CAPÍTULO 7 - ESTIMAÇÃO DE PARÂMETROS
|
|
- Sebastiana Sabina Câmara de Figueiredo
- 8 Há anos
- Visualizações:
Transcrição
1 CAPÍTULO 7 - ESTIMAÇÃO DE PARÂMETROS Nos capítulos anterores analsaram-se város modelos usados na avalação de manancas, tendo-se defndo os respectvos parâmetros. Nas correspondentes fchas de exercícos os valores dos parâmetros foram dados, não sendo necessáro estmá-los. Neste capítulo analsarse-ão dversos métodos para estmar os parâmetros. Convém recordar que a estmação de parâmetros mplca conhecmentos sobre a teora de amostragem e sobre nferênca estatístca. Neste manual referr-se-á um dos métodos geras mas usados na estmação de parâmetros - o método dos mínmos quadrados. Este método utlza, em mutos casos, processos teratvos de estmação que requerem valores ncas próxmos dos verdaderos parâmetros. Assm, apresentam-se também alguns métodos partculares, que permtem obter, faclmente, estmatvas próxmas dos verdaderos valores dos parâmetros. De qualquer modo, estas estmações aproxmadas também têm, por s só, nteresse prátco. Estes métodos serão lustrados com a estmação dos parâmetros de crescmento e da relação, S-R, manancalrecrutamento. O método dos mínmos quadrados é apresentado sob as formas de Regressão lnear smples, de modelo lnear generalzado e de modelos não lneares (método de Gauss-Newton). Assuntos como análse de resíduos,, dstrbução na amostragem dos estmadores (assntótcas ou empírcas"bootstrap" e "jacknfe"), lmtes e ntervalos de confança, etc, são mportantes na estmação de parâmetros. No entanto, a abordagem destes assuntos, necesstara de um curso de maor duração. 7.1 REGRESSÃO LINEAR SIMPLES MÉTODO DOS MÍNIMOS QUADRADOS Modelo Consdere as seguntes varáves e parâmetros: Varável resposta (ou dependente) Varável auxlar (ou ndependente) Parâmetros = Y = X = A,B A varável resposta é lnear com os parâmetros Y = A+BX 83
2 Objectvo Observados n pares de valores (cada par é consttuído por um valor selecconado da varável auxlar e o valor observado correspondente da varável resposta) estmar os parâmetros do modelo ou seja: Observados x e y para cada par, com =1,2,...,,...n Estmar A e B e (Y 1,Y 2,...,Y,...,Y n ) para os n pares de valores observados (Valores estmados A e B (ou a e b) e Y 1, Y 2,...,, Y.., Y n ) Função objecto (ou função crtéro) n Φ = = 1 ( ) 2 y Y Crtéro de estmação Os estmadores serão os valores de A e B que tornam mínma a função objecto. Este crtéro denomna-se o método dos mínmos quadrados. Para proceder à mnmzação há que gualar a zero as dervadas Φ / A e Φ / B e resolver o sstema de equações obtdo em ordem a A e a B. A resolução do sstema de equações, após algumas transformações matemátcas, dá os seguntes resultados: x = (1/n). x y = (1/n). y Sxx = (x - x )(x - x ) Sxy = (x - x )(y - y) b = Sxy/Sxx a = y - b. x Note que os valores y observados, para um mesmo conjunto de valores de X selecconados dependem da amostra recolhda. Estatstcamente costuma apresentar-se o problema da regressão lnear smples escrevendo o modelo como: y = A + BX + ε onde ε é uma varável aleatóra com valor esperado gual a zero e varânca gual a σ 2. Assm, o valor esperado de y será Y ou A+BX e a varânca de y será gual à varânca de ε. Costuma fazer-se uma dferença entre desvo e resíduo: 84
3 Desvo é a dferença de y observado e y médo ( y), sto é desvo = (y- y ) enquanto que Resíduo é a dferença entre y observado e Y estmado ( Y ), sto é resíduo = (y - Y ). É convenente, para a análse do ajuste do modelo aos dados observados, consderar as seguntes característcas: 85
4 Soma dos quadrados dos resíduos = SQ resdual = ( y Ŷ) 2 Esta quantdade ndca a varação resdual dos valores observados em relação aos valores estmados do modelo, sto é, a varação dos valores observados não explcada pelo modelo. Soma dos quadrados dos desvos dos valores estmados do modelo é gual a: SQ mod elo = ( Ŷ y) 2 Esta quantdade ndca a varação dos valores estmados da varável resposta do modelo em relação à sua méda, sto é, a varação dos valores estmados da varável resposta explcada pelo modelo. Soma total dos quadrados dos desvos dos valores oservados é gual a: SQ total = ( y y) 2 Esta quantdade ndca a varação total dos valores observados em relação à méda É fácl de verfcar a segunte relação: ou SQ total = SQ modelo + SQ resdual SQ modelo 1 = + SQtotal SQ SQ resdual total ou 1 = r 2 + (1 - r 2 ) onde r 2 (coefcente de determnação) é a percentagem da varação total que é explcada pelo modelo e, 1-r 2 é a percentagem da varação total que não é explcada pelo modelo. 86
5 7.2 MODELO LINEAR GENERALIZADO REGRESSÃO LINEAR MÚLTIPLA MÉTODO DOS MÍNIMOS QUADRADOS Modelo Consdere as seguntes varáves e parâmetros: Varável resposta (ou dependente) Varáves auxlares (ou ndependentes) Parâmetros = Y = X 1, X 2,..., X j,..., X k = B 1, B 2,..., B j,..., B k A varável resposta é lnear com os parâmetros Y = B 1 X 1 +B 2 X B k X k = Σ B j X j Objectvo Observados n conjuntos de valores (cada conjunto é consttuído por um valor observado de cada varável auxlar e o valor observado correspondente da varável resposta) estmar os parâmetros do modelo, ou seja: Observados estmar x 1, x 2,,..., x j,,.., x k, e y para cada conjunto, com =1,2,...,,...n B 1,B 2,...,B j,...,b k e (Y 1,Y 2,..., Y,..., Y) n para os n conjuntos observados Os valores estmados podem ser representados por: B 1, B 2,..., B j,..., B k (ou b 1,b 2,...,b j,...,b k ) e Y 1, Y 2,..., Y,..., Y n Função objecto ou função crtéro n Φ = = 1 Crtéro de estmação ( y 2 Y ) Os estmadores serão os valores de B j que tornam mínma a função objecto. Este crtéro denomna-se o método dos mínmos quadrados. De um modo semelhante ao usado no caso do modelo lnear smples, o procedmento de mnmzação necessta de gualar a zero as dervadas parcas de Φ em ordem a cada parâmetro, Bj com j=1, 2,..., k. Este procedmento é, de preferênca, tratado com o cálculo matrcal. 87
