 95,38 6,36 4,63 93,8 88,63 59,74 338,8 46,5 96,54 4,37 363,8 58,84 47,98 84,33 8,83 334,6 764,8 54,58 9,84 7,83 4,97 79,9 58, 63,,36 95,87 66,3 66,7 55,43 84,4 84,87 5,34 86,7 73,9 9, 54,3 6, 89,9,9 53,56 39,89 86,3,, 3 3, 4 4, ANOVA gl SQ MQ F valor-p Regressão ,57 338,64 587,45,78E-6 Resíduo 5 59,7 3,98 Total 9 944,8 Coefcetes Erro padrão Stat t valor-p Iterseção 64,4359 4,844 3,367,4E-9 -,9,38 -,698,5 -,474,6-9,5575,4E-4 3,659,553,73,74 4 -,75,5-4,887, altamete sgfcatvo ão sgfcatvos a 5% Ateção: ão se pode cosderar que todos os k, cujas estatístcas t são ão sgfcatvas, sejam smultaeamete guas a zero! Este prolema pode ocorrer quado as varáves depedetes são correlacoadas (prolema de coleardade) 44
45 Teste de Hpótese para múltplos k Cosdere um modelo completo dado por:, 4 4 3, 3,, : H : H 3 3 e/ou, 4 4, Se H for verdadero etão, o modelo é reduzdo para: Supoha que se quera testar as hpóteses Neste caso: p p C R C C R R F C p SQE p SQE SQE F, ~ ode p C-R é o úmero de parâmetros testados em H, ou seja, o úmero de parâmetros ausetes o modelo reduzdo p r p r r F C R C R C 45
46 Teste de Hpótese para múltplos k 3 4,7 6,9 74,56 6,69 364,6 6,34 75, 9,4 7,43 39,68 6,76 5, 6,7 75,4 59,57 6,83 47,75,5 66,58 47,, 45,83 48,78 58,84 5, 3,43 6,9 3,4 99,85 37,56 4,75 73,34 97,8 7,3 85,6 9,96 79,87 9,83 6, 695,3 3,3 3,55 39,4 35, 8,3 33,5 63,68 4, 94,77 884,83 38, 93,5 98,44 5,9 9,9 38,4,57 99,38 95,38 6,36 4,63 93,8 88,63 59,74 338,8 46,5 96,54 4,37 363,8 58,84 47,98 84,33 8,83 334,6 764,8 54,58 9,84 7,83 4,97 79,9 58, 63,,36 95,87 66,3 66,7 55,43 84,4 84,87 5,34 86,7 73,9 9, 54,3 6, 89,9,9 53,56 39,89 86,3,, 3 3, 4 4, ANOVA gl SQ MQ F valor-p Regressão ,57 338,64 587,45,78E-6 Resíduo 5 59,7 3,98 Total 9 944,8, 4 4, ANOVA gl SQ MQ F valor-p Regressão 368,9 584,46 4,3,36 Resíduo 7 645,37 367,37 Total 9 944,8 SQER SQEC SQEC F p p CR ~ F,5 645,37 59, 7 59, 7 F 776, Valor-P Coclusão: os modelos completo e reduzdo são dferetes e portato ão se deve retrar as duas varáves de uma só vez! 46
