Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria"

Transcrição

1 Unversdade do Estado do Ro de Janero Insttuto de Matemátca e Estatístca Econometra Revsão de modelos de regressão lnear Prof. José Francsco Morera Pessanha

2 Regressão Objetvo: Estabelecer uma função matemátca que descreva a relação entre uma varável contínua (varável explcada ou dependente) e uma ou mas varáves explcatvas ou ndependentes. y f(x,x,...,x K ) + ε y denota a varável dependente. x,x,...,x K denotam as varáves ndependentes. f(x,x,...,x K ) descreve a varação sstemátca ε representa a varação não sstemátca (erro aleatóro) Modelos de regressão (função f) podem ser lneares ou não lneares. A função f não é conhecda e deve ser nferda a partr das observações das varáves y, x,x,...,x k.

3 Regressão Lnear Técnca estatístca que pode ser usada para analsar a relação entre uma únca varável dependente (explcada) e um conjunto de varáves ndependentes (explcatvas). O objetvo da análse de regressão lnear consste em dentfcar uma equação lnear que permta prever o valor da varável dependente em função dos valores conhecdos das varáves ndependentes. Regressão lnear smples: apenas uma varável ndependente. Exemplo: varável dependente vendas varável ndependente despesas com propaganda Regressão lnear múltpla: duas ou mas varáves ndependentes. Exemplo: varável dependente preço do móvel varáves ndependentes área, nº de quartos, nº de banheros, dade

4 Motvação (HANKE & WICHERN, 6) Uma empresa transportadora deseja estmar o custo de agregar carga a um camnhão parcalmente cheo. A empresa acredta que o únco ncremento de custo, decorrente da agregação de carga, é o custo adconal de combustível, pos o rendmento (mlhas por galão) sera menor. Admte-se que a frota da transportadora é formada por camnhões dêntcos. No período 9- foram realzadas 5.48 vagens e uma amostra aleatóra de 4 vagens fo tomada. Na tabela ao lado são apresentados os pesos e os rendmentos (mlhas/galão) das 4 vagens seleconadas na amostra. Dagrama de dspersão representação gráfca que permte vsualzar a relação/assocação entre duas varáves Um ncremento no peso reduz o rendmento A relação entre as varáves não é exata (estocástca)

5 Motvação A boa aderênca da nuvem de pontos ao redor de um reta magnára ndca que a relação entre as duas varáves pode ser aproxmada por uma relação lnear. A essênca da relação entre o peso e o rendmento pode ser expressa por uma reta. Seja o rendmento em mlhas/galão e o peso da carga ( lbras), então temos o segunte modelo de regressão lnear smples: modelo y β + β x + ε β e β são constantes não conhecdas ε é um termo aleatóro com dstrbução normal (ε ~ N(,σ )) A dentfcação desta reta (estmação dos parâmetros do modelo) pode ser efetuada por meo do estmador de mínmos quadrados ordnáros (MQO).

6 Motvação Neste caso o rendmento (y) é explcado pelo peso da carga (x), então, yf(x): y rendmento varável dependente x peso da carga varável ndependente A relação estocástca entre as duas varáves pode ser modelada da segunte forma: y β + β x + ε Onde: β e β são coefcentes desconhecdos da reta que relacona as varáves x e y (estmados a partr dos dados da amostra). ε é um termo aleatóro (erro) que representa a mprecsão na relação entre x e y.

7 Motvação Equação da reta estmada por MQO Ê( ) 8,8484,64 Para uma carga de 7 ml lbras ( 7) espera-se um rendmento de 4,6 mlhas/galão ( Ê( ) 4,6 ) E( ) 8,8484,64 x 7 4,6

8 Motvação Estmação por mínmos quadrados ordnáros (MQO) Estmador MQO βˆ βˆ n ( x x)( y y) n ( x ) x y βˆ x Modelo ajustado Ê( ) 8,8484,64 ˆβ ˆβ é a varável ndependente ou explcatva, neste caso o peso ( é a méda amostral de ) é a varável dependente ou explcada, neste caso é o rendmento (mlhas por galão), é a méda amostral de n é número de observações, neste caso 4

9 Motvação Interpretação da equação estmada Ê( ) 8,8484,64 Cada ncremento de lbras ( ) na carga mplca em uma redução, méda, do rendmento (mlhas/galão) da ordem de,64 mlhas/galão. A transportadora paga $,5 por galão de desel, então qual o custo para transportar lbras de carga em um trajeto de mlhas? O rendmento médo é 4,7 mlhas/galão, logo para um trajeto de mlhas, em méda, o custo total é: mlhas x,5 $/galão $ 6,6 4,7 mlhas/galão O custo da mesma vagem com lbras adconas é: mlhas x,5 $/galão $ 6,94 (4,7,64) mlhas/galão Ou seja, lbras adconas na carga aumenta o custo em 34 centavos

10 Modelos de regressão lnear Modelo de regressão lnear smples: uma varável dependente explcada por uma varável ndependente. y β + β x + ε Modelo de regressão lnear múltpla: Uma varável dependente explcada por pelo menos duas varáves ndependentes. y β + β x β K x K + ε (K ) Objetvo: Identfcar uma função lnear que permta explcar uma varável dependente (y) em função das varáves explcatvas (x), ou seja, como y vara de acordo com mudanças em x.

11 Sgnfcado do erro ε O erro ε representa: Todos os outros fatores que afetam a varável dependente, mas que não estão contempladas nas varáves explcatvas. Erros de medção. Forma funconal nadequada, por exemplo, y β + β x ou y β + β x + β x? Inerente varabldade no comportamento dos agentes econômcos.