6 Versão matrcal Matrz X(n,k) = Matrz dos valores observados das varáves auxlares Vector y(n,l) = Vector dos valores observados da varável resposta Vector Y(n,l) = Vector dos valores da varável resposta (não observados) Vector B(k,l) = Vector dos Parâmetros Vector Bˆ ou b(k,l) = Vector dos estmadores dos parâmetros Modelo Y (n,1) = X (n,k). B (k,1) ou Y=X.B+ε Função objecto Φ (1,1) = (y-y) T.(y-Y) ou Φ (1,1) = (y-x.b) T.(y-X.B) Para calcular os estmadores dos mínmos quadrados basta gualar a zero a dervada de Φ em ordem ao vector B. Recorde-se que dφ /db é um vector com componentes Φ / B 1, Φ / B 2,..., Φ / B k. Assm, vrá: dφ /db (k,1) = -2.X T.(y-X.B) = 0 ou X T y - (X T.X). B = 0 e b = B = (X T.X) -1. X T y Os resultados podem-se escrever como: b (k,1) = (X T.X) -1.X T y Y (n,1) = X.b ou Y (n,1) = X (X T.X) -1.X T y resíduos (n,1) = (y- Y ) Comentáros Para a análse estatístca tem vantagem expressar os estmadores e as somas dos quadrados utlzando matrzes dempotentes. Em seguda utlzam-se as matrzes dempotentes L, (I - L) e 88
7 (I - M) com L (n,n) = X (X T. X) -1. X T, I = matrz untára e M (n,n) = matrz méda (n,1) = 1/n [1] onde [1] é uma matrz com todos os elementos guas à undade. É também mportante consderar as dstrbuções dos estmadores na amostragem e supor que os valores ε são ndependentes e com dstrbução normal. É convenente referr desde já algumas propredades do valor esperado e da varânca de uma relação lnear de uma varável aleatóra u. Em termos matrcas consdere-se c 1 um vector constante de dmensão (n.1), c 2 uma matrz de valores constantes dmensão (n.n) e o vector aleatóro u de dmensão (n.1). Assm, será: E[c 1 +c 2.u] = c 1 +c 2.E[u] V[c 1 +c 2.u] = c 2.V[u].c 2 T 1 Varável aleatóra, ε ε n. (ndependentes) Valor esperado de ε E[ε] = 0. Varânca de ε gual a V[ε] (n.n) = E[ε.ε T ]=I.σ 2 2 Varável resposta y observado y = Y+ε Valor esperado de y E[y] = Y = X.B. Varânca de y gual a V[y] (n.n) = V[ε] (n.n) = I.σ 2 3 Estmador do vector parâmetro B Valor esperado de B B = (X T.X) -1.X T.y E[ B] = B Varânca de B gual a V[ B] (k.k) = (X T.X) -1.σ 2 4 Estmador de Y do modelo Y = X. B = L.y Valor esperado de Y E[ Y ] = Y. Varânca de Y V[ Y ] = L.σ 2 5 Resíduo e e = y- Y = (I-L).y Valor esperado de e E[e] = 0 Varânca de e V[e] = (I-L).σ 2 6 Soma de quadrados Soma resdual dos quadrados = SQ resdual (1.1) = (y- Y ) T (y- Y ) = y T (I-L)y Esta quantdade ndca a varação resdual dos valores observados em relação aos valores do modelo, sto é, a varação não explcada pelo modelo Soma dos quadrados do modelo = SQ modelo (1.1) = ( Y - y) T ( Y - y) = y T (L-M)y 89
8 Esta quantdade ndca a varação dos valores do modelo em relação à méda, sto é, a varação explcada pelo modelo Soma total dos quadrados dos desvos = SQ total (1.1) = (y- y) T (y- y) = y T (I-M) y Esta quantdade ndca a varação total dos valores observados em relação à méda. É fácl de verfcar a segunte relação: SQ total = SQ modelo + SQ resdual ou SQmod elo SQ 1 = + SQ SQ total resdual total ou 1 = R 2 + (1 - R 2 ) onde: R 2 é a percentagem da varação total que é explcada pelo modelo. Em termos matrcas será: R 2 = [y T (L - M)y].[ (y T (I - M)y] -1 1-R 2 é a percentagem da varação total que não é explcada pelo modelo. Os valores característcos das matrzes (I-L), (I-M) e (L-M) respectvamente guas a (n-k), (n- 1) e (k-1), são os graus de lberdade assocados às respectvas somas dos quadrados. 7.3 MODELO NÃO-LINEAR MÉTODO DE GAUSS-NEWTON MÉTODO DOS MÍNIMOS QUADRADOS Modelo Consdere as seguntes varáves e parâmetros: Varável resposta (ou dependente) Varável auxlar (ou ndependente) Parâmetros = Y = X = B 1,B 2,...,B j,...,b k A varável resposta é não-lnear com as varáves auxlares 90
9 Y = f(x;b) onde B é um vector de componentes B 1,B 2,...,B j,...,b k Objectvo Observados n pares de valores ( cada par é consttuído por um valor selecconado da varável auxlar e o valor observado correspondente da varável resposta) estmar os parâmetros do modelo ou seja: Observados estmar x e y para cada par, com =1,2,...,,...n B 1,B 2,...,B j,..,b k e (Y 1,Y 2,...,Y,...,Y n ) para os n pares de valores observados. (Valores estmados = B 1, B 2,..., B j,..., B k ou b 1,b 2,...,b j,...,b k e Y 1, Y 2,..., Y,..., Y n ) Função objecto ou função crtéro n Φ = (y 2.Y ) = 1 Crtéro de estmação Os estmadores serão os valores de B j que tornam mínma a função objecto. (Este crtéro denomna-se o método dos mínmos quadrados). Versão matrcal É convenente apresentar o problema utlzando matrzes e aplcando o cálculo matrcal. Assm: Vector X (n,1) = Vector dos valores observados da varável auxlar Vector y (n,1) = Vector dos valores observados da varável resposta Vector Y (n,1) = Vector dos valores da varável resposta dados pelo modelo Vector B (k,1) = Vector dos Parâmetros Vector b (k,1) = Vector dos estmadores dos parâmetros Modelo Y (n,1) = f(x; B) 91
10 Função objecto Φ (1,1) = (y-y) T.(y-Y) No caso do modelo não lnear o sstema de equações resultantes de gualar a zero a dervada da função Φ em ordem ao vector B geralmente não é smples de resolver. A estmação pelo método dos mínmos quadrados poderá, no entanto, ser efectuada recorrendo a algumas modfcações que têm por base o desenvolvmento da função Y em sére de Taylor, como uma aproxmação ao modelo. Revsão sobre o desenvolvmento de Taylor Exemplfque-se o desenvolvmento de uma função em sére de Taylor usando o caso mas smples de uma função a uma varável. A aproxmação de Taylor traduz-se em desenvolver uma função Y = f(x) em torno de um ponto selecconado, x 0, em sére de potêncas de x: Y = f(x) = f(x 0 ) +(x-x 0 ).f (x 0 )/1! + (x-x 0 ) 2 f (x 0 )/2! (x- x 0 ) f () ( x 0 )/!+... onde f () (x 0 ) = dervadas de f(x) de ordem, no ponto x 0. O desenvolvmento aproxma-se até à potênca desejada. Quando o desenvolvmento é aproxmado até à potênca 1 dz-se que se trata da aproxmação lnear de Taylor, ou seja, Y = f(x 0 ) + (x-x 0 ).f (x 0 ) O desenvolvmento de Taylor pode aplcar-se a funções de mas de uma varável. Por exemplo, para uma função Y = f(x 1,x 2 ), o desenvolvmento lnear sera: f(x 1(0),x 2(0) ) y f(x 1(0),x 2(0) ) + (x 1 -x 1(0) ). / x 1 f(x 1(0),x 2(0) ) + (x 2 -x 2(0) ). / x 2 que, em lnguagem matrcal pode ser escrto como Y = Y (0) +A (0).(x-x (0) ) onde Y (0) é o valor da função no ponto x (0) de componentes (x 1 -x 1(0) ) e (x 2 -x 2(0) ) e A (0) é a matrz de dervadas com componentes guas à dervada parcal de f(x 1,x 2 ) em ordem a x 1,x 2 no ponto (x 1(0), x 2(0) ). No caso da estmação de parâmetros o desenvolvmento da função Y em sére de Taylor realza-se em ordem aos parâmetros B e não ao vector X. Por exemplo, o desenvolvmento lnear de Y = f(x,b) em ordem a B 1, B 2,..., B k, sera: 92
