(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

Tamanho: px
Começar a partir da página:

Download "(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados."

Transcrição

1 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados. OBS : No caso do fator possur ou mas níves e quando o F da ANOVA for sgnfcatvo, as médas podem ser comparadas usando-se alguns dos procedmentos para comparações múltplas. Falaremos sobre o teste de Tuke e o teste de Duncan Teste de Tuke É usado para testar qualquer contrastes entre médas. Este teste é exato quando o número de repetções for o mesmo para cada tratamento. Tem por base a dferença mínma sgnfcatva (dms) representada por e dada por: em que: Cˆ q f ( α, I, n) q Vˆ( Cˆ) (é a ampltude total estudentzada) Nº de tratamentos g.l. do resíduo QMres De modo geral, q + r r tratamentos e, respectvamente. onde r e r são as repetções dos Se r r J lvros de estatístca. q QMres J, que é a fórmula usual encontrada em város OBS : J r + r corresponde à méda harmônca das repetções de tratamentos. OBS : No SAS Se temos I tratamentos, cada qual com dferentes números de repetções, o SAS obtêm um únco fazendo J méda harmônca do número de repetções. 6

2 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell Procedmento Testamos: H o : m m j H a : m m j para j Obtemos, a dferença mínma sgnfcatva: Calculamos todas as estmatvas dos contrastes ( ĉ ) entre médas; Comparamos c ˆ com ; - Se c ˆ o contraste é sgnfcatvo ao nível α de probabldade. Então há dferença entre médas de tratamentos a esse nível de sgnfcânca; - Se c ˆ < o contraste não é sgnfcatvo. OBS: Pode acontecer de o teste F da ANOVA ser sgnfcatvo, mas não ser encontrado nenhum teste sgnfcatvo pelo teste de Tuke. Ver Pmentel Gomes. Exemplo 8.9..: Consdere o exercíco 8.8., onde m, 7, 6,, QMres ˆ 8,5, J 5. Use α 5% para comparar as médas pelo teste de Tuke. Solução: q.8,5. +, ,5 5 5 %(;6) 5, Ordenar as médas. Indcar com letras guas médas guas 7 6 a a b a b b 7 < não rej. H 6 < não rej. H 7 > rej. H 7 > não rej. H o o o o 7

3 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell Conclusão: As médas segudas de pelo menos uma mesma letra não dferem entre s ao nível de 5% de probabldade pelo teste de Tuke. Exercíco 8.9..: Supor um expermento com 5 tratamentos e 6 repetções, cuja análse está apresentada a segur: FV G.l. SQ QM F p-value trat 8,8 8,,5,8-6 Res 5 6,5 5,85 Total 9 75,5 obs.: F-tab F(5%; ; 5),76 ˆm 5; ˆm ; ˆm ; ˆm ; ˆm 5 9. Comparar as medas de tratamentos usando o teste de Tuke (se necessáro use α 5%) Resposta: Tratamentos a 5 a b b c c c 8.. Teste de Duncan Médas segudas de uma mesma letra não dferem entre s, pelo teste de Tuke, ao nível de 5% de sgnfcânca. Também é usado para testar contrastes entre médas. É um concorrente ao teste de Tuke. Para ser exato exge que todos os tratamentos tenham o mesmo número de repetções. Comparado ao teste de Tuke, o teste de Duncan dscrmna mas os tratamentos, sto é, o teste de Ducan pode ndcar resultados sgnfcatvos em casos em que o teste de Tuke não ndcara. Duncan. Nesse sentdo dzemos que o teste de Tuke é mas rgoroso que o teste de Fórmula Geral: onde: D Z Vˆ( Cˆ) Z Z f QMres r ( α, n, n' ) + r Nº de médas ordenadas abrangdas pelo contraste g.l do resíduo 8