12 Modelo de Regressão Lnear Smples Equação de regressão populaconal: y β + β x + ε (apenas uma varável ndependente) Os coefcentes β e β não são conhecdos e devem ser estmados a partr de uma amostra aleatóra de tamanho n da população: Amostra aleatóra (x, y ),,n Em cada undade amostrada tem-se que y β + β x + ε Componente determínstca,n Erro, uma varável aleatóra não-observável

13 Modelo de Regressão Lnear Smples Hpóteses assumdas pelo modelo H) A relação entre as varáves é lnear y β + β x + ε,n: H) Méda nula: E(ε ) para todo,n H3) Varânca constante: V(ε ) σ para todo,n H4) Erros não correlaconados: Cov(ε,ε k ) para todo k H5) Dstrbução Normal: ε ~ N(,σ ) para todo,n ε são ndependentes e dentcamente dstrbuídos N(,σ ) H6) A varável explcatva é fxa,.e., não é estocástca

14 Modelo de Regressão Lnear Smples y β + β x Como o valor esperado do erro é zero E(ε), o valor esperado de y condconado ao valor de x é gual a: V + ( y x ) E ( β + β x + ε ) E ( y x ) β + β x + E ( ε ) E ε ( y x) β + β x E Por hpótese a varável ndependente não é aleatóra, assm tem-se: ( ) y σ Como o erro tem dstrbução Normal com méda e varânca σ y ( β + β x ) ~ N σ,

15 Modelo de Regressão Lnear Smples Reta de regressão ( y x) β + β x E

16 Modelo de Regressão Lnear Smples Estmador de mínmos quadrados Soma dos quadrados dos erros y β + β x + ε ε y - β - β x n n f ε [ y ( β + βx )] As estmatvas de β e β devem mnmzar a soma sos quadrados dos desvos Mn β β, f n [ y ( β + βx )] No ponto de mínmo as dervadas parcas são nulas f β f β n n [ ( β + β )] x y x [ y ( β + β x )] Sstema de equações normas A solução deste sstema fornece os estmadores de β e β nβ β n + β x n + β n x y n x n x y

17 Estmador de mínmos quadrados Modelo de Regressão Lnear Smples + β β n n x y n + β β n n n y x x x Solução do sstema de equações normas y x ˆ ˆ β β ( )( ) ( ) β n n x x y y x x ˆ Sstema de equações normas Estmadores de mínmos quadrados

18 Modelo de Regressão Lnear Smples Estmador de mínmos quadrados ( ) Equação de regressão estmada ˆ E y x β + β x y ˆ ˆ Valor estmado da varável dependente y dado que x é gual a x ˆ ˆ yˆ β + βx Resíduo da -ésma observação é gual a dferença entre o valor observado e o valor estmado da varável y ( εˆ εˆ y y yˆ βˆ + βˆ x )

19 Se as hpóteses H até H6 forem satsfetas, os estmadores de mínmos quadrados são estmadores lneares não tendencosos de varânca mínma (Teorema de Gauss Markov) O estmador MQO é não tendencoso ( ˆ ) β E β Modelo de regressão lnear smples σ β ˆ n n σ ε ( x ) x n x Os estmadores são normalmente dstrbuídos βˆ ~ N β ( ), σ β ˆ ( ˆ ) β E β σ β ˆ n σ ε x x βˆ ~ N β ( ), σ β ˆ Estmador da varânca do erro n n uˆ ˆ σ ε n ( y ˆ β ˆ β x ) n

20 Modelo de regressão lnear smples Decomposção do erro Méda da varável dependente (valor observado) - ^ - (valor estmado pela reta) ^ - ^ (resíduo) ^ b + b (reta de regressão)

21 Modelo de regressão lnear smples Decomposção do erro SQT N ( ) SQT é a soma dos quadrados dos desvos de em relação a sua méda, logo SQT é uma medda da varação total da varável dependente.

22 Modelo de regressão lnear smples Decomposção do erro SQR N ( ˆ ) SQR é a soma dos quadrados dos desvos entre a reta de regressão e a méda da varável dependente. ^ corresponde as estmatvas defndas pela reta de regressão SQR é uma medda da varação total da varável dependente explcada pela regressão.

23 Modelo de regressão lnear smples Decomposção do erro SQE N ( ) ˆ SQE é a soma dos quadrados dos desvos de em relação a reta de regressão (resíduos). SQE expressa a parcela da varação de não explcada pela reta de regressão. ^ corresponde as estmatvas defndas pela reta de regressão

24 Modelo de regressão lnear smples Decomposção da soma de quadrados total N N N ( ) ( ) ( ) $ + $ SQT SQE + SQR SQT Soma de Quadrados Total SQR Soma de Quadrados da Regressão SQE Soma de Quadrados dos Erros (Resíduos) N é o total de observações na amostra

25 Modelo de regressão lnear smples Coefcente de determnação R SQR SQT N ( ˆ ) N SQE ( ) SQT R Se R estver próxmo de, a varável x explca a maor parte das varações de y. Neste caso, a varável x é uma boa predtora da varável y. Se R estver próxmo de, a varável x explca muto pouco das varações de y. Neste caso, a varável x não é uma boa predtora da varável y.

26 Modelo de regressão lnear smples Análse da varânca (ANOVA) F SQR SQE ( N ) R SQR SQT σˆε Estmador da varânca do erro

27 Modelo de regressão lnear smples Análse da varânca (ANOVA) No exemplo da transportadora tem-se que Resultados gerados pelo Excel R,76, ou seja, 76% da varação do rendmento é explcada pela equação de regressão 8,8484,64 SQR SQE SQT equação de regressão 8,8484,64

28 Modelo de regressão lnear smples Inferênca Estatístca Modelo de regressão lnear smples: β + β + ε Teste t Avala a sgnfcânca do coefcente de regressão lnear assocado com uma determnada varável explcatva. H : β ( ausênca do efeto ) H : β ( presença do efeto ) Sob H ˆ β t > t t crítco rejeta H ~ tn ˆ σ ˆ β Estatístca teste t < t crítco aceta H t crítco é um valor tabelado para um nível de sgnfcânca α, no Excel use INVT(alfa;N-)

29 Modelo de regressão lnear smples Inferênca Estatístca (teste t) No exemplo da transportadora tem-se que Resultados gerados pelo Excel H : β H : β Estatístca teste t ˆ β ~ tn ˆ σ ˆ β Ao nível de sgnfcânca α de 5% o valor tabelado (t crítco ) de uma t com (4-) 38 graus de lberdade é,4 INVT(,5;38) Valor absoluto do t calculado maor que t crítco, logo H é rejetada. ˆβ ˆ ˆ β ˆ β,64 σ t, 95 ˆ,55 σ ˆ β t calculado

30 Exemplo modelo de regressão lnear smples Inferênca Estatístca (teste t) No exemplo da transportadora tem-se que Regão de rejeção Dstrbução t H : β H : β Regão de rejeção blateral -,4,4 t ˆ β ˆ σ ˆ β t calculado -,95 t crítco INVT(,5;38)