11 Y = f(x;b) = f(x; B (0) ) + (B 1 -B 1(0) ) f / B 1 (x;b (0) ) (B 2 -B 2(0) ) f / B 2 (x;b (0) ) (B k -B k( 0) ) f / B k (x;b (0) ) ou pondo em lnguagem matrcal sera: onde Y (n,1) = Y (0) (n,1) + A (0) (n,k). B (0) (k,1) A = matrz de ordem (n,k) das dervadas parcas da matrz f(x;b) em ordem ao vector B no ponto B (0) e Então a função objecto será: B (0) = vector (B - B (0) ). Φ = (y-y) T.(y-Y) = (y-y (0) - A (0). B (0) ) T (y-y (0) - A (0). B (0) ) Para obter o mínmo desta função é mas convenente dervar Φ em ordem ao vector B do que em relação ao vector B e gualar a zero. Assm vrá: 0 = -2(A (0) ) T (y-y (0) -A (0). B (0) ) = -2A (0) T (y-y (0) )+ 2A (0) T A (0). B (0) ou A (0) T A (0). B (0) = A (0) T (y-y (0) ) e portanto será: 1 ( ) T T B( 0 )( ) = k,l A ( 0).A() 0.A ( 0). y Y ( 0 ) Se B (0) fôr gual a zero então é porque o estmador de B é gual a B (0). (convém esclarecer que na prátca quando se dz gual a zero neste processo, quer dzer-se menor do que aprox onde aprox é o vector aproxmação que se quera defnr). Caso contráro o novo valor de B será: B (1) =B (0) + B (0) e o processo repetr-se-á, sto é, proceder-se-à a nova teração com B (0) substtudo por B (1) (e A (0) substtudo por A (1) ). O processo teratvo contnuará até que se verfque a convergênca desejada. 93
12 Comentáros 1. Não é dto que o processo convrja sempre. Às vezes não converge, outras vezes é lento demas (até para computadores!) e outras vezes converge mas para outro lmte!! 2. O método que se descreveu acma é o método de Gauss-Newton que é a base de mutos outros métodos. Alguns desses métodos ntroduzem modfcações para obter uma convergênca mas rápda como o caso do método de Marquardt (1963), bastante usado em nvestgação pesquera. Outros métodos usam o desenvolvmento de Taylor de segunda ordem (método de Newton-Raphson), procurando assm uma melhor aproxmação. Outros anda, combnam as duas modfcações. 3. Estes métodos necesstam que se calculem dervadas das funções. Alguns programas de computador requerem a ntrodução das expressões matemátcas das dervadas, outros utlzam sub-rotnas com aproxmações numércas das dervadas. 4. Convém também salentar que os métodos exstentes na nvestgação pesquera e estudados neste curso para calcular valores de város parâmetros, como por exemplo, crescmento, mortaldades, curvas de selectvdade e de maturação, podem dar valores ncas para os parâmetros caso se pretenda usar métodos teratvos em modelos nãolneares. 5. De qualquer modo é mportante salentar um aspecto comum aos métodos teratvos: o valor ncal do vector B (0) usado no processo deve ser selecconado o mas próxmo possível do verdadero valor. Deste modo, não só a convergênca é mas rápda como também é mas seguro que termnará no lmte desejado. 94
13 7.4 ESTIMAÇÃO DE PARÂMETROS DE CRESCIMENTO O método dos mínmos quadrados (regressão não-lnear) permte estmar os parâmetros K, L e t o das equações de crescmento ndvdual. Os valores ncas de K, L e t 0 podem ser obtdos por meo da regressão lnear smples usando os métodos seguntes. Métodos de Ford-Walford ( ) e de Gulland e Holt (1959) As expressões de Ford-Walford e de Gulland e Holt, que foram apresentadas no Secção 3.4, já se encontram na sua forma lnear, permtndo assm estmar os valores ncas de K e L com métodos de regressão lnear smples. A expressão de Gulland e Holt permte estmar K e L mesmo quando os ntervalos de tempo T não são constantes. Nesse caso é convenente reescrever a expressão como: L/T I = K.L - K. L Método de Stamatopoulos e Caddy (1989) Estes autores apresentam também um método de estmar K, L e t o (ou L o ) usando a regressão lnear smples. Para tal a equação de von Bertalanffy é expressa como uma relação lnear de L t contra e -Kt. Consdere assm n pares de valores t, L onde t é a dade e L o comprmento do ndvíduo com =1,2,..., n. A equação de von Bertalanffy, na sua forma geral, é como se vu: que pode ser escrta na forma: L - L t = (L - L a ). e -K(t-ta) L t = L - (L - L a ). e +Kta. e -Kt Como se pode ver a equação anteror é da forma lnear smples, y = a + bx, onde: y = L t a = L b = - (L - L a ). e +Kta x = e -Kt Se se adoptar L a = 0 será t a =t o, mas em contrapartda se adoptar t a = 0 será L a = L o. De qualquer modo os parâmetros a estmar a partr de a e b serão L, t o ou L o. 95
14 Assm os autores propõem adoptar um valor de K, sto é, K (0), e por regressão lnear smples entre y (= L t ) e x(=e -Kt ) estmar a (0), b (0) e r 2 (0). O procedmento pode ser repetdo para város valores de K, sto é, K (1) K (2),... Poder-se-à então adoptar a regressão que resulte no maor valor de r 2, ao qual corresponderá K max e a max e b max. Estes valores de a max, b max e K max permtrão obter os valores dos restantes parâmetros. Um processo prátco para encontrar K max poderá ser: (). (). Selecconar dos valores extremos de K que ncluam o valor pretenddo, por exemplo K= 0 e K=2 (por dfculdades prátcas use K = em vez de K = 0). Calcular as 10 regressões para valores de K compreenddos entre aqueles extremos em ntervalos guas (). Os correspondentes 10 valores de r 2 obtdos permtrão selecconar dos novos valores de K que determnam um outro ntervalo menor do que o de () contendo o valor de r 2 máxmo obtdo (v). As etapas () e () podem-se repetr até obter um ntervalo de valores de K com a aproxmação desejada. De um modo geral esta etapa não necessta de mutas repetções. 7.5 ESTIMAÇÃO DE M COEFICIENTE DE MORTALIDADE NATURAL Város métodos foram propostos para estmar M, que se baseam na assocação de M com outros parâmetros bológcos do recurso. Estes métodos produzem resultados aproxmados, cujas aproxmações dependem das espéces e dos manancas RELAÇÃO DE M COM A LO NGEVIDADE, t λ Longevdade: Idade máxma méda dos ndvíduos da população no manancal não-explorado. Duração da vda explorável: t t = λ (Fgura 7.1) λ r N r = R t r t λ Fgura 7.1 Duração da vda explorável 96