4 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell OBS: Vˆ (Ĉ) QMres r + r se r r r 8...Procedmento Vamos explcar o procedmento desse teste usando um exemplo. Exemplo 8... Consdere o exercíco 8.8., onde m, 7, 6,, QMres ˆ 8,5, J 5. Use α 5% para comparar as médas pelo teste de Duncan. H o : m m j H a : m m j para j; Ordenar as médas de modo crescente; Encontrar o valor de D para a maor abrangênca de médas (no caso D D ). Comparar com as estmatvas do contraste e, se for sgnfcatvo, encontrar um novo D (no caso D D ) para uma menor abrangênca, e assm sucessvamente. 7 6 ou com letras 7 6 a a b a b b OBS: No caso, o resultado fo gual ao do teste de Tuke, mas nem sempre é assm D Z (5%;;6) 8,5 5, 7 > D 8,5 5,9 rej. H o D Z (5%;;6) 8,5 5,5 6 < D 7 < D 8,5 5, não rej. H não rej. H o o unr ˆm e ˆm com uma barra; dem. 9

5 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell Conclusão: as médas undas por uma mesma barra não dferem entre s, ao nível de 5% de sgnfcânca, pelo teste de Duncan. OBS : Nem sempre as comparações realzadas pelo teste de Duncan e pelo teste de Tuke são concdentes. - Alterar os valores dos dados no computador e proceder à análse novamente, para observar esse resultado. OBS : No teste de Duncan, quando, numa determnada abrangênca, a maor méda não dferr sgnfcatvamente da menor, não se admtrá dferença sgnfcatva, pelo mesmo teste, entre médas ntermedáras. Exemplo 8... Realze o teste de Duncan para o problema Use α 5%.,5,75,,75 QMres,89 D D.... Z Z.. QMres J. QMres J. Z 5%;;9,89,.,7,67,75 (,5),5 >,67 D Z 5%;;9,89,.,7,57,75,75, >,57 D rej. rej. H o H o : µ : µ µ µ.., (,5),5 <,57 D não rej. H o : µ µ D Z Então:. QMres J. Z 5%;;9,89,.,7,5,75,,75 >,5 D Comparações.. + 9,5 9,875 a 9,6 b.. 9,575 b. 9,5 b rej. H o : µ µ

6 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell Exercíco 8... Realze o teste de Duncan para os dados do exercíco Resposta: Tratamentos a 5 a b b b Exercíco 8... Compare os resultados dos exercícos e 8... O que podera ser concluído a respeto do rgor de cada teste? Qual sera o teste menos rgoroso, no sentdo de apresentar resultados sgnfcatvos com maor facldade? 8.. Análse de Resíduos Essa análse pode ser útl para verfcar a adequação do modelo utlzado na análse de varânca. Nos tópcos anterores fo comentado que as pressuposções para valdade do teste realzado numa análse de varânca eram que os erros deveram ser ndependentes, não correlaconados, e normalmente dstrbuídos com méda zero e com varânca comum σ. Assm, após usarmos um determnado modelo estatístco, podemos estmar os erros pelos seus resíduos ( e ˆ ) e avalarmos esses resíduos como forma de nferrmos a respeto dos erros aleatóros. Ou seja, obtemos eˆ j j ˆ j onde ŷ j corresponde ao valor estmado a partr do modelo. Por exemplo, consderemos o caso em que podemos usar o delneamento nteramente casualzado (DIC) ou o delneamento em blocos casualzados (DBC). Se for o DIC: j µ + t então + e eˆ j j j com ˆ ˆ j µ ˆ + tˆ j. + ( ) Se for o DBC:

7 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell j µ + t ˆ j então + b eˆ j j + ( + e j j ˆ com j ) + ( j ˆ µ ˆ + tˆ j j j + + bˆ ) + j j Obtdos os resíduos, estes poderam ser plotados de dversas formas, dependendo do nteresse de análse. Para cada modelo exstem gráfcos comuns ou mas aproprados Gráfcos Usuas DIC Resíduos contra o tempo para avalar pressuposção de ndependênca; Resíduos contra médas. para avalar pressuposção de homogenedade de varânca; Probabldade normal para os resíduos para avalar pressuposção de normaldade; OBS: Exstem também, alguns testes estatístcos para checar cada uma dessas pressuposções. No entanto tas testes não serão dscutdos nesse curso. DBC Resíduo contra valores ajustados não deve representar nenhum relaconamento da magntude dos resíduos e os valores ajustados. Se ocorrer, no gráfco, uma forma curvlínea, podera mplcar a presença de nteração entre tratamentos e blocos. Podera exstr outro tpo de dsposção dos pontos no gráfco ndcando a presença dessa nteração. Uma stuação de forma curvlínea no gráfco podera acarretar, por exemplo, resíduo negatvo para baxos e altos valores ajustados, e resíduo postvos para valores ajustados ntermedáros. Resíduos contra tratamentos e contra blocos para verfcar a pressuposção de homogenedade de varânca nos tratamentos e nos blocos; Gráfcos de probabldade normal dos resíduos para avalar a normaldade dos resíduos. Proxmdade de uma certa lnha reta ndca normaldade; OBS: Tpos comuns de gráfcos serão apresentados em aula. ˆ.