31 Exemplo modelo de regressão lnear smples Inferênca Estatístca (teste t e valor p) O valor p (p-value) fornece uma forma dreta de decdr entre a rejeção e a não rejeção da hpótese nula H P-valor é a probabldade de encontrar um valor para a estatístca teste mas extremo que o valor calculado para a estatístca teste (t calculado ). Se o valor p é menor que os níves usuas de sgnfcânca (% ou 5%) devemos conclur pela rejeção da hpótese nula Cálculo do valor p no exemplo da transportadora: No Excel DISTT(,95;38;) t calculado -,95 valor p P(t mas extremo que t calculado ) P (t -,95 ou t,95),9e-3 Probabldade muto pequena e menor que o nível de sgnfcânca adotado (5%), logo a hpótese nula (H) deve ser rejetada H : β H : β

32 Exemplo modelo de regressão lnear smples Inferênca Estatístca (teste t e p-valor) Resultados gerados pelo Excel Valor p menor que o nível de sgnfcânca adotado (5%), logo a hpótese nula (H) deve ser rejetada

33 Modelo de regressão lnear smples Inferênca Estatístca (ntervalo de confança) Intervalo de confança (-α)% ˆ β ˆ σ t β ˆ β + ˆ σ β α β t α No exemplo da transportadora tem-se que Valores tabelados Resultados gerados pelo Excel O ntervalo -,76 β -,49 tem 95% de confança de conter o valor do coefcente de regressão da varável peso

34 Modelo de regressão lnear smples Prevsão do valor esperado Eˆ β ˆ + βˆ Prevsor ( h h ) h ε E Eˆ ˆ β β + ˆ β β Erro de prevsão ( ) ( ) ( ) ( ) h h h h h h Vˆ Intervalo de prevsão ( ) h ( ε ) ˆ h σ ε + N N ( ) [ E$ ( ) t V ( ), E$ ( ) t V ( )] h h c εh h h + c εh

35 Modelo de regressão lnear smples Prevsão de uma observação Dado T+h prever T+h Prevsor ˆ ˆ h β + h ε ˆ β ˆ β ˆ β + β ˆ β + u ( ) ( ) Erro de prevsão h h h h h Intervalo de prevsão Vˆ ( ) h ( ε ) ˆ h σ ε + + N N ( ) [ $ t V ( ), $ t V ( )] h c εh h + c εh

36 Modelo de regressão lnear smples Intervalo de prevsão de uma observação Intervalo de prevsão do valor esperado

37 Exemplo modelo de regressão lnear smples no Excel ) Matrz de dados para regressão lnear smples varável dependente ) No menu Ferramentas escolha a varável ndependente opção Análse de dados 4) Informe os dados para regressão na caxa de dálogo 3) Na caxa de dálogo escolha a opção Regressão e clque em Ok

38 Exemplo modelo de regressão lnear smples no Excel Intervalo com os valores da varável ndependente Intervalo com os valores da varável dependente Caxa de dálogo regressão Rótulos: nomes das varáves Marque se tem rótulo Gráfco dos resíduos contra a varável explcatva Grava resultados da regressão em uma nova planlha Apresenta a sére de resíduos ˆ Gráfco para avalar se a hpótese de normaldade do erro é satsfeta Gráfco com os valores observados e prevstos

39 Exemplo modelo de regressão lnear smples no Excel Planlha de Resultados R R Valor P < 5% rejeto H no teste F Valor P P(F>4,349), α β Valor P Valor P ˆ ˆ P( t >4,9345), Valores para a plotagem de probabldade normal P( t >,495),638 Intervalo de confança Valor P < 5% rejeto H no teste F - 4,9345 4,9345

40 Exemplo modelo de regressão lnear smples no Excel Gráfcos na planlha de Resultados Resíduos - Plotagem de resíduos Útl na verfcação da hpótese de normaldade do erro (valores ao redor de uma reta magnára ndcam que a hpótese de normaldade não fo volada) Plotagem de probabldade normal Útl na verfcação da hpótese de varânca constante do erro Valores observados contra valores estmados Útl na avalação da qualdade do ajuste 6 5 Plotagem de ajuste de lnha Percentl da amostra 4 3 Prevsto(a) 3 4 5

41 Regressões que se tornam lneares por anamorfose As especfcações a segur são não-lneares, mas podem se tornar lneares por anamorfose, ou seja, medante alguma transformação das varáves. (exponencal) β β ε ln Modelo lnear ln β + ln β + * lnε * * β + β + v * ln * β ln β β v lnε * ln β (potênca) (hpérbole) β β ε β + β + ε ln ln β + β ln + * * * Modelo lnear β + β * lnε + v β + β + ε * * ln * ln β β v ln lnε * Modelo lnear (polnomal) A substtução de varáves é válda, pos a relação entre e é não lnear β + β + β + ε Modelo regressão lnear múltpla + β + β β + ε

42 Modelo de regressão lnear múltpla

43 A varável dependente é uma função lnear de K varáves ndependentes (K ) K k ε β β β β K Notação matrcal,n β + ε N M k k N kn L M β β β β M k ε N ε ε ε M Modelo de regressão lnear múltpla β, β, β 3,..., β k, σ são parâmetros do modelo que devem ser estmados [ ] k K ε β β β + M L,,,N Na regressão lnear smples (K), um caso partcular da regressão lnear múltpla

44 Hpóteses assumdas pelo modelo de regressão lnear múltpla Bascamente, são as mesmas hpóteses assumdas na regressão lnear smples H) A relação entre as varáves é lnear y β + β x + β x β k x k + ε,n. H) A varável explcatva é fxa, ou seja, não é aleatóra. H3) As colunas da matrz são lnearmente ndependentes, ou seja, não há uma relação lnear perfeta entre duas ou mas as varáves explcatvas. H4) Erros tem méda nula: E(ε ) para todo,n. H5) Varânca do erro é constante (homocedastcdade): V(ε ) σ para todo,n. H6) Erros não correlaconados: Cov(ε,ε k ) para todo k. H7) Erros tem dstrbução Normal: ε ~ N(,σ ) para todo,n. H,H3,H4 e H5 ε são ndependentes e dentcamente dstrbuídos N(,σ )

45 ( ) T T ˆ β N K N K N K N K N k N N N N k N N N N K N N T N O M L Estmador de Mínmos Quadrados Ordnáros (MQO) Modelo de regressão lnear múltpla N K N N N T y x y x y x y M Equação de projeção [ ] k K K k y E y β β β β β β ˆ ˆ ˆ ˆ ˆ ˆ ) ˆ ( ˆ M L K