15 Tanaka (1960) propõe Curvas de Sobrevvênca "NATURAL" (Fgura 7.2) para obter valores de M a partr de longevdade. Na prátca pode consderar-se que uma coorte se extngue quando só sobrevve uma fracção, p, dos ndvíduos recrutados. Nesse caso, partndo de N λ λ = R e M, pode escrever-se: N p = R λ = M. λ e e portanto M = -(1/λ).ln p Dferentes valores da fracção p de sobrevvênca produzem dferentes curvas de sobrevvênca Curvas de sobrevvênca d e Tanaka p=1% M p=5% 0 Fgura λ (anos) Curvas de sobrevvênca de Tanaka A escolha do valor de p é arbtrára, mas adopte p = 5% (.e. um cada vnte recrutas sobrevve até à dade t λ ) como um valor varável RELAÇ ÃO ENTRE M E CRES C IMENTO Método de Beverton e Holt (1959) Gulland (1969) mencona que Beverton e Holt verfcaram que espéces com maor taxa de mortaldade M também apresentavam maores valores de K. Procurando uma relação smples entre estes dos parâmetros, concluram que aproxmadamente se podera afrmar que: Método de Pauly (1980) M 1 2 para pequenos pelágcos K M 2 3 para pexes demersas K Baseado nas seguntes consderações: a) recursos com uma taxa de mortaldade elevada não podem ter um tamanho máxmo muto grande; 97
16 b) em águas mas quentes, o metabolsmo é mas acelerado, de modo que é possível crescer até um tamanho maor e atngr o tamanho máxmo mas rapdamente do que em águas mas fras. Pauly recolheu, na lteratura, dados sobre estes parâmetros, para 175 espéces e ajustou regressões múltplas de valores transformados de M contra os correspondentes valores transformados de K, L e de temperatura, de modo a encontrar uma relação lnear e selecconou aquela que consderou com o melhor ajuste, ou seja, a segunte relação empírca: ln M = ln L lnK lnT com os parâmetros expressos nas seguntes undades: M = ano -1 L = cm de comprmento total K = ano -1 o T = temperatura à superfíce das águas em o C Pauly chama a atenção para os cudados a ter na aplcação desta expressão a pequenos pelágcos e crustáceos. A relação de Pauly usando logartmos decmas apresenta o prmero coefcente dferente do valor dado na expressão anteror, escrta com logartmos neperanos RELAÇ ÃO ENTRE M E REPRO DUÇÃO Método de Rkhter e Efanov (1976) Estes autores analsaram a dependênca entre M e a dade de 1ª maturação a partr de dados representatvos de espéces com tempo de vda curto, médo e longo, encontrando uma dependênca de M com a dade de 1ª maturação que transformaram na segunte relação empírca: (Undades) M = mat50% ( t ) tmat50% M ano 1 ano 98
17 Método de Gundersson (1980) Baseado na suposção de que a taxa de mortaldade natural deverá estar relaconada com o nvestmento dos pexes na reprodução, além da nfluênca de outros factores, Gundersson estabeleceu váras relações entre M e aqueles factores. Propôs, no entanto, a segunte relação empírca, smples, usando o Índce Gonadossomátco (IGS) (estmados para fêmeas maduras na época de desova) para obter uma estmação de M: M = 4.64 IGS DADA A ESTRUTURA PO R IDADES DO MANANCIAL, AO INÍCIO E AO FINAL DO ANO, E AS CAPTURAS EM NÚMERO PO R IDADE DURANTE ESSE ANO Podem calcular-se os coefcentes de mortaldade natural M para cada dade e durante o ano, como: C calcule E = N N + 1 calcule Z = lnn lnn+ 1 calcule M = Z ( 1 E ) Os város valores de M obtdos em cada dade poderão ser comparados e possvelmente combnados para calcular um valor constante, M, para todas as dades. Método de Palohemo (1961) Quando são conhecdos f e Z para város anos, e supondo que F é proporconal a f, F f = q para T 1 T = ano, F = q f, então: Z = q f + Assm, a regressão lnear entre M Z e f tem declve b = q e ntersecção a = M. 7.6 ESTIMAÇÃO DE Z COEFICIENTE DE MORTALIDADE TOTAL 99
18 Exstem város métodos para estmar o coefcente de mortaldade total, Z, suposto constante durante um certo ntervalo de dades ou de anos. É convenente agrupar os métodos consoantes os dados de base dgam respeto a dades ou a comprmentos MÉTODOS COM DADOS POR IDADES Os dferentes métodos tomam como ponto de partda a expressão geral do número de sobrevventes de uma coorte, no nstante t, submetda à mortaldade total, Z, durante um ntervalo de tempo, sto é: N t = N a. e Z ( t ) t a para o ntervalo de tempo (t a,t b ) onde Z é suposto ser constante. Logartmzando esta expressão e rearranjando os termos será: lnn t = Cte - Z.t onde Cte é constante ( = ln N a +Zt a ). Esta expressão mostra que o logartmo do número de sobrevventes é lnear com a dade, sendo o declve gual a -Z. (a Cte não tem nteresse especal para a determnação de Z. Acrescente-se que as expressões constantes em qualquer expressão que não nteressem para a determnação de Z serão ndcadas por Cte). Se, dentro do ntervalo (t a,t b ), Z pode ser consderado constante e, dspondo de dados de abundânca, N, ou índces de abundânca em número, U, para váras dades,, então a aplcação da técnca de regressão lnear smples permte estmar o coefcente de mortaldade total Z. Com efeto e, como N N ZT 1 e = N. portanto N = N. Constante ZT = N a. e Z t ( ) t a então substtundo vrá: ZT N = Cte. e (T = const = 1 ano) 100
19 e, portanto, também será lnn Cte = Zt e a regressão lnear smples entre ln N e t permte estmar Z (note que a constante, Cte, é dferente da anteror mas para o efeto só o declve nteressa para estmar Z). Caso as dades não sejam a ntervalos constantes, a expressão poderá ser expressa usando os valores de t central, de forma aproxmada. Para T varável será: N N. e -ZT/2 e, como N = N a. e -Z.(t-ta) será N Cte. e -Ztcentral e, fnalmente: ln N Cte - Z. t central No caso dos índces U a stuação é semelhante pos U = q. N, com q constante, e, portanto, também será: lnu Cte = Zt e a regressão lnear smples entre lnu e t permte estmar Z. Caso as dades não sejam a ntervalos constantes a expressão deverá ser modfcada para: ln U Cte - Z. t central Com dados de capturas, C, e de dades, t, também contnua a ser possível aplcar a regressão lnear smples para obter Z, mas neste caso, será necessáro supôr que F é constante. Recordese que C = F N T e assm, lnc = Cte + ln N quando T é constante. Portanto: lnc = Cte - Z. t Caso as dades não sejam separadas com ntervalos constantes a expressão deverá ser modfcada para: lnc /T Cte - Z. t central 101