8 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell 8... Exemplos Para cada exercíco apresentado nessa apostla realze a análse de resíduos segundo o rotero tutoral para análse de resíduos. Exemplos também serão apresentados em sala de aula. Observe o arquvo exstente nos tutoras do R para INF 6, dsponblzado no lnk referente aos exercícos e (nome do arquvo: anares.exemplo pdf). Com os comandos apresentados nesse tutoral, após fazer pequenas adaptações, é possível você fazer análse de resíduos para outros exercícos, se desejar. 8.. Escolha do Número de Repetções Esse tópco provavelmente não será apresentado em aula. Porém o assunto estará sendo ncluído nesse materal por se tratar de nformações nteressantes para conhecmento geral do estudante. Aqueles nteressados em mas nformação poderão entrar com contato com o professor da dscplna ou buscar maores detalhes em lvros que abordam o assunto. A não ser que o problema seja novo, na prátca o pesqusador já tem uma déa do número de repetções a ser usado, baseado em resultados de expermentos prévos ou de artgos publcados na mesma lnha de pesqusa. Uma decsão crítca em qualquer planejamento de delneamento expermental é a determnação do número de repetções dos tratamentos a ser usado. De modo geral: Se o nteresse resde em detectar pequenos efetos, então se deve utlzar um maor número de repetções; Se o nteresse resde em detectar grandes efetos, então pode ser utlzado um menor número de repetções. Montgomer (997) dscute métodos (pág. 6 ): Baseado nas curvas característcas de operação; Baseado na especfcação do aumento do desvo-padrão; Baseado na estmação do Intervalo de Confança. Exemplfcaremos apenas o prmero. Para o método baseado nas curvas característcas de operação, Montgomer (997, pág. 6) apresenta um nteressante embasamento teórco e motvaconal.

9 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell 8... Curva Característca de Operação É um gráfco onde no exo das ordenadas () temos a probabldade do erro tpo II de um teste estatístco para um determnado tamanho amostral, e no exo das abscssas (x) temos valores de um parâmetro que reflete o quanto a hpótese nula é falsa. Com o uso dessas curvas (C.C.O.) pode-se seleconar o número de repetções necessáras de modo que o delneamento possa ser útl em detectar dferenças potencalmente mportantes entre os tratamentos. como: Seja a realzação de uma ANOVA. A probabldade do erro tpo II é defnda onde F crt F (α; g.l. numerador; g.l. denomnador) β P (rejetar H o / H o é falsa) - P [(F calc > F crt ) / H o é falsa)] I - I(I ) para o DIC, por exemplo Para calcular a probabldade ndcada acma é necessáro conhecer a dstrbução da estatístca do teste (F calc ) quando H o é falsa. É possível demonstrar que quando H o é falsa, F calc tem dstrbução F não central com (I ) e I(J ) graus de lberdade e parâmetro de não-centraldade λ. Quando λ então a dstrbução F não-central passa a ser a dstrbução F central usual. As C.C.O. são usadas para avalar a expressão probablístca dscutda acma. Nessas curvas, no exo das abscssas tem-se um parâmetro φ,onde φ é relaconado ao parâmetro de não-centraldade λ dscutdo anterormente. Nesse materal estão apresentadas as C.C.O. para α,5 e α,, e para um conjunto de valores do grau de lberdade do numerador e do denomnador. (Extraído de Drumond, Werkema e Aguar 996). A função do φ mas prátca para que seja usado numa C.C.O. é: φ JD Iσ onde: σ varabldade da varável resposta de nteresse; I número de tratamentos; J número de repetções (a ser escolhdo); D dferença mínma que se deseja detectar entre as médas de tratamentos.