46 Estmador de mínmos quadrados Propredades do estmador de mínmos quadrados E ( ˆ β ) β Estmador não tendencoso Σ ( ) ( ) ˆ β σ T ˆ β ~ N σˆ SQE N k ( ( ) ) T β σ K +, Matrz de covarânca dos estmadores O vetor de estmadores tem dstrbução normal multvarada ˆ β j ~ N ( β, σ a ) j jj Cada βˆ tem dstrbução normal j a jj elemento da dagonal prncpal da nversa de Se as hpóteses H até H6 forem satsfetas, o estmador de mínmos quadrados é o melhor estmador lnear não tendencoso (Teorema de Gauss Markov)

47 Exemplo modelo de regressão lnear múltpla (KUTNER et al, 4) Uma empresa de artgos nfants opera em cdades de médo porte. A empresa está analsando a possbldade de expansão em outras cdades de médo porte e para sso deseja nvestgar se a vendas () em uma localdade podem ser predtas com base no número de pessoas com até 6 anos de dades ( ) e a renda per capta na localdade ( ). Valores expressos em mlhares. Atualmente a empresa está presente em localdades (N ), cujos dados são apresentados na tabela abaxo: 68,5 6,7 74,4 45, 6,8 64,4 9,3 8, 44, 47,8 6,3 54,6 46,9 7,3 8,6 66, 8, 7,5 49,5 5,9 5,8 5 7, 63, 48,9 6,6 45,4 38,4 6 37, 87,9 8,3 4,9 7,8 7, 9, 88,4 7,4 3 4,9 5,8 45,3 5,5 7,8 6, 85,7 8,4 9,7 4,3 6,5 46,4 5,7 6, ,6 8, 3,6 8,7 9, 4, 5,3 6 66, Modelo de regressão lnear múltpla a ser estmado β + β + β + ε

48 Exemplo modelo de regressão lnear múltpla Os dados das localdades podem ser dspostos em um gráfco, onde cada localdade é representada por um ponto. A equação de regressão (, ) β + β + E β defne um plano passando pelo meo da nuvem de pontos. Este plano representa o valor esperado das vendas em função da renda e da população abaxo de 6 anos em uma localdade vendas renda população

49 Exemplo modelo de regressão lnear múltpla Modelo de regressão lnear + β, + β, β + ε Estmação dos coefcentes de regressão por mínmos quadrados Dados T,.3,4 36,.3, ,94.69,9 36,.69,9 6.9,6 74,4 64,4 44, 54,6 8,6 7,5 5,8 63, 45,4 37, 4,9 9, 3 45,3 6, 9,7 46,4 44 3,6 4, 66,5 68,5 6,7 45, 6,8 9,3 8, 47,8 6,3 46,9 7,3 66, 8, 49,5 5,9 5 7, 48,9 6,6 38,4 6 87,9 8,3 7,8 7, 88,4 7,4 4,9 5,8 5,5 7,8 85,7 8,4 4,3 6,5 5,7 6,3 89,6 8, 8,7 9, 5,3 6 ( ) 9,789,7 -,996,7,4 -,55 T -,996 -,55,363 ( T ) ˆ T β T 3.8, , ,75 ˆ β ˆ β ˆ β Equação estmada 68,86 +,45 + 9, 37 68,857,4546 9, ε

50 Exemplo modelo de regressão lnear múltpla Gráfcos dos resíduos contra cada varável explcatva e a varável explca exbe um padrão aleatóro e a dspersão parece constante e, portanto, estão coerentes com as hpóteses (pressupostos) de covarâncas nulas entre os erros e varânca do erro constante.

51 Exemplo modelo de regressão lnear múltpla O gráfco de probabldade normal índca que a dstrbução dos resíduos é normal, portanto, coerente com a hpótese (pressuposto) de dstrbução normal para o erro.

52 Modelo de regressão lnear múltpla Inferênca Estatístca no Modelo de Regressão Lnear Análse da varânca - ANOVA R SQR SQT N N ( ˆ ) ( ) F QMR QME SQR SQE k [ N ( k +) ] R ( R ) N N k

53 Exemplo modelo de regressão lnear múltpla Construção da ANOVA para o exemplo da cadea de lojas de roupas juvens ˆ + 68,857 +,4546 9, 3655 SQE SQR SQT

54 Exemplo modelo de regressão lnear múltpla Construção da ANOVA para o exemplo da cadea de lojas de roupas juvens Fonte de varação Regressão Resíduo Total Soma dos quadrados (A) SQR 45,8 SQE 8,93 SQT 696, Graus de lberdade (B) Quadrado médo (CA/B) 7,64 7,64 /.66 99,35 N-38,66 N- ANOVA F R Coefcente de varáves explcatvas determnação R SQR 45.8, 97 SQT 696, 3 coefcentes estmados Por sso N 3 O quadrado médo do resíduo é uma estmatva da varânca do erro σˆε

55 Modelo de regressão lnear múltpla Teste t H : β j H : β j Inferênca Estatístca t bj ~ t N k ˆ σ β j ( + ) t t tabelado rejeta H Teste F H : β β β 3... β k H : pelo menos um β j F SQR k SQE N ( k +) F Ftabelado rejeta H

56 Exemplo modelo de regressão lnear múltpla Modelo de regressão lnear Estmatvas dos erros padrão dos coefcentes de regressão S ˆ σ ˆ σ ˆ σ ˆ β ˆ ˆ ˆ ˆ ββ ββ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ β σ σ σ σ ββ β ε ββ ˆ σ ˆ ˆ ˆ σ ˆ ˆ ˆ σ β β β β ˆ β b + b, + b, Resultado na ANOVA,66 ( T ) + ε 9,789,7 -,996,7,4 -,55 -,996 -,55,363 S β 3.6,347 8,7459-4,43 8,7459,449 -,674-4,43 -,674 6,558 Varâncas na dagonal prncpal Covarâncas fora da dagonal prncpal Erros padrão dos estmadores dos coefcentes de regressão (valores nformados pelo ajuste de regressão no Excel) ˆ σ β ˆ σ ˆ ˆ β ˆ σ β ˆ σ ˆ ˆ β ˆ σ β ˆ σ ˆ ˆ β 36,347 6,7,449,8 6,558 4,64