20 Desgne-se por V a captura acumulada desde t até ao fnal da vda, (forma convenente para os cálculos das váras capturas acumuladas) sto é: V = C k = F k N kcum, onde o somatóro se estende desde a últma dade até à dade. Como F k e Z k são supostos ser constantes ZN kcum = N /Z e portanto será: Portanto: V = FN/Z e lnv = C te + lnn ln V = Cte - Z. t Fnalmente menconar-se-á que Beverton e Holt (1956) também mostraram que: Z = t 1 t a e, portanto, é possível estmar Z a partr da dade méda t (esta expressão fo dervada consderando t b = no ntervalo (t a, t b ) MÉTODOS COM DADOS POR COMPRIMENTOS Quando em vez de dados por dades se dspõe de dados por classes de comprmentos, os métodos referdos anterormente anda podem ser aplcados, mas para tal convém defnr dade relatva. Usando a equação de von Bertalanffy pode-se obter a dade t em função do comprmento, como: (a expressão deve ser escrta na forma geral em relação a t a e não a t 0 ) t = t a - (1/K).ln[(L - L t )/( L - L a )] t = t a 1 K L L.ln(1 L L (Esta equação é referda por alguns autores como equação nversa de von Bertalanffy). Dá-se o nome de dade relatva, t *, à dferença t-ta. Assm: t * =-(1/K).ln[(L - L t )/( L - L a )] =-(1/K)ln[1-(L t -L a )/ ( L - L a )] t a ) 102
21 para t = t a sera L a = 0 e: 1 t* =.ln(1 Lt ) K L Com efeto, esta dade é relatva porque dfere da dade absoluta por uma quantdade constante, t a. Assm, por exemplo, a duração do ntervalo T tanto pode ser calculada pela dferença das dade absolutas dos extremos do ntervalo, como pela dferença das dades relatvas: T = t +1 -t = t * +1 - t * e este ntervalo corresponde ao tempo que o ndvíduo demora a crescer entre L e L +1, sto é, T é o tamanho do ntervalo. Também: t* central = t central + Cte t * = t + Cte Assm as expressões anterores mantêm-se quando se substtuem as dades absolutas por dades relatvas: ln N = Cte - Z. t * central ln U = Cte - Z. t * central Fnalmente, também sera: ln V = Cte - Z. t * ln C /T = Cte - Z. t * central Z = 1/E * Mas Beverton e Holt (1957) provaram que: L Z = K L L L a (Recorde-se que L deve ser calculado como a méda dos valores de L ponderados com as abundâncas (ou índces) ou com as capturas). 103
22 Comentáros 1. A aplcação de qualquer destes métodos deve ser precedda pela representação gráfca dos dados correspondentes, a fm de se verfcar se são acetáves ou não, as suposções dos métodos e, também, para determnar o ntervalo de nteresse, (t a, t b ). 2. As demonstrações destas fórmulas são medatas (com as ndcações que se apresentaram), mas é vantajoso desenvolver as demonstrações porque nclusvé permte explctar as suposções que tornam os métodos aplcáves. 3. A estmação de Z constante deve ser sempre tentada. Mesmo quando não for acetável porque serve de orentação geral sobre a grandeza dos valores que se podem esperar. 4. Os métodos são referdos na lteratura por vezes com nomes dos autores que os aplcaram pela prmera vez. Por exemplo, a expressão ln V = Cte - Z.t * é desgnada por método de Jones e van Zalnge (1981). 5. A dade méda bem como o comprmento médo na captura podem obter-se através das seguntes expressões: t = L = (tcentral.c ) C (Lcentral.C ) C com C = captura em número na dade com C = captura em número na classe de comprmento t* = (t * central.c ) C com C = captura em número na classe de dade A dade relatva deve ser t * = - (1/K).ln[(L - L t )/( L - L a )] 104
23 FORMULÁRIO - Estmação do Coefcente de Mortaldade Total, Z Suposção: Z constante no ntervalo de dades, (t a, t b ) T Constante lnn lnu lnc lnv Cte Z = t Cte Z = t Cte Z = t Cte Z = t V = C k k= ult T varável lnn lnu C ln T Cte Z = t central Cte Z = t central lnv = Cte Z t Cte central Z = t t a T = t + central 2 t 1 Z = ( t b = ) (equação de Z de Beverton e Holt) t Suposção: Z constante num ntervalo de comprmentos, (L a, L b ) Idade relatva 1 L t* = ln 1 t K L lnn * = Cte Z. t ln N * = Cte Z t central * central t t = * + t 2 * + 1 lnu * = Cte Z t central C ln T lnv Z * = Cte Z tcentral T * * = t + 1 t (equação de Gulland e Holt) * = Cte Z t (equação de Jones e van Zalnge) L L K L = ( * b = ) L a t (equação de Z de Beverton e Holt) 105
24 106
25 7.7 ESTIMAÇÃO DOS PARÂMETROS DA RELAÇÃO MANANCIAL- RECRUTAMENTO (S-R) O método dos mínmos quadrados (modelo não-lnear) pode ser usado para estmar os parâmetros, α e K, de qualquer dos modelos S-R. Os valores ncas do modelo de Beverton e Holt (1957) podem ser obtdos re-escrevendo a equação na forma: (R/S) -1 ou S R = α αk. S e estmando a regressão lnear smples entre y (= S/R) e x (=S) que dará as estmações de 1/α e de 1/αK. A partr destes valores poder-se-á então estmar os parâmetros (a e K) do modelo de Beverton e Holt, que poderão ser consderados como valores ncas na aplcação do modelo não-lnear de Beverton e Holt. No caso do modelo de Rcker (1954) os parâmetros podem ser obtdos re-escrevendo a equação na forma: R ln S = lnα 1 K.S e estmando a regressão lnear smples entre y (= ln R/S) e x (=S) que dará as estmações de lnα e de (-1/K). A partr destes valores poder-se-ão estmar também os parâmetros (α e K) do modelo, que poderão ser consderados como valores ncas na aplcação do modelo nãolnear de Rcker. É convenente representar o gráfco de y contra x de modo a verfcar se os pontos marcados se ajustam a uma recta antes de aplcar a regressão lnear em qualquer destes modelos. Nos modelos com o parâmetro flexível, c, como por exemplo o modelo de Derso (1980), a equação poderá ser re-escrta como: c R S = α c c. α c. S K A regressão lnear entre y (= (R/S) c ) e x (=S) permte estmar os parâmetros α e K. Város valores de c podem ser expermentados para verfcar com qual deles a recta y contra x se ajustará melhor, sugerndo-se por exemplo valores de c entre -1 e
26 A partr dos valores assm obtdos para α, K e c, que poderão ser consderados como valores ncas na aplcação do modelo não-lnear de Derso, poder-se-ão estmar os parâmetros α, K e c do modelo. 7.8 ESTIMAÇÃO DA MATRIZ [F] E DA MATRIZ [N] ANÁLISE DE COORTES AC e LCA ANÁLISE DE COORTES POR IDADES - (AC) A análse de coortes é um método que consste em estmar os coefcentes de mortaldade por pesca, F, e o número de sobrevventes, N, ao níco de cada dade, a partr das estruturas das capturas, em número, de um manancal durante um período de anos. Mas concretamente, consdere um manancal de que se conhecem: Dados dade,, com = 1,2,...,k ano, j, com j = 1,2,...,n Matrz de capturas [C] com C,j = Captura anual, em número, dos ndvíduos com a dade e durante o ano j Matrz de mortaldade natural [M] com M,j = coefcente de mortaldade natural, na dade e no ano j. Vector [T] com T = Tamanho do ntervalo de dade (em geral, T =T=1 ano) Objectvo estmar e matrz [F] matrz [N]. É convenente na resolução deste problema consderar em separado as estmações para: um ntervalo de dade, (parte 1), para todas as dades durante a vda de uma coorte (parte 2) e, fnalmente, para todas as dades e anos (parte 3). PARTE 1 (INTERVALO T ) Consderem-se conhecdas as seguntes característcas de uma coorte, num ntervalo T : C = Captura em número 108