47 Elmado-se varáves depedetes 3 4,7 6,9 74,56 6,69 364,6 6,34 75, 9,4 7,43 39,68 6,76 5, 6,7 75,4 59,57 6,83 47,75,5 66,58 47,, 45,83 48,78 58,84 5, 3,43 6,9 3,4 99,85 37,56 4,75 73,34 97,8 7,3 85,6 9,96 79,87 9,83 6, 695,3 3,3 3,55 39,4 35, 8,3 33,5 63,68 4, 94,77 884,83 38, 93,5 98,44 5,9 9,9 38,4,57 99,38 95,38 6,36 4,63 93,8 88,63 59,74 338,8 46,5 96,54 4,37 363,8 58,84 47,98 84,33 8,83 334,6 764,8 54,58 9,84 7,83 4,97 79,9 58, 63,,36 95,87 66,3 66,7 55,43 84,4 84,87 5,34 86,7 73,9 9, 54,3 6, 89,9,9 53,56 39,89 86,3,, 3 3, 4 4, ANOVA gl SQ MQ F valor-p Regressão ,57 338,64 587,45,78E-6 Resíduo 5 59,7 3,98 Total 9 944,8 Coefcetes Erro padrão Stat t valor-p Iterseção 64,4359 4,844 3,367,4E-9 -,9,38 -,698,5 -,474,6-9,5575,4E-4 3,659,553,73,74 4 -,75,5-4,887, e 3 são coleares! 47
48 Coleardade 3 4,7 6,9 74,56 6,69 364,6 6,34 75, 9,4 7,43 39,68 6,76 5, 6,7 75,4 59,57 6,83 47,75,5 66,58 47,, 45,83 48,78 58,84 5, 3,43 6,9 3,4 99,85 37,56 4,75 73,34 97,8 7,3 85,6 9,96 79,87 9,83 6, 695,3 3,3 3,55 39,4 35, 8,3 33,5 63,68 4, 94,77 884,83 38, 93,5 98,44 5,9 9,9 38,4,57 99,38 95,38 6,36 4,63 93,8 88,63 59,74 338,8 46,5 96,54 4,37 363,8 58,84 47,98 84,33 8,83 334,6 764,8 54,58 9,84 7,83 4,97 79,9 58, 63,,36 95,87 66,3 66,7 55,43 84,4 84,87 5,34 86,7 73,9 9, 54,3 6, 89,9,9 53,56 39,89 86,3,, 3 3, 4 4, A detecção da coleardade em sempre é fácl e em geral recorre-se à aálse do fator de flação da varâca (VIF Varace Iflato Factor): VIF k = r k ode r k é o coefcete de determação otdo da regressão etre k e as demas varáves depedetes. Se VIF k > etão k têm forte coleardade Por exemplo:, = a + a, + a 3 3, + a 4 4,, = 4,4,3, +,5 3, +,9 4, r =,9994 VIF = 66,4 48
49 Aálse da Coleardade o R 3 4,7 6,9 74,56 6,69 364,6 6,34 75, 9,4 7,43 39,68 6,76 5, 6,7 75,4 59,57 6,83 47,75,5 66,58 47,, 45,83 48,78 58,84 5, 3,43 6,9 3,4 99,85 37,56 4,75 73,34 97,8 7,3 85,6 9,96 79,87 9,83 6, 695,3 3,3 3,55 39,4 35, 8,3 33,5 63,68 4, 94,77 884,83 38, 93,5 98,44 5,9 9,9 38,4,57 99,38 95,38 6,36 4,63 93,8 88,63 59,74 338,8 46,5 96,54 4,37 363,8 58,84 47,98 84,33 8,83 334,6 764,8 54,58 9,84 7,83 4,97 79,9 58, 63,,36 95,87 66,3 66,7 55,43 84,4 84,87 5,34 86,7 73,9 9, 54,3 6, 89,9,9 53,56 39,89 86,3,, 3 3, 4 4, > <- c(.7,...,89.9) > <- c(6.9,...,.9) > <- c(74.56,...,53.56) > 3 <- c(6.69,...,39.89) > 4 <- c(364.6,...,86.3) > reg <- lm(~++3+4) > VIF(reg) Neste caso, elma-se a varável que apreseta o maor VIF e repete-se a aálse 49