57 Exemplo modelo de regressão lnear múltpla Inferênca do modelo Teste F: Testa o efeto conjunto das varáves explcatvas sobre a varável dependente. H : b b ( não há regressão de em e ) H : b ou b ( presença do efeto ) ) Estatístca teste F F N SQR K SQE.7,64,66 ( + ) ( K +) 3) Valor da estatístca teste na amostra observada (F calculado ) 99,35 ) Dstrbução da estatístca testes sob H N SQR K SQE ( K + ) ~ F K, N ( K + ) 4) F crítco ao nível de sgnfcânca de 5% 3,5546 FINV(,5;;8) no Excel 5) Conclusão F calculado > F crítco logo rejeta H Dstrbução F

58 Exemplo modelo de regressão lnear múltpla Teste t: Testa a sgnfcânca do coefcente de regressão lnear assocado com uma determnada varável explcatva. H : b ( ausênca do efeto ) H : b ( presença do efeto ) Inferênca do modelo ) Estatístca teste ) Dstrbução da estatístca testes sob H t bˆ ˆ σ ˆ β bˆ ~ t 3 ˆ N σ ˆ β Dstrbução t 3) Valor da estatístca teste na amostra observada (t calculado ) 4) t crítco ao nível de sgnfcânca de 5%, TINV(,5;8) no Excel t,4546,8 6,868 5) Conclusão t calculado > t crítco logo rejeta H

59 Exemplo modelo de regressão lnear múltpla Teste t: Testa a sgnfcânca do coefcente de regressão lnear assocado com uma determnada varável explcatva. H : b ( ausênca do efeto ) H : b ( presença do efeto ) Inferênca do modelo ) Estatístca teste ) Dstrbução da estatístca testes sob H t bˆ ˆ σ ˆ β bˆ ~ t 3 ˆ N σ ˆ β Dstrbução t 3) Valor da estatístca teste na amostra observada (t calculado ) 4) t crítco ao nível de sgnfcânca de 5%, TINV(,5;8) no Excel t 9,3655 4,64,345 5) Conclusão t calculado > t crítco logo rejeta H

60 Exemplo modelo de regressão lnear múltpla Intervalos 95% de confança para os coefcentes da equação de regressão t N bˆ b ˆ σ ( K + )(,5% ) tn ( K + )(,5% ) K número de varáves ndependentes N tamanho da amostra b Dstrbução t 95% 68,857 b,, 94,948 b 57,339 6,7,4546 b,,,96 b,8995,8 9,3655 b,,,874 b 4,64 7,936

61 R ajustado Problema com a estatístca R : sempre aumenta a medda que novas varáves são ncluídas no modelo de regressão lnear múltpla, ndependentemente da varável adconada. No entanto cada varável adconada ao modelo tem um custo, pos mas um coefcente deve ser estmado. Então é nteressante ter uma medda que permta avalar o benefíco para melhora do modelo com a adção de uma nova varável explcatva em relação ao custo de estmar mas um coefcente. Esta medda é o R ajustado R ajustado n R n k ( ) Onde n é o tamanho da amostra K é o número de parâmetros da equação de regressão. O R ajustado é útl quando desejamos comparar dos modelos dferentes ou comparar um mesmo modelo com tamanhos de amostras dferentes

62 Modelo de regressão lnear múltpla Prevsão Dado x T h [ L ] h h kh Prevsão do valor esperado da varável dependente dado Eˆ ( h ) ˆ β ˆ β ˆ + h + K + β k kh prevsão s x T h S βˆ x h Erro padrão das prevsões Prevsão do valor da varável dependente dado ˆ h ˆ β ˆ K + βh + + s prevsão ˆ β k T xh S ˆ x β h kh + σˆ Quadrado médo dos resíduos Valor obdo na ANOVA

63 Exemplo Calcule a prevsão das vendas esperadas nas cdades A e B: Cdade A número de pessoas com até 6 anos de dades ( ) : 65,4 renda per capta na localdade ( ) : 7,6 T x h [ 65,4 7,6] Cdade B número de pessoas com até 6 anos de dades ( ) : 53, renda per capta na localdade ( ) : 7,7 T x h [ 53, 7,7] Prevsão da venda esperada na cdade A E( ) Prevsão da venda esperada na cdade B E( ) 68,86 +,45 65,4 + 9,37 7,6 9, 68,86 +,45 53, + 9,37 7,7 74,5

64 Exemplo Intervalos de confança para as vendas esperadas nas cdades A e B: Cdade A número de pessoas com até 6 anos de dades ( ) : 65,4 renda per capta na localdade ( ) : 7,6 T Cdade B número de pessoas com até 6 anos de dades ( ) : 53, renda per capta na localdade ( ) : 7,7 T x h x h [ 65,4 7,6] [ 53, 7,7] Resultado da ANOVA slde 5 ˆ,66 σ ε S β Matrz de covarâncas dos estmadores slde ,347 8,7459-4,43 8,7459,449 -,674-4,43 -,674 6,558 Erro padrão das estmatvas slde 6 Cdade A,35 prevsão s x T h S βˆ x h Cdade B,93

65 Exemplo Intervalos de confança para as vendas esperadas nas cdades A e B: prevsão α E( ) é a méda das vendas dado ( ) prevsão+ t s tn ( k+ ) s prevsão E N ( k+ ) α prevsão Valor crítco da t com N-(k+) graus de lberdade ao nível de confança -alfa, podem ser obtdos no Excel, por exemplo, para 95% de confança INVT(,5;8), cujo valor é aproxmadamente, ( ) 4, 9 67,3 E ( ) 99, 49, E Cdade A Cdade B Note que os ntervalos de confança tem grande ampltude apesar do elevado R (,9), portanto, valores elevados de R não garantem necessaramente prevsões precsas

66 Exemplo modelo de regressão lnear múltpla no Excel ) Matrz de dados para regressão lnear múltpla varável dependente varável ndependentes ) No menu Ferramentas escolha a opção Análse de dados 4) Informe os dados para regressão na caxa de dálogo 3) Na caxa de dálogo escolha a opção Regressão e clque em Ok

67 Exemplo modelo de regressão lnear múltpla no Excel Intervalo com os valores da varável ndependente Intervalo com os valores da varável dependente Caxa de dálogo regressão Rótulos: nomes das varáves Marque se tem rótulo Gráfco dos resíduos contra a varável explcatva Grava resultados da regressão em uma nova planlha Apresenta a sére de resíduos ˆ Gráfco para avalar se a hpótese de normaldade do erro é satsfeta Gráfco com os valores observados e prevstos