27 M = Coefcente de mortaldade natural T = Tamanho do ntervalo Se for adoptado um valor para o coefcente F então é possível estmar o número de sobrevventes ao níco, N, e ao fnal, N +1, do ntervalo. Da expressão: C F =. N.(1 e F + M (F + M ).T ) pode calcular-se N, que é a únca varável desconhecda na expressão. Para calcular N +1 pode utlzar-se a expressão usando o valor N calculado anterormente. N + 1 = N. e ( F + M ).T PARTE 2 (DURANTE A VIDA) Suponha-se agora que são conhecdas as capturas C de cada dade, de uma coorte durante a sua vda, os valores de M e os tamanhos dos ntervalo T. Admtndo um dado valor, F ult, para a últma classe de dades, é possível, como se referu na parte 1, estmar todos os parâmetros (relaconados com números) nessa últma dade. Deste modo fca-se a conhecer o número de sobrevventes ao níco e ao fnal da últma dade. Recorde-se que o número ao níco dessa últma classe de dade, calculado como no parágrafo anteror, é também o número ao fnal da classe anteror. Seja então N fnal esse número de sobrevventes ao fnal da penúltma classe. Usando a conhecda expressão: C = F. N F + M fnal.(e + (F + M ).T 1) pode estmar-se F da classe anteror, que é a únca varável desconhecda na expressão. A estmação pode requerer métodos teratvos ou métodos de tentatva e êrro. Fnalmente para estmar N o número de sobrevventes ao níco da classe, pode usar-se a expressão, N = N fnal ( F + M ).T. e 109
28 Repetndo este processo para todas as classes anterores, obter-se-ão sucessvamente, os parâmetros em todas as dades, até à prmera dade. Recorde-se que N é também o número de sobrevventes da classe (-1) anteror. Quando a coorte é completamente pescada, o número ao fnal da últma classe é zero e a captura C tem que ser calculada por : C ult =F ult /(F ult +M ).N ult 110
29 Método de Pope Pope (1972) apresentou um método smples que permte estmar o número de sobrevventes ao níco de cada dade da vda da coorte a partr da últma dade. É sufcente aplcar sucessvamente e de trás para dante a expressão: N (N +1 e MT/2 + C ).e MT/2 Pope ndca que a aproxmação é boa quando MT 0.6 A expressão pode dervar-se, segundo Pope, supondo que a captura se efectua exactamente no ponto central do ntervalo T (Fgura 7.3). Nt N N C N N t t central t +1 Fgura 7.3 Evolução do número de sobrevventes durante T com a captura extraída no ponto central do ntervalo Procedendo do fm para o prncípo será sucessvamente: N =N +1.e +MT/2 N =N + C N =N.e +MT/2 por substtução de N por N +C, vrá: N = (N + C ). e +MT/2 e, substtundo N por N +1.e +MT/2, será: N = (N +1.e +MT/2 + C ).e +MT/2 111
30 Parte 3 (período de anos) Suponha-se, fnalmente, que são conhecdas durante um período de anos a matrz Captura [C], a matrz mortaldade natural [M] e o vector tamanho dos ntervalos [T], em que as lnhas,, são dades e as colunas, j, são anos. Admta-se também que se adoptaram valores de F nas últmas dades de todos os anos representados nas matrzes e os valores de F de todas as dades no últmo ano. Desgnar-se-ão estes valores por F termnas (Fgura 7.4) Anos Idades C C C C F termnal 2 C C C C F termnal 3 C C C C F termnal F termnal F termnal F termnal F termnal Fgura 7.4 Matrz captura, [C], com F termnas na últma lnha e na últma coluna da matrz C. O sombreado exemplfca as capturas de uma coorte Note que nestas matrzes os elementos em dagonal correspondem a valores de uma mesma coorte, pos que a um elemento de uma dade e de um ano segur-se-á, em dagonal, o elemento com mas 1 ano de dade e do ano segunte, e, portanto, o elemento segunte da coorte. Pelo que se dsse nas partes 1 e 2 será então possível estmar Fs e Ns sucessvamente para todas as coortes presentes na matrz captura, ou seja, em todas as células. Comentáros 1. Mutas vezes, na prátca, é comum adoptarem-se valores M,j constantes e guas a M. 2. Quando os dados se referem a dades, os valores T costumam ser todos guas a 1 ano. 3. Os últmos grupos de cada ano são por vezes dades(+). As capturas correspondentes são consttuídas por ndvíduos pescados durante esses anos, com aquela dade ou superor. Assm, os valores acumulados não pertencem à mesma coorte, mas são sobrevventes de váras coortes anterores. Não sera legítmo usar a captura de um grupo (+) para analsar a coorte em referênca, porque essas outras coortes resultam de dferentes tamanhos de recrutamentos. Apesar dsso, o grupo (+) tem mportânca no cálculo dos totas anuas de captura em peso, Y, e bomassas, totas, B, e desovantes, BD. Assm, é costume realzar a análse de coortes a partr da dade medatamente anteror ao grupo (+) e utlzar o grupo (+) só para os cálculos de Y, B e BD. O valor de F nesse grupo (+) em cada ano pode estmar-se como sendo o mesmo coefcente de mortaldade por pesca da dade anteror ou, em alguns casos, um valor razoável em relação aos valores de F no ano em causa. 4. Uma dfculdade na aplcação da técnca AC surge quando o número de dades é pequeno ou quando os anos são poucos. Com efeto nesses casos as coortes têm poucas classes de 112