50 Elmado-se varáves depedetes 3 4,7 6,9 74,56 6,69 364,6 6,34 75, 9,4 7,43 39,68 6,76 5, 6,7 75,4 59,57 6,83 47,75,5 66,58 47,, 45,83 48,78 58,84 5, 3,43 6,9 3,4 99,85 37,56 4,75 73,34 97,8 7,3 85,6 9,96 79,87 9,83 6, 695,3 3,3 3,55 39,4 35, 8,3 33,5 63,68 4, 94,77 884,83 38, 93,5 98,44 5,9 9,9 38,4,57 99,38 95,38 6,36 4,63 93,8 88,63 59,74 338,8 46,5 96,54 4,37 363,8 58,84 47,98 84,33 8,83 334,6 764,8 54,58 9,84 7,83 4,97 79,9 58, 63,,36 95,87 66,3 66,7 55,43 84,4 84,87 5,34 86,7 73,9 9, 54,3 6, 89,9,9 53,56 39,89 86,3,, 3 3, 4 4, ANOVA gl SQ MQ F valor-p Regressão ,57 338,64 587,45,78E-6 Resíduo 5 59,7 3,98 Total 9 944,8 Coefcetes Erro padrão Stat t valor-p Iterseção 64,4359 4,844 3,367,4E-9 -,9,38 -,698,5 -,474,6-9,5575,4E-4 3,659,553,73,74 4 -,75,5-4,887, Outra maera é elmar-se prmeramete a varável que apreseta o maor valor-p. 5
51 Teste de Hpótese para k 3 4,7 6,9 74,56,6 6,34 75, 9,4 95,65 6,76 5, 6,7 8,3 6,83 47,75,5,, 45,83 48,78 7,4 3,43 6,9 3,4 9,34 4,75 73,34 97,8 8,46 9,96 79,87 9,83,78 3,3 3,55 39,4 97,7 33,5 63,68 4, 7,3 38, 93,5 98,44 9,67 38,4,57 99,38,3 4,63 93,8 88,63,4 46,5 96,54 4,37 7,76 47,98 84,33 8,83 7,3 54,58 9,84 7,83 8,53 58, 63,,36 94,8 66,7 55,43 84,4 86,39 86,7 73,9 9, 98, 89,9,9 53,56 3,78 ˆ,97 6,8 8,58 6,6 3,,5 7,9 3,6 6,5 34,64 36,76 36,44 4,3 48,7 47,57 54,49 55, 66,43 86,67 89,9, 3 3, 4 4, ANOVA gl SQ MQ F valor-p Regressão 3 935,67 37,56 89,56,E-7 Resíduo 6 6,6 3,85 Total 9 944,8 Coefcetes Erro padrão Stat t valor-p Iterseção 6,4478,48 8,73 3,44E-5 -,4734,57-3,637,66E-5 3,587,4 4,6,8E-7 4 -,77,5-5,698 9,3E-5 todos sgfcatvos a 5% Coefcete de correlação múltplo r = r r =,9964 (evte usar este ídce!) 5
52 Comparado fuções de regressão Mutas vezes deseja-se saer se dos cojutos amostras adqurdos em duas regões dsttas resultam a mesma fução de regressão, ou seja, se e se relacoam da mesma forma as duas regões. =? =? =? Para testar esta hpótese, é possível gerar uma úca regressão usado uma varável dcadora (dummy) a fm de detfcar a orgem de cada poto amostral. Vamos aalsar exemplos a segur. 5
53 Exemplo 8 Regão A Regão B,4,75 4,7,9 7,69,47 8,9,53 7,48 4,39 6,3 3,9 3,65 6,9 3,8 5,3 39,46 7,38 34,33 6,97 39,73 8,47 35,93 8, 48,76 9,94 44,53 9,53 53,3,4 48,57,8 6,7,95 53,37,36 65,65 4,75 58, 3,64 63, 4,3 64,67 4, = 3, ,7733 r² =,9948 = 4,93 + 3,396 r² =,9967 A A A A A B B B B B Para que amas regressões sejam a mesma: A = B e A = B 53