68 Exemplo modelo de regressão lnear múltpla no Excel ˆβ ˆβ ˆβ

69 Exemplo modelo de regressão lnear múltpla no Excel Gráfcos na planlha de Resultados Plotagem de resíduos Plotagem de resíduos Resíduos 3,,,, -, -, -3, Resíduos 4,,, -, -4, Plotagem de ajuste de lnha Plotagem de ajuste de lnha Prevsto(a) 3 3 Prevsto(a)

70 Exemplo modelo de regressão lnear múltpla no Excel Gráfcos na planlha de Resultados 3 Plotagem de probabldade normal 5 5 Percentl da amostra

71 Problemas que podem acontecer em um modelo de regressão lnear Multcolneardade: Quando há relações lneares exatas ou aproxmadamente lneares entre as varáves explcatvas, a redundânca entre as varáves pode resultar em estmatvas com valores elevados para o erro padrão ou mpossbltar a estmação dos coefcentes de regressão no caso de relações lneares exatas. Heterocedastcdade: A varânca do erro não é uma constante, (volação da hpótese de homocedastcdade). Não raro acontece quando a amostra de observações é um corte transversal de undades com tamanhos heterogêneos. Na presença de heterocedastcdade o estmador MQO permanece não tendencoso, mas dexa de ser o melhor estmador. Nestas stuações deve-se utlzar o métodos mínmos quadrados ponderados (MQP). Autocorrelação: Os erros são autocorrelaconados, volação da hpótese de covarânca nula entre os erros. Problema frequente quando a amostra de dados é formada por séres temporas. Na presença de autocorrelação seral dos erros o estmador MQO permanece não tendencoso, mas dexa de ser o melhor estmador. Nestas stuações deve-se utlzar o métodos mínmos quadrados generalzados (MQG).

72 Multcolneardade Ocorre quando qualquer varável ndependente é altamente correlaconada com um conjunto de outras varáves ndependentes. No caso extremo, uma varável ndependente guarda uma relação lnear com outra varável ndependente. Neste caso não é possível obter as estmatvas de mínmos quadrados. Consequêncas da multcolneardade: Estmatvas mas mprecsas Erros-padrão maores Dfculdade da separação dos efetos de cada varável Soluções para contornar a multcolneardade. Coletar mas dados Elmnar varáves Usar componentes prncpas para reduzr a dmensão dos dados

73 Avalação da Multcolneardade ) Coefcentes de correlação smples entre as varáves ndependentes ) Tolerânca: quanta de varabldade da varável dependente não explcada pelas outras varáves ndependentes. Valores altos sgnfcam um pequeno grau de multcolneardade. Tolerânca R k, se menor que, ndca multcolneardade Onde R k é o coefcente de determnação da varável ndependente k nas demas varáves ndependentes. 3) Fator de nflação da varânca (VIF): é o nverso da tolerânca. Valores altos sgnfcam maores níves de multcolneardade. VIF / Tolerânca, se maor do que já ndca multcolneardade

74 Referêncas Bblográfcas Hanke, J.E.; Wchern, D.W. Pronóstcos en los negocos, Naucalpan de Juárez: Pearson Educaton de Méxco, 6. Kutner, M.H.; Nachtshem, C.J.; Neter, J. Appled lnear regresson models, New ork: McGraw-Hll Irwn, 4.

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise 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 mais

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para

Objetivos 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 mais

Regressão e Correlação Linear

Regressão 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 mais

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.

PARTE 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 mais

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade. Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,

Leia mais

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA 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 mais

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como: REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de

Leia mais

PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA

PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA 658 Gaudo & Zandonade Qum. Nova Qum. Nova, Vol. 4, No. 5, 658-671, 001. Dvulgação PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA Anderson Coser Gaudo

Leia mais

www.obconcursos.com.br/portal/v1/carreirafiscal

www.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 mais

ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgaris NA EXISTÊNCIA DE MULTICOLINEARIDADE

ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgaris NA EXISTÊNCIA DE MULTICOLINEARIDADE ADRIANO VICTOR LOPES DA SILVA ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgars NA EXISTÊNCIA DE MULTICOLINEARIDADE RECIFE-PE Feverero /2008. Lvros Gráts

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução 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 mais

NOTA II TABELAS E GRÁFICOS

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 mais

7. Resolução Numérica de Equações Diferenciais Ordinárias

7. 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 mais

Análise Fatorial F 1 F 2

Análise Fatorial F 1 F 2 Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas

Leia mais

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade

Leia mais

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli

UNIVERSIDADE 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 mais

Escolha do Consumidor sob condições de Risco e de Incerteza

Escolha 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 mais

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS

RESOLUÇÃO 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 mais

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando 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 mais

Aula 03 Erros experimentais Incerteza. Aula 03 Prof. Valner Brusamarello

Aula 03 Erros experimentais Incerteza. Aula 03 Prof. Valner Brusamarello Aula 03 Erros epermentas Incerteza Aula 03 Prof. Valner Brusamarello Incerteza Combnada Efeto da Incerteza sobre = f ± u, ± u, L, ± u, L ( ) 1 1 Epansão em Sére de Talor: k k L f = f 1,, 3, + ± uk + L,,,

Leia mais

Professor Mauricio Lutz CORRELAÇÃO

Professor 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 mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre 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 mais

Covariância e Correlação Linear

Covariância 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 mais

Distribuição de Massa Molar

Distribuição de Massa Molar Químca de Polímeros Prof a. Dr a. Carla Dalmoln carla.dalmoln@udesc.br Dstrbução de Massa Molar Materas Polmércos Polímero = 1 macromolécula com undades químcas repetdas ou Materal composto por númeras

Leia mais

2 Máquinas de Vetor Suporte 2.1. Introdução

2 Máquinas de Vetor Suporte 2.1. Introdução Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de

Leia mais

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,

Leia mais

MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS

MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-5142 MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS Ângelo Márco Olvera Sant Anna* Carla Schwengber ten Caten Programa de Pós-graduação

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 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 mais

Cálculo do Conceito ENADE

Cálculo 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 mais

ANÁLISE ESTATÍSTICA DE CORRELAÇÕES PVT DE PETRÓLEOS

ANÁLISE ESTATÍSTICA DE CORRELAÇÕES PVT DE PETRÓLEOS UNIVERSIDADE FEDERAL DO ESÍRITO SANTO CENTRO TECNOLÓGICO ROGRAMA DE ÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA GARBEN BRAVIM GOMES ANÁLISE ESTATÍSTICA DE CORRELAÇÕES VT DE ETRÓLEOS VITÓRIA 8 GARBEN BRAVIM GOMES

Leia mais

1 Princípios da entropia e da energia

1 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 mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. 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 mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO 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 mais

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?