31 dade representadas na Matrz [C] e as estmações serão muto dependentes dos valores adoptados de F termnal. 5. A análse de coortes (AC) tem também sdo desgnada por outros nomes: VPA (Vrtual Populaton Analyss), método de Derzhavn, método de Murphy, método de Gulland, método de Pope, Análse Sequencal, etc. Por vezes refere-se a AC quando se usa a fórmula de Pope e VPA noutros casos. Megrey (1989) apresenta uma revsão muto completa sobre a análse de coortes. 6. Também é possível estmar os restantes parâmetros numa dade, relaconados com números, ou seja, N cum, N, D, Z e E. Com nformação sobre pesos ndvduas ncas ou médos, matrz [w] ou matrz [ w], também se podem calcular as capturas anuas em peso [Y], as bomassas ao níco dos anos, [B] e as bomassas médas durante os anos [ B]. Com nformação sobre ogvas de maturação em cada ano, por exemplo, ao níco do ano, podem-se também calcular as bomassas desovantes, [BD]. Normalmente estmam-se apenas as capturas totas Y, as bomassas do manancal (totas e desovantes) ao níco e as bomassas médas do manancal (totas e desovantes) em cada ano. 7. Os elementos da prmera lnha da matrz [N] podem consderar-se estmações de recrutamento à pesca em cada ano. 8. O facto de se adoptarem F termnas e de estes valores nfluencarem os resultados - matrz [F] e matrz [N] - obrga a selecconar valores de F termnas próxmos dos verdaderos. A coerênca entre as estmações dos parâmetros menconados nos pontos 6. e 7. e outros dados ou índces ndependentes (por exemplo, estmações por métodos acústcos de recrutamento ou bomassas, estmações de índces de abundânca ou cpue s, de esforços de pesca, etc) deve ser analsada. Estas verfcações são obrgatóras para valdar a análse de coortes ( por vezes usam-se ncorrectamente as desgnações calbração ou sntonzação, expressões que pretendem traduzr o termo nglês " tunng", em vez de valdação). 9. Um outro aspecto sobre as matrzes resultantes da AC é a possbldade de verfcar e estmar a hpótese de separar o nível de pesca de cada ano e o padrão relatvo de exploração de cada dade, sto é, transformar os F j calculados em cada célula no produto F j.s, ou seja, F,j = F j.s, com = dade e j = ano. Costuma desgnar-se esta separação como VPA-Separável (SPVA). Sejam F = F,j totj e e F = s j,j tot F = F,j,j tot 113
32 Deste modo, se F j = F,.xs pode provar-se que F j.s F.s = (F j totj.s tot ) / F tot Se os valores estmados para F,j forem guas aos valores anterores, que se desgnarão por Fsep j = F j.s, então a hpótese fo verfcada. Esta comparação pode ser realzada de váras maneras mas, a mas smples e mas rápda, será provavelmente calcular os quocentes (Fsep j /F j ) que, no caso da hpótese ser verdadera deverão ser guas a 1. Note que se a hpótese não for verfcada será sempre possível consderar outras hpóteses tal como o vector anual [s] ser constante apenas em alguns anos, em especal anos recentes. 10. De qualquer modo é usual consderar-se um ntervalo de dades, em que é suposto que os ndvíduos capturados estão completamente recrutados. Se o ntervalo de dades corresponder a ndvíduos completamente recrutados sera de esperar que o padrão relatvo de exploração calculado se aproxmasse de 1 (para as restantes dades não completamente recrutadas o padrão relatvo de exploração devera ser menor que 1). Para aquele ntervalo de dade,, calcula-se então a méda dos valores de F,j em cada ano. Essas médas, F j, são consderadas como níves de pesca nos respectvos anos. O padrão relatvo de exploração em cada célula, sera então o quocente F,j / F j ANÁLISE DE COORTES POR COMPRIMENTOS - (LCA) A técnca da análse de coortes, aplcada à estrutura das capturas de uma coorte durante a sua vda pode ser efectuada com ntervalos de tempo, T, não constantes. Isto sgnfca que se se dspuser da estrutura das capturas de uma coorte durante a sua vda, em classes de comprmento, também se pode analsar a coorte. Os métodos de proceder à análse de coortes nesses casos denomnam-se LCA (Length Cohort Analyss em nglês). As mesmas técncas, método de Pope, método teratvo, etc, da AC para dades, podem ser aplcadas na análse LCA (recorde que os ntervalos T s podem ser calculados a partr de dades relatvas). Um modo de aplcar LCA à composção de capturas, por comprmento, será: agrupar, prevamente, as capturas cujas classes de comprmento pertençam a um mesmo ntervalo de dade, obtendo assm a composção das capturas por dades. A técnca AC pode então ser aplcada drectamente à matrz [C]. Esta técnca é conhecda por cortar em fatas, (slcng em nglês) a composção por comprmentos. Para cortar em fatas uma composção por comprmentos costuma nverter-se a equação de crescmento em comprmento de von Bertalanffy e estmar a dade t para cada comprmento L (por vezes usam-se dades relatvas t * ) (Fgura 7.5). Então, a captura num determnado grupo de dade obter-se-á agrupando as capturas observadas nas classes de comprmento compreenddas entre as duas dades extremas do respectvo ntervalo de dades. Pode suceder que haja classes de comprmento que sejam 114
33 consttuídas por elementos que pertençam a dos grupos de dades consecutvos. Nestes casos será necessáro repartr a captura dessas classes extremas em duas partes e atrbu-las a cada uma daquelas dades. No exemplo da Fgura 7.5, as capturas da classe de comprmentos (24-26] pertencem à dade 0 e à dade 1. Assm, é necessáro repartr essa captura pelas duas dades. Um método smples poderá ser atrbur à dade 0 a fracção ( )/( ) = 0.25 e à dade 1 a fracção ( )/( ) = 0.75 da captura anual dessa classe de comprmentos. O método não será o mas aproprado, pos basea-se na suposção de que nas classes de comprmento a dstrbução dos exemplares por comprmento é unforme. Por sso, será convenente quando se aplcar esta técnca de repartção, usar o menor ntervalo de classes possível. Um outro modo de realzar a análse de coortes por comprmentos poderá ser, não agrupar as capturas nas classes de comprmento compreenddas no mesmo grupo de dade, mas usá-las separadamente. As coortes poderão ser segudas na matrz [C], através das classes de comprmentos pertencentes a uma mesma dade, num determnado ano, com as classes de comprmento da dade segunte, no ano segunte, etc. Deste modo as dferentes coortes exstentes na matrz serão separadas e a evolução de cada uma delas apresentar-se-á, não por dades, mas por classes de comprmento (ver Fgura 7.5). Grupo Idade Idade relatva Anos Classes Coorte do ano