54 Exemplo,4,75 7,69,47 7,48 4,39 3,65 6,9 39,46 7,38 39,73 8,47 48,76 9,94 53,3,4 6,7,95 65,65 4,75 4,7,9 8,9,53 6,3 3,9 3,8 5,3 34,33 6,97 35,93 8, 44,53 9,53 48,57,8 53,37,36 58, 3,64 63, 4,3 64,67 4,96 W W,9,53 3,9 5,3 6,97 8, 9,53,8,36 3,64 4,3 4,96 Defe-se uma ova varável W: W se pertecer a Regão A se pertecer a Regão B W 3 Para Regão A (W = ): Para Regão B (W = ): W 3 54
55 Exemplo,4,75 7,69,47 7,48 4,39 3,65 6,9 39,46 7,38 39,73 8,47 48,76 9,94 53,3,4 6,7,95 65,65 4,75 4,7,9 8,9,53 6,3 3,9 3,8 5,3 34,33 6,97 35,93 8, 44,53 9,53 48,57,8 53,37,36 58, 3,64 63, 4,3 64,67 4,96 W W,9,53 3,9 5,3 6,97 8, 9,53,8,36 3,64 4,3 4,96 W 3 W Coclusões possíves: Se = 3 =, etão amas regões possuem a mesma regressão Se, etão as regressões dferem-se etre s pelo tercepto Se 3, etão as regressões dferem-se etre s pelo coefcete agular 55
56 Exemplo,4,75 7,69,47 7,48 4,39 3,65 6,9 39,46 7,38 39,73 8,47 48,76 9,94 53,3,4 6,7,95 65,65 4,75 4,7,9 8,9,53 6,3 3,9 3,8 5,3 34,33 6,97 35,93 8, 44,53 9,53 48,57,8 53,37,36 58, 3,64 63, 4,3 64,67 4,96 W W,9,53 3,9 5,3 6,97 8, 9,53,8,36 3,64 4,3 4,96 W 3 W ANOVA gl SQ MQ F valor-p Regressão 3 769,9 564, 499,97 8,9E- Resíduo 8 3,77,7 Total 773,6 Coefcetes Erro padrão t valor-p Iterseção 8,77,86,7 6,86E-9 3,94, 4,84 3,36E-9 W -5,38,4-4,7, W,7,,36,95 ão sgfcatvo ( 3 = ) altamete sgfcatvo Elma-se o termo 3 W e refaz-se a aálse... 56
57 Exemplo,4,75 7,69,47 7,48 4,39 3,65 6,9 39,46 7,38 39,73 8,47 48,76 9,94 53,3,4 6,7,95 65,65 4,75 4,7,9 8,9,53 6,3 3,9 3,8 5,3 34,33 6,97 35,93 8, 44,53 9,53 48,57,8 53,37,36 58, 3,64 63, 4,3 64,67 4,96 W W ANOVA gl SQ MQ F valor-p Regressão 7689,4 3844,57 53,57 4,3E-3 Resíduo 9 33,9,79 Total 773,6 Erro Coefcetes padrão t valor-p Iterseção 7,97,64,4,46E- 4,4,6 65,56 7,44E-4 W -4,3,57-7,3,9E-6 Coclusão: a 5% de sgfcâca, as regressões de amas regões possuem o mesmo coefcete agular. Elas dferem-se apeas pelo tercepto. Em méda, a regão B produz estmatvas para meores que a regão A em 4,3 udades. 57
58 Exemplo Alvo A Alvo B 3,96 7,6 53,79 4,97,94 6,3 35,7 8,9 5,8 3,84 47,79 4,9 45,7,7 46,67,94 44,7 3,35 35,3,5 35,6,65 47,4 4, 33,3 7,88 4,93 5,64 34,54 9,7 7,98 7,8 4,64,68 8,5 6,6 34,3,65 3,47 8,34 a relação parece ser mesmo lear!