10 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell Para prátca, sso sgnfca que só faz sentdo consderar que médas não são equvalentes se a dferença entre elas for gual ou superor a D. OBS: Para fatores de efetos aleatóros veja Montgomer, 997 pág Exemplo do Uso das C.C.O. (pág. 79 Werkema e Aguar 996) Suponha que desejemos obter o número de repetções para um DIC com um únco fator em três níves; Suponha que desejemos rejetar H com pelo menos 95% de probabldade, se a dferença entre as médas de níves quasquer fosse superor a undades de medda em questão; Suponha que, por conhecmento prévo, tenhamos σ. Assm, os seguntes passos poderam ser consderados: (A) Fxar o nível de sgnfcânca α (5 ou %). (B) Determnar a dferença mínma que se deseja detectar entre as médas de tratamentos (ou seja, defnr um valor para D). (C) Fxar a probabldade mínma ( - β) com a qual se deseja detectar a dferença D. (D) Determnar uma estmatva para a varabldade da varável resposta, σ. JD (E) Calcular φ como uma função de n, onde I é o número de níves do fator. Iσ (F) Utlzando o gráfco da C.C.O. aproprado, apresentado em dversos lvros, determnar o valor de n por tentatva. Para o exemplo acma teríamos: (A) α 5%; (B) D ; (C) β,95; (D) σ ; (E) φ JD Iσ J.... J 6,67J 5

11 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (F) Utlza-se a C.C.O. para V I e V I(J ) (J ) graus de lberdade, com α 5%. Contnuando o exercícos temos, chute ncal: J 5 O resultado obtdo fo: (fgura B, em anexo) Portanto: φ,67.5,5 φ,8 e V.(5 ) Observando na fgura B, o valor de β (exo das ordenadas) sera aproxmadamente,9, de forma que β,9,7(poder do teste). Este valor é nferor ao,95 desejado em (C). Isso mplca que J 5 repetções não é sufcente. Agora, deveríamos escolher outro valor de J, sendo J > 5, e contnuar o procedmento até que β seja maor que,95. A segunte tabela é aproprada: J φ φ I(J ) β β 5,5,8,9,7 8 5,6,,75,95 9 6,,5,5,965 Portanto, pelo menos J 9 undades expermentas deveram ser submetdas a cada nível do fator, para satsfazer à condção estabelecda ncalmente para o poder do teste. OBS: Para expermentos no DBC faríamos de modo smlar nos passos (A), (B), (C) e (D), porém,: bd (E) calcular φ onde b número de repetções (ou blocos) a serem determnados ( J) e a aσ número de níves do fator em estudo ( I ) (F) Obter a C.C.O. para V a e V (a )(b ) g.l. numerador g.l. denomnador b é, então, obtdo por tentatva. 6

12 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell 8.. Análse de Regressão A análse de regressão consste na realzação de uma análse estatístca com o objetvo de verfcar a exstênca de uma relação funconal entre uma varável dependente com uma ou mas varáves ndependentes. Em outras palavras consste na obtenção de uma equação que tenta explcar a varação da varável dependente pela varação do(s) nível(s) da(s) varável(s) ndependente(s). Para tentar estabelecer uma equação que representa o fenômeno em estudo podese fazer um gráfco, chamado de dagrama de dspersão, para verfcar como se comportam os valores da varável dependente (Y) em função da varação da varável ndependente (X). O comportamento de Y em relação a X pode se apresentar de dversas maneras: lnear, quadrátco, cúbco, exponencal, logarítmco etc. Para se estabelecer o modelo para explcar o fenômeno, deve-se verfcar qual tpo de curva e equação de um modelo matemátco que mas se aproxme dos pontos representados no dagrama de dspersão. Contudo, pode-se verfcar que os pontos do dagrama de dspersão, não vão se ajustar perfetamente à curva do modelo matemátco proposto. Haverá na maor parte dos pontos, uma dstânca entre os pontos do dagrama e a curva do modelo matemátco. Isto acontece, devdo ao fato do fenômeno que está em estudo, não ser um fenômeno matemátco e sm um fenômeno que está sujeto a nfluêncas que acontecem ao acaso. Assm, o objetvo da regressão é obter um modelo matemátco que melhor se ajuste aos valores observados de Y em função da varação dos níves da varável X. No entanto o modelo escolhdo deve ser coerente com o que acontece na prátca. Para sto, deve-se levar em conta as seguntes consderações no momento de se escolher o modelo: O modelo seleconado deve ser condzente tanto no grau como no aspecto da curva, para representar em termos prátcos, o fenômeno em estudo; O modelo deve conter apenas as varáves que são relevantes para explcar o fenômeno; Como fo dto anterormente, os pontos do dagrama de dspersão fcam um pouco dstantes da curva do modelo matemátco escolhdo. Um dos métodos que se pode utlzar para obter a relação funconal, se basea na obtenção de uma equação estmada de tal forma que as dstâncas entre os pontos do dagrama e os pontos da curva do modelo matemátco, no todo, sejam as menores possíves. Este método é 7