Sistemas 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 mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. 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 mais

Gabarito da Lista de Exercícios de Econometria I

Gabarito da Lista de Exercícios de Econometria I Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076

Leia mais

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG

CENTRO 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 mais

MAE5778 - Teoria da Resposta ao Item

MAE5778 - Teoria da Resposta ao Item MAE5778 - Teora da Resposta ao Item Fernando Henrque Ferraz Perera da Rosa Robson Lunard 1 de feverero de 2005 Lsta 2 1. Na Tabela 1 estão apresentados os parâmetros de 6 tens, na escala (0,1). a b c 1

Leia mais

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.

As 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 mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso 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 mais

EXCEL NA ANÁLISE DE REGRESSÃO

EXCEL NA ANÁLISE DE REGRESSÃO EXCEL NA ANÁLISE DE REGRESSÃO _2010_03_Exercicio _Regressão_exemplo O gerente de uma loja de artigos escolares, cada semana, deve decidir quanto gastar com propaganda e que atrativo (por exemplo preços

Leia mais

Controle Estatístico de Qualidade. Capítulo 8 (montgomery)

Controle Estatístico de Qualidade. Capítulo 8 (montgomery) Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado

Leia mais

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é: UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje

Leia mais

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS

INTRODUÇÃO 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 mais

1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.

1.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 mais

Análise de Variância. Comparação de duas ou mais médias

Análise 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 mais

Erro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido.

Erro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido. A Prevsão com o Modelo de Regressão.... Inrodução ao Modelo de Regressão.... Exemplos de Modelos Lneares... 3. Dervação dos Mínmos Quadrados no Modelo de Regressão... 6 4. A Naureza Probablísca do Modelo

Leia mais

MAPEAMENTO DA VARIABILIDADE ESPACIAL

MAPEAMENTO 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 mais

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR

UNIVERSIDADE 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 mais

Energia de deformação na flexão

Energia 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 mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução 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 mais

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 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 mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo 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 mais

Análise de Regressão

Análise 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Análise da Situação Ocupacional de Crianças e Adolescentes nas Regiões Sudeste e Nordeste do Brasil Utilizando Informações da PNAD 1999 *

Análise da Situação Ocupacional de Crianças e Adolescentes nas Regiões Sudeste e Nordeste do Brasil Utilizando Informações da PNAD 1999 * Análse da Stuação Ocupaconal de Cranças e Adolescentes nas Regões Sudeste e Nordeste do Brasl Utlzando Informações da PNAD 1999 * Phllppe George Perera Gumarães Lete PUC Ro/Depto. De Economa IBGE/ENCE

Leia mais

Controlo Metrológico de Contadores de Gás

Controlo Metrológico de Contadores de Gás Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade

Leia mais

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo:

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo: PROCESSO SELETIVO 7 RESOLUÇÃO MATEMÁTICA Rosane Soares Morera Vana, Luz Cláudo Perera, Lucy Tem Takahash, Olímpo Hrosh Myagak QUESTÕES OBJETIVAS Em porcentagem das emssões totas de gases do efeto estufa,

Leia mais

são os coeficientes desconhecidos e o termo ε (erro)

são os coeficientes desconhecidos e o termo ε (erro) Regressão Lnear Neste capítulo apresentamos um conjunto de técncas estatístcas, denomnadas análse de regressão lnear, onde se procura estabelecer a relação entre uma varável resposta e um conjunto de varáves

Leia mais

Termodinâmica e Termoquímica

Termodinâmica e Termoquímica Termodnâmca e Termoquímca Introdução A cênca que trata da energa e suas transformações é conhecda como termodnâmca. A termodnâmca fo a mola mestra para a revolução ndustral, portanto o estudo e compreensão

Leia mais

Probabilidade e Estatística. Correlação e Regressão Linear

Probabilidade 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 mais

Análise logística da localização de um armazém para uma empresa do Sul Fluminense importadora de alho in natura

Análise logística da localização de um armazém para uma empresa do Sul Fluminense importadora de alho in natura Análse logístca da localzação de um armazém para uma empresa do Sul Flumnense mportadora de alho n natura Jader Ferrera Mendonça Patríca Res Cunha Ilton Curty Leal Junor Unversdade Federal Flumnense Unversdade

Leia mais

Análise dos resíduos e Outlier, Alavancagem e Influência

Análise dos resíduos e Outlier, Alavancagem e Influência Análse dos resíduos e Outler, Alavancagem e Influênca Dagnóstco na análse de regressão Usadas para detectar problemas com o ajuste do modelo de regressão. Presença de observações mal ajustadas (pontos

Leia mais

Física. Física Módulo 1 Vetores, escalares e movimento em 2-D

Física. 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 mais

Testando um Mito de Investimento : Eficácia da Estratégia de Investimento em Ações de Crescimento.

Testando um Mito de Investimento : Eficácia da Estratégia de Investimento em Ações de Crescimento. Testando um Mto de Investmento : Efcáca da Estratéga de Investmento em Ações de Crescmento. Autora: Perre Lucena Rabon, Odlon Saturnno Slva Neto, Valera Louse de Araújo Maranhão, Luz Fernando Correa de

Leia mais

MOQ-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 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 mais

ANEXO II METODOLOGIA E CÁLCULO DO FATOR X

ANEXO II METODOLOGIA E CÁLCULO DO FATOR X ANEXO II Nota Técnca nº 256/2009-SRE/ANEEL Brasíla, 29 de julho de 2009 METODOLOGIA E ÁLULO DO FATOR X ANEXO II Nota Técnca n o 256/2009 SRE/ANEEL Em 29 de julho de 2009. Processo nº 48500.004295/2006-48