59 Exemplo W W 3,96 7,6,94 6,3 5,8 3,84 45,7,7 44,7 3,35 35,6,65 33,3 7,88 34,54 9,7 4,64,68 34,3,65 53,79 4,97 4,97 35,7 8,9 8,9 47,79 4,9 4,9 46,67,94,94 35,3,5,5 47,4 4, 4, 4,93 5,64 5,64 7,98 7,8 7,8 8,5 6,6 6,6 3,47 8,34 8,34 W se pertecer ao Alvo A se pertecer ao Alvo B W 3 W ANOVA gl SQ MQ F Valor-P Regressão 3 4,54 473,5 57,56 8,59E-9 Resíduo 6 3,63 8,3 Total 9 55,7 Coefcetes Erro padrão Stat t valor-p Iterseção 5,53 4,,38,86 3,7,38 8,4 4,4E-7 W,68 5,,53,6 W -,7,47 -,35,79 elma-se o com maor valor-p
60 Exemplo W 3,96 7,6,94 6,3 5,8 3,84 45,7,7 44,7 3,35 35,6,65 33,3 7,88 34,54 9,7 4,64,68 34,3,65 53,79 4,97 35,7 8,9 47,79 4,9 46,67,94 35,3,5 47,4 4, 4,93 5,64 7,98 7,8 8,5 6,6 3,47 8,34 W se pertecer ao Alvo A se pertecer ao Alvo B W ANOVA gl SQ MQ F Valor-P Regressão 49,5 79,76 9,96 8,3E- Resíduo 7 3,65 7,8 Total 9 55,7 Coefcetes Erro padrão Stat t valor-p Iterseção 6,64,44,7,5,96, 3,48,66E- W,97,5,77,449 elma-se tamém
61 Exemplo 3,96 7,6,94 6,3 5,8 3,84 45,7,7 44,7 3,35 35,6,65 33,3 7,88 34,54 9,7 4,64,68 34,3,65 53,79 4,97 35,7 8,9 47,79 4,9 46,67,94 35,3,5 47,4 4, 4,93 5,64 7,98 7,8 8,5 6,6 3,47 8,34 ANOVA gl SQ MQ F Valor-P Regressão 44,85 44,85 85,45 6,4E- Resíduo 8 37,33 7,63 Total 9 55,7 Coefcetes Erro padrão Stat t valor-p Iterseção 7,7,3 3,9,63,96, 3,6 6,4E- Coclusão: a 5% de sgfcâca, amas regões possuem o mesmo modelo de regressão Vatagem: maor amostra! 6
62 Regressão Padrozada Mutas vezes, o coefcete k pode ser utlzado como uma medda do poder da varável depedete k em explcar a varável depedete. ˆ,5, 4 5,9 Por exemplo:,, Oserve que a varação em udade de gera uma mudaça em 5,9 udades em, ao passo que a mesma varação em gera uma mudaça de apeas,4. Assm, cocluse que a varável é mas mportate para do que. Será mesmo? Isso é verdade quado todas as varáves depedetes possuem a mesma udade de medda e quado possuem varâcas smlares. No exemplo ateror, se as udades das varáves do modelo fossem: em mm, em to/ha e em o C, quas as udades de e? mm.ha/to mm/ o C Como comparar estes parâmetros? 6
63 Regressão Padrozada Para oter um modelo cujos coefcetes sejam admesoas, deve-se padrozar cada uma das varáves depedete e depedetes, ou seja: p p,,, ˆ s k k k k s,, Nesse caso, a reta de regressão estmada tora-se Estes coefcetes podem etão ser comparados etre s. Em mutos pacotes estatístcos, estes coefcetes são cohecdos como coefcetes eta 63 p p,,, ˆ k k s s k
64 Costrução do Modelo Em geral, o ojetvo de um estudo de regressão é determar quas varáves depedetes dspoíves melhor explcam ou predzem a varável em estudo. Nesse caso, deve-se uscar o melhor modelo que represete a relação etre as varáves, ou seja, aquele que melhor se ajuste aos dados aalsados. Dcas: quato mas smples o modelo, melhor. dê preferêca por modelos leares (ou learzáves). utlze cohecmetos prévos para escolha do modelo, costrudo prmeramete um modelo cocetual ou aalse modelos utlzados em traalhos semelhates. evte métodos automátcos que procuram o melhor modelo ajustado: lear, polomal, logarítmco, expoecal, potecal e outros ão leares. A escolha do tpo de modelo deve ser fudametada em cohecmetos prévos ou aseada em dagramas de dspersão. após a estmação dos parâmetros, faça a aálse dos resíduos para detectar quasquer aomalas (outlers, ão ormaldade, ão costâca da varâca, etc) e tete mmzá-las. 64
65 Seleção de Varáves Quado se traalha com um grade úmero de varáves depedetes, mutas vezes o processo de escolha de quas deverão compor o modelo fal é astate dfcultado, especalmete quado há coleardade etre estas varáves. De modo geral, o prmero passo é verfcar se a relação etre a varável depedete e cada uma das varáves depedetes possu uma relação lear. No caso da relação ão ser lear, procura-se trasformações de modo a learzá-la. log 5,3, -,67 55,78,53 -,8 6,5,55,9 6,66,69,43 66,3 4,53,66 67,6 7,5,85 7,69,4,35 75,59 43,4,64 77,7 55,43,74 8, 6,3,7 88,78 964,3,98 9,3 7,6 3,33 log, 65
66 Seleção de Varáves Quado se traalha com um grade úmero de varáves depedetes, mutas vezes o processo de escolha de quas deverão compor o modelo fal é astate dfcultado, especalmete quado há coleardade etre estas varáves. De modo geral, o prmero passo é verfcar se a relação etre a varável depedete e cada uma das varáves depedetes possu uma relação lear. No caso da relação ão ser lear, procura-se trasformações de modo a learzá-la. 36,5,3 6,9 6,7 6,3 65,69 7, 4,5 6,5 89, 34,7 4,9 9,8 43,8 98,44 94, 5, 6, 95, 59, 354,64 83,3 66,9 4475,6 8,8 74, 555,64 56, 85, 759,4 43,8 9,7 848,89 7,9 98,6 97,96,, 66