13 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell denomnado de Método dos Mínmos Quadrados (MMQ). Em resumo por este método a soma de quadrados das dstâncas entre os pontos do dagrama e os respectvos pontos na curva da equação estmada é mnmzada, obtendo-se, desta forma, uma relação funconal entre X e Y, para o modelo escolhdo, com um mínmo de erro possível. Veremos, em apenas uma aula, como realzar uma ANOVA para regressão, e como nterpretar seus resultados. Serão apresentadas apenas suas fórmulas usuas e sua nterpretação, fnalzando com um exemplo, executado no computador, para regressão lnear smples e um para regressão lnear múltpla. O problema básco da Análse de Regressão consste em: (A) Estmar os parâmetros do modelo estatístco admtdo; (B) Realzar testes de sgnfcânca para estes parâmetros; (C) Obter ntervalos de confança para estes parâmetros; (D) Checar a adequabldade do modelo utlzado, usando análse de resíduos por exemplo, e sua adequação ao problema real em questão; (E) Dependendo dos resultados anterores defnr um novo modelo e refazer os passos acma Veremos, prmeramente, e usando um exemplo com poucos dados hpotétcos, a análse da regressão lnear smples. Posterormente, usando também um exemplo com poucos dados hpotétcos será dada uma noção da análse da regressão lnear múltpla Modelo lnear de º grau (Regressão Lnear Smples) O modelo estatístco para esta stuação sera: β + β Y X + e em que: Y valor observado para a varável dependente Y no -ésmo nível da varável ndependente X. β constante de regressão. Representa o ntercepto da reta com o exo dos Y. β coefcente de regressão. Representa a varação de Y em função da varação de uma undade da varável X. X -ésmo nível da varável ndependente X (,, K,n ) e é o erro aleatóro; está assocado à dstânca entre o valor observado Y e o correspondente ponto na curva, do modelo proposto, para o mesmo nível de X. 8

14 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell Para se obter a equação estmada, vamos utlzar o MMQ, vsando a mnmzação dos erros. Assm, tem-se que: e β βx Y. Elevando ambos os membros da equação ao quadrado, Aplcando o somatóro, e [ β β ] Y. X n n [ β β ] e Y X () Por meo da obtenção de estmadores de e β, que mnmzem o valor obtdo β na expressão anteror (), é possível alcançar a mnmzação da soma de quadrados dos erros. Para se encontrar o mínmo para uma equação, deve-se dervá-la em relação ao parâmetro de nteresse e gualá-la a zero. A sua dervada segunda deverá, obvamente, ser postva, o que no caso sempre ocorrerá, por se tratar de uma soma de quadrados. Dervando então a expressão () em relação a e β, e gualando-as a zero, poderemos obter duas equações que, juntas, vão compor o chamado sstemas de equações normas. A solução desse sstema fornecerá: x x n SPD ˆβ ( x ) SQD x n β x x e βˆ βˆ Y Uma vez obtdas estas estmatvas, podemos escrever a equação estmada: ˆ β ˆ + βˆ Y X X 8... Teste de hpótese na regressão lnear smples Após ajustar uma equação de regressão devemos verfcar sua adequabldade, por meo de testes de hpóteses para os parâmetros do modelo e/ou a construção de ntervalos de confança. Para tal ntento precsamos da pressuposção adconal de que os erros tenham dstrbução normal. Em outras palavras, a equação estmada obtda, apenas estabelece uma relação funconal, entre a varável dependente e a varável ndependente, para representar o fenômeno em estudo. Portanto a smples obtenção da equação estmada não responde ao 9