34 Fgura 7.5 Exemplo de uma matrz [C] com classes de comprmento, cortadas em fatas, assnalando-se em negrto a evolução de uma coorte O método LCA de Jones (1961), para analsar uma composção de comprmentos durante a vda de uma coorte poderá, então, ser aplcado. Este método analsa uma coorte durante a vda, constítuda pelas capturas em classes de comprmento aplcando os métodos já estudados de AC com T não-constantes. Os valores de T são calculados como T = t +1 *-t *, onde t * e t +1 * são as dades relatvas correspondentes aos extremos do ntervalo de comprmento. O vector [N] obtdo será consttuído pelo número de sobrevventes ncas em cada classe de comprmento da coorte e não em cada classe de dade. Comentáros 1. Certos modelos, denomnados modelos ntegrados, consderam toda a nformação dsponível (capturas, dados de cruzeros centífcos, dados de esforço, de rendmento, etc) que, juntamente com a matrz [C], são ntegrados num únco modelo para optmzar a função crtéro defnda prevamente. 116
35 2. Fry (1949) consderou as capturas, por dades, acumuladas do fm para o prncípo, de uma coorte durante a vda como magem vrtual do número de sobrevventes ao níco de cada dade (que o autor desgnou por população vrtual ): l Ck = V = N k = ult vrtual Na pescara estudada por Fry, M era pratcamente nulo. Mas se M for dferente de zero pode-se dzer que o número N de sobrevventes ao níco do ntervalo será: N = D k k = ult onde D k representa número total de mortos total no ntervalo k. Adoptando para as taxas de exploração, E, os valores ncas, E k(0), em todas as classes, calcule-se D k(0) = C k /E k(0). N (0) pode ser calculado como os valores acumulados dos mortos totas, sto é: N (o) = k = ult D k (o) Então vrá: Z (1).T = ln(n + 1(0) / N(0) ) e pode-se calcular: F.T = E (1) (0).Z (1). T Os novos valores de E serão: E (1) = F(1).T /(F(1).T + M.T ) Comparando E (1) com E (0) podem-se estmar, de um modo semelhante ao descrto para os métodos teratvos, os valores de E com a aproxmação desejada. Recorde-se que, na últma classe o número, N ult, é gual ao número de mortos, D ult, e pode ser calculado como: 117
36 N = D = C ult ult ult / E ult 3. Fnalmente chama-se a atenção de que os resultados da AC e da LCA nos dão uma perspectva da hstóra do manancal nos anos anterores. Essa nformação é, como se vu anterormente, útl para a realzação das projecções a Curto e Longo Prazo. Normalmente no ano em que se realza a avalação não estão anda dsponíves os dados de capturas relatvas a esse ano, pelo que há que projectar as capturas e bomassas para o ano actual antes de efectuar a projecção a Curto Prazo. 4. Quando se calculam dades relatvas, é costume por uma questão de unformdade, adoptar a dade ncal t a como sendo zero. O valor de L a correspondente será então o lmte nferor da prmera classe de comprmentos representada nas capturas. 118
NOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
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 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 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 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 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 maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisAnálise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas
Análse de Projectos ESAPL / IPVC Taxas Equvalentes Rendas Taxas Equvalentes Duas taxas e, referentes a períodos dferentes, dzem-se equvalentes se, aplcadas a um mesmo captal, produzrem durante o mesmo
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia 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 maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisIV - Descrição e Apresentação dos Dados. Prof. Herondino
IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisRESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS
Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
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 maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia mais3.1. Conceitos de força e massa
CAPÍTULO 3 Les de Newton 3.1. Concetos de força e massa Uma força representa a acção de um corpo sobre outro,.e. a nteracção físca entre dos corpos. Como grandeza vectoral que é, só fca caracterzada pelo
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisINTRODUÇÃO À ANÁLISE DE DADOS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO À AÁLISE DE DADOS AS MEDIDAS DE GRADEZAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...4
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisAssociação de resistores em série
Assocação de resstores em sére Fg.... Na Fg.. está representada uma assocação de resstores. Chamemos de I, B, C e D. as correntes que, num mesmo nstante, passam, respectvamente pelos pontos A, B, C e D.
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisFísica. Física Módulo 1 Vetores, escalares e movimento em 2-D
Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisProf. Benjamin Cesar. Onde a(n, i) é o fator de valor atual de uma série de pagamentos. M: montante da renda na data do último depósito.
Matemátca Fnancera Rendas Certas Prof. Benjamn Cesar Sére de Pagamentos Unforme e Peródca. Rendas Certas Anudades. É uma sequênca de n pagamentos de mesmo valor P, espaçados de um mesmo ntervalo de tempo
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 7 ANÁLISE DE REGRESSÃO LINEAR Cesar Augusto Taconel Curtba-PR . INTRODUÇÃO Taconel, C.A. Análse de Regressão Lnear Ao se tratar da relação
Leia maisEnergia de deformação na flexão
- UNIVERSIDADE FEDERAL FLUMINENSE ESCOLA DE ENGENHARIA INDUSTRIAL METALÚRGICA DE VOLTA REDONDA PROFESSORA: SALETE SOUZA DE OLIVEIRA BUFFONI DISCIPLINA: RESISTÊNCIA DOS MATERIAIS Energa de deformação na
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisEletromagnetismo Indutores e Indutância
Eletromagnetsmo Indutores e Indutânca Eletromagnetsmo» Indutores e Indutânca Introdução Indutores são elementos muto útes, pos com eles podemos armazenar energa de natureza magnétca em um crcuto elétrco.
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisAs tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.
1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação
Leia maisPrincípios do Cálculo de Incertezas O Método GUM
Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisEscola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000)
Internet: http://rolvera.pt.to ou http://sm.page.vu Escola Secundára Dr. Ângelo Augusto da Slva Matemátca.º ano Números Complexos - Exercícos saídos em (Exames Naconas 000). Seja C o conjunto dos números
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia mais