67 Seleção de Varáves Uma vez garatdo que todas as relações etre a varável depedete e cada uma das depedetes é aproxmadamete lear, pode-se car o processo de seleção. A seleção pode ser feta maualmete, detfcado-se a varável depedete com maor poder de explcação (maor r ou meor valor-p) e em seguda, acresceta-se uma a uma, cada varável depedete, testado-se a sgfcâca de cada varável depedete adcoada. maor r meor valor-p sgfcatvo (< 5%) 4 3 ehum valor-p sgfcatvo Modelo Fal: = β +β, +β 4 4, + Este processo ão garate que o modelo fal seja o melhor detre todos os possíves modelos. Esta seleção pode ser otmzada através de processos automátcos de usca. Os mas comus são: usca exaustva e stepwse. 67
68 Seleção de Varáves Busca Exaustva Na usca exaustva, escolhe-se o melhor modelo smples ( varável depedete) e depos o melhor modelo com varáves (todos os pares são testados) e depos o modelo com 3 varáves (todas as trplas são testadas), até que o modelo completo seja ajustado. Avala-se os modelos otdos (do mas smples ao mas completo) de forma a garatr que o acréscmo de varáves depedetes traga gahos sgfcatvos Total de modelos: 5 = 5 = 3 Este método é muto oeroso e vável quado se traalha com mutas varáves depedetes. Se fossem varáves, haveram 4 modelos a serem testados! 68
69 Seleção de Varáves - Stepwse Há três maeras de se aplcar o método stepwse ( passo a passo ): crescete (forward), decrescete (ackward) ou amos (oth) No modo forward, o modelo é calzado com apeas uma varável depedete e, a cada passo, adcoa-se uma ova varável depedete, testado-se o gaho o poder explcatvo do ovo modelo. No modo ackward, ca-se o modelo com todas as varáves depedetes e, a cada passo, retra-se uma das varáves do modelo, testado-se a perda o poder explcatvo do ovo modelo reduzdo. No modo oth, a cada passo testa-se a retrada e etrada de cada varável depedete. O teste utlzado para medr o gaho ou a perda do poder explcatvo pode varar mas, em geral, utlza-se o teste F para comparar os modelos completo e reduzdo, ou o teste t quado apeas um parâmetro é adcoado ou retrado. Pode-se tamém utlzar o ídce AIC (Akake s Iformato Crtero): AIC p log( SQE/ ) Oserve que este ídce é uma comação etre uma medda de ajuste (SQE) e uma medda de smplcdade do modelo (dado pelo úmero de parâmetros p). Quato meor for o valor AIC, melhor o modelo. 69
70 Exemplo ## Etrada dos dados dados <- read.csv("regrdata.dat", header = TRUE, sep="\t", dec = ".", a.strgs = NA) ## Plotado gráfcos de dspersão e correlações upael <- fucto(x, y,...) { par(usr = c(,,, )) text(.5,.5, format(cor(x, y), dgts=), cex =.5) } plot(dados,upper.pael=upael) Qual são as melhores varáves que explcam? Se avalarmos apeas a correlação:, 3 e 5 Mas todas as relações das varáves depedetes com a são leares? 7
71 Exemplo plot(~,data=dados) plot(~,data=dados) plot(~3,data=dados) plot(~4,data=dados) plot(~5,data=dados) 7
72 Exemplo plot(~3,data=dados) #learzado a varável 3 dados$3 <- log(dados$3) ames(dados)[4]<-"log3" plot(dados,upper.pael=pael.cor) plot(~log(3),data=dados) 7
73 Exemplo Aplcado-se o Stepwse... lrary(mass) reg<-lm( ~ + + log , data=dados) regsel<-stepaic(reg,drecto="oth") Start: AIC=5.36 ~ + + log Df Sum of Sq RSS AIC <oe> log dmu AIC Step: AIC=3.87 ~ + + log3 + 4 Df Sum of Sq RSS AIC <oe> log Step: AIC=.84 ~ + log3 + 4 Df Sum of Sq RSS AIC <oe> log modelo fal dmu AIC 73
74 Exemplo Resumo do modelo selecoado: summary(regsel) Call: lm(formula = ~ + log3 + 4, data = dados) Resduals: M Q Meda 3Q Max Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) < e-6 *** e- *** log e-3 *** e-6 *** --- Sgf. codes: ***. **. *.5.. Resdual stadard error: o 36 degrees of freedom Multple R-squared:.8683, Adjusted R-squared:.8573 F-statstc: 79. o 3 ad 36 DF, p-value: 6.53e-6 74
75 Exemplo Avalado a qualdade do modelo selecoado shapro.test(regsel$resduals) Shapro-Wlk ormalty test data: regsel$resduals W =.96599, p-value =.668 resíduos são ormalmete dstruídos erropadr <- (summary(regsel))$sgma plot(dados$,regsel$resduals/erropadr,xla="",yla="stadard error") Aparetemete ehum outler ( erro padrozado >,5) Valores de meores que 9 e maores que 5 foram pouco amostrados! 75