Leia mais

IV - Descrição e Apresentação dos Dados. Prof. Herondino

IV - 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 mais

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,

Leia mais

A mobilidade ocupacional das trabalhadoras domésticas no Brasil

A mobilidade ocupacional das trabalhadoras domésticas no Brasil A mobldade ocupaconal das trabalhadoras doméstcas no Brasl Resumo Kata Sato Escola de Economa de São Paulo Fundação Getúlo Vargas EESP-FGV André Portela Souza Escola de Economa de São Paulo Fundação Getúlo

Leia mais

E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL

E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL Clarssa Côrtes Pres Ernesto Cordero Marujo José Cechn Superntendente Executvo 1 Apresentação Este artgo examna se o rankng das Undades

Leia mais

Situação Ocupacional dos Jovens das Comunidades de Baixa Renda da Cidade do Rio de Janeiro *

Situação Ocupacional dos Jovens das Comunidades de Baixa Renda da Cidade do Rio de Janeiro * Stuação Ocupaconal dos Jovens das Comundades de Baxa Renda da Cdade do Ro de Janero * Alessandra da Rocha Santos Cínta C. M. Damasceno Dense Brtz do Nascmento Slva ' Mara Beatrz A. M. da Cunha Palavras-chave:

Leia mais

ESTUDO SOBRE A EVASÃO ESCOLAR USANDO REGRESSÃO LOGÍSTICA: ANÁLISE DOS ALUNOS DO CURSO DE ADMINISTRAÇÃO DA FUNDAÇÃO EDUCACIONAL DE ITUVERAVA

ESTUDO SOBRE A EVASÃO ESCOLAR USANDO REGRESSÃO LOGÍSTICA: ANÁLISE DOS ALUNOS DO CURSO DE ADMINISTRAÇÃO DA FUNDAÇÃO EDUCACIONAL DE ITUVERAVA ESTUDO SOBRE A EVASÃO ESCOLAR USANDO REGRESSÃO LOGÍSTICA: ANÁLISE DOS ALUNOS DO CURSO DE ADMINISTRAÇÃO DA FUNDAÇÃO EDUCACIONAL DE ITUVERAVA STUDY ON THE TRUANCY USING LOGISTIC REGRESSION: ANALYSIS OF THE

Leia mais

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca

Leia mais

Métodos Experimentais em Ciências Mecânicas

Métodos Experimentais em Ciências Mecânicas Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.

Leia mais

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia

UNIVERSIDADE 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 mais

Análise de Regressão

Análise 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 mais

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recfe - PE GRUPO XIII GRUPO DE ESTUDO DE TRANSFORMADORES, REATORES, MATERIAIS E TECNOLOGIAS

Leia mais

O problema da superdispersão na análise de dados de contagens

O 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 mais

Universidade de Lisboa Faculdade de Ciências. Departamento de Estatística e Investigação Operacional

Universidade de Lisboa Faculdade de Ciências. Departamento de Estatística e Investigação Operacional Unversdade de Lsboa Faculdade de Cêncas Departamento de Estatístca e Investgação Operaconal Síndrome Coronáro Agudo: Análse do mpacto das varáves sócodemográfcas, ambentas e clíncas na demora méda entre

Leia mais

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001

Sistemas 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 mais

Modelos estatísticos para previsão de partidas de futebol

Modelos estatísticos para previsão de partidas de futebol Modelos estatístcos para prevsão de partdas de futebol Dan Gamerman Insttuto de Matemátca, UFRJ dan@m.ufrj.br X Semana da Matemátca e II Semana da Estatístca da UFOP Ouro Preto, MG 03/11/2010 Algumas perguntas

Leia mais

PROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA

PROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA PROVA DE MATEMÁTICA DO VESTIBULAR 03 DA UNICAMP-FASE. PROFA. MARIA ANTÔNIA C. GOUVEIA QUESTÃO 37 A fgura abaxo exbe, em porcentagem, a prevsão da oferta de energa no Brasl em 030, segundo o Plano Naconal

Leia mais

Uso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada

Uso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, 1 a 4 de out de 003 Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada Luz Delca Castllo Vllalobos

Leia mais

2 ANÁLISE ESPACIAL DE EVENTOS

2 ANÁLISE ESPACIAL DE EVENTOS ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados

Leia mais

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

Despacho 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 mais

Caderno de Exercícios Resolvidos

Caderno 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 mais

Determinantes da Desigualdade de Renda em Áreas Rurais do Nordeste.

Determinantes da Desigualdade de Renda em Áreas Rurais do Nordeste. Determnantes da Desgualdade de Renda em Áreas Ruras do Nordeste. Autores FLÁVIO ATALIBA BARRETO DÉBORA GASPAR JAIR ANDRADE ARAÚJO Ensao Sobre Pobreza Nº 18 Março de 2009 CAEN - UFC Determnantes da Desgualdade

Leia mais

CQ110 : Princípios de FQ

CQ110 : 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 mais

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas

Universidade 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 mais

Controle Estatístico de Processos: a questão da autocorrelação, dos erros de mensuração e do monitoramento de mais de uma característica de qualidade

Controle Estatístico de Processos: a questão da autocorrelação, dos erros de mensuração e do monitoramento de mais de uma característica de qualidade Controle Estatístco de Processos: a questão da autocorrelação, dos erros de mensuração e do montoramento de mas de uma característca de qualdade Docentes: Maysa S. de Magalhães; Lnda Lee Ho; Antono Fernando

Leia mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

ÍNDICE NOTA INTRODUTÓRIA

ÍNDICE NOTA INTRODUTÓRIA OGC00 05-0-06 ÍDICE. Introdução. Âmbto e defnções 3. Avalação da ncerteza de medção de estmatvas das grandezas de entrada 4. Cálculo da ncerteza-padrão da estmatva da grandeza 5 de saída 5. Incerteza de

Leia mais

Gráfico de controle de regressão aplicado na monitoração de processos

Gráfico de controle de regressão aplicado na monitoração de processos Jacob, Souza & Perera Gráfco de controle de regressão aplcado na montoração de processos LUCIANE FLORES JACOBI, MSC. Professora do Departamento de Estatístca UFSM. E-mal: lfjacob@ccne.ufsm.br ADRIANO MENDONÇA

Leia mais

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que DESEMPREGO DE JOVENS NO BRASIL I. Introdução O desemprego é vsto por mutos como um grave problema socal que vem afetando tanto economas desenvolvdas como em desenvolvmento. Podemos dzer que os índces de

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 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 mais

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os 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 mais

Aplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade

Aplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas

Leia mais