76 Exemplo Avalado a qualdade do modelo selecoado plot(dados$,regsel$resduals/erropadr,xla="",yla="stadard error") plot(dados$log3,regsel$resduals/erropadr,xla="log3",yla="stadard error") plot(dados$4,regsel$resduals/erropadr,xla="4",yla="stadard error") #7 #9 #6 #34 76
77 Exemplo Procura exaustva... lrary(leaps) leaps<-regsusets( ~ + + log ,data=dados,est=6) plot(leaps,scale="adjr") OBS: Não avala a sgfcâca dos coefcetes dos modelos! 77
Modelo 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 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 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 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 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 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 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 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 maisRegressão Linear e Multilinear
Regressão Lear e Multlear Deleameto Expermetal Mestrado em Sstemas de Produção em Agrcultura Medterrâca Modelo de Regressão Lear Smples X Varável Idepedete Y Varável Depedete y =β +β x +ε β ordeada a orgem
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 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 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 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 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 maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
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 maisRelações entre variáveis: Regressão
Dscpla: 04 Relações etre varáves: Regressão Prof. a Dr. a Smoe Daela Sartoro de Mederos DTASeR-Ar Itrodução Cosdere uma varável aleatóra Y de teresse. Já vmos que podemos escrever essa varável como sedo:
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 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 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 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 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 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 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 maisCAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados
CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio de Medeiros. DTAiSeR-Ar
Dscpla: 04 Relações etre varáves: Regressão Prof. a Dr. a Smoe Daela Sartoro de Mederos DTASeR-Ar Itrodução Cosdere uma varável aleatóra Y de teresse. Já vmos que podemos escrever essa varável como sedo:
Leia maisRegressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
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 maisIntrodução à Correlação e Regressão Linear
Itrodução à Correlação e Regressão Lear Ru Carvalho Olvera rolv@st.utl.pt Estatístca Descrtva amostras bvaradas Amostras bvaradas: cada etdade (dvíduo/objecto é caracterzado por um par de varáves (atrbutos
Leia maisPrevisão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios
Objetvos desta apresetação Plaejameto de produção: de Demada Aula parte Mauro Osak TES/ESALQ-USP Pesqusador do Cetro de Estudos Avaçados em Ecooma Aplcada Cepea/ESALQ/USP de demada quattatva Regressão
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 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 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 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 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 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 mais( k) Tema 02 Risco e Retorno 1. Conceitos Básicos
FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia 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 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 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 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.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val/ ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisRegressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
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 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 mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
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 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 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 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 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 maisCAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS
CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são
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 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 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 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 maisRegressao Simples. Parte I: Introdução
Regressao Smples Parte I: Itrodução Curso A aplcação da aálse de regressão requer cohecmeto teórco e eperêca com aálse de dados. Este curso procura combar a teora estatístca com a prátca, dado mas efâse
Leia maisLista de Exercícios #9 Assunto: Análise de Regressão Método de Mínimos Quadrados
Lsta de Exercícos #9 Assuto: Aálse de Regressão Método de Mímos Quadrados ANPEC 8 Questão 4 Cosdere o segute modelo de regressão lear smples: () y = β + β x + u Para uma amostra com 3 observações, foram
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 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 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 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 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 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 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 maisAVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR. José Antonio Stark Ferreira
1 AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR José Atoo Stark Ferrera I - INTRODUÇÃO O presete estudo fo desevolvdo objetvado mesurar os gahos e perdas patrmoas
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 maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maistem-se que: b) Ao contrário, se pelo menos uma das derivadas parciais,, depender de
Porque se chama: modelo de regressão lear? Nos estudos de regressão busca-se, coforme dto aterormete, relacoar as varáves X e Y por meo da especfcação de uma fução f() Quado Y depede apeas de uma varável
Leia maisCAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS
CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em
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 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 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 mais2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida
. MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +
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 mais9 Medidas Descritivas
1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia mais3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento:
Lsta de Exercícos #9 Ass uto: Aáls e de Re gres s ão Mé todo de Mímos Quadrados. ANPEC 99 - Questão 8 A capacdade de produção stalada (Y), em toeladas, de uma frma, pode ser fução da potêca stalada (X),
Leia mais3 - ANÁLISE BIDIMENSIONAL
INE 7001 - Aálse Bdmesoal 1 3 - ANÁLISE BIDIMENSIONAL É comum haver teresse em saber se duas varáves quasquer estão relacoadas, e o quato estão relacoadas, seja a vda prátca, seja em trabalhos de pesqusa,
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 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 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 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 maisRegressão Linear Simples uma revisão
Regressã Lear mples uma revsã A regressã lear é útl quad a varável de teresse (depedete se relaca e é afetada pr uma u mas varáves (depedetes. Cmecems pel mdel que da frma mas smples pssível pde represetar
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 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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia 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 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 maisFundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques
FUNÇÕES POLINOMIAIS4 Gl da Costa Marques Fudametos de Matemátca I 4.1 Potecação de epoete atural 4. Fuções polomas de grau 4. Fução polomal do segudo grau ou fução quadrátca 4.4 Aálse do gráfco de uma
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 maisMEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO
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 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 maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela
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 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 mais