15 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell pesqusador se a varação da varável ndependente nfluenca sgnfcatvamente na varação da varável dependente. Para se responder a esta pergunta, é necessáro realzar um teste estatístco para as estmatvas dos coefcentes da equação de regressão estmada. Um teste que pode ser realzado para verfcar tal fato é o teste F da análse de varânca e/ou o teste t. Portanto, é necessáro realzar uma análse de varânca dos dados observados, em função do modelo proposto. Como temos dos parâmetros no modelo Y os seguntes testes: β + β X + e, poderíamos realzar H : β β * versus H a : β β * H : β β * versus H a : β β * Em cada caso a estatístca do teste e as conclusões seram: t calc ˆ * β β, onde ˆ ˆ σˆ V ( β ) Vˆ( βˆ ) SQD x regra de decsão: Se t calc t (α/, n-) rejeta H t calc ˆ * β β, onde V ˆ( βˆ Vˆ( βˆ ) ) σˆ regra de decsão: Se t calc t (α/, n-) rejeta H OBS.: σ ˆ estmatva da varânca dos erros SQ Re s n X + n SQD x SQD β SPD ˆ n Um caso especal muto mportante sera: H : β versus H a : β. Essas hpóteses estão relaconadas com a sgnfcânca da regressão. Não rejetar H é equvalente a conclur que não há relação lnear entre X e Y. Por outro lado, se H : β for rejetado ndcara que X é mportante para explcar a varabldade em Y. Veja lustrações apresentadas em aula, para alguns casos especas. De manera alternatva poderíamos testar a sgnfcânca da regressão pelo método da Análse de Varânca (ANOVA). O método da ANOVA consste em fazer uma partção da varabldade total da varável resposta Y em outros componentes de acordo com o modelo e o teste a ser feto. Assm a segunte dentdade pode ser verfcada: ou, em outra palavras, ( Y ˆ Y ) ( Y Y ) + ( Y Y, ˆ) x

16 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell onde SQTotal SQRegressão + SQResíduo, SQTotal varação total em Y SQD Y SQRegressão varação em Y explcada pela regressão ajustada que SQResíduo SQRes varação não explcada pela regressão SQD Y - Baseado nessa dentdade o segunte quadro pode ser montado: ˆβ SPDXY, de modo ˆβ SPD FV GL SQ QM F Regressão SQReg QMReg SQReg QM Re g QM Re s Resíduo, ou n SQRes SQ Re s - Independente da QMRes n Regressão Total n SQTotal XY. A estatístca F obtda no quadro acma também serve para testar a sgnfcânca da regressão, ou seja, testar H : β versus H a : β. regra de decsão: Se F calc F (α,, n-) rejeta H, ou conclu-se de acordo com o p-value. OBS.: Se regressão lnear smples, e para H : β temos que (t calc ) F calc Exercíco Exemplos: Para verfcar se exste relação lnear de prmero grau entre umdade relatva (UR) do ar de secagem de sementes e a germnação das mesmas, um pesqusador realzou um expermento com valores dferentes para a %UR do ar, obtendo-se os seguntes dados (dados hpotétcos) % UR 5 % germnação a) Obter as estmatvas do β e do β consderando o modelo proposto; b) Obter o quadro da ANOVA para checar a sgnfcânca da regressão, ou seja, se exste efeto da UR do ar de secagem na % de germnação. Se necessáro use α 5%; c) Realze o teste t para o coefcente de regressão. Se necessáro use α 5%;

17 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell d) Compare os resultados dos tens b e c; e) Qual sera a % de germnação esperada quando UR 5 %? f) Como devera ser apresentada, num relatóro técnco, a equação de regressão ajustada para esse exemplo? R.: a) ˆβ 9,7; ˆβ,8. Algumas das outras respostas podem ser obtdas no endereço Exercíco 8... Adaptado dos dados exstentes em algumas calculadoras de bolso. Um engenhero está nteressado em avalar o efeto da temperatura sobre o comprmento de certa peça metálca. Para sso obteve cnco corpos de prova de mesmo comprmento ncal (certa undade de medda) e os submeteu a 5 temperaturas ( o C) dferentes. Os dados estão apresentados abaxo. Temperatura 5 5 Comprmento 5 Pede-se: (use α 5% se necessáro) a) Obter o dagrama de dspersão dos dados; b) Ajustar a equação de regressão baseado no modelo de uma regressão lnear smples e traçar a reta no dagrama obtdo em a; c) Interpretar as estmatvas dos parâmetros obtdas; d) Checar a sgnfcânca da regressão por meo da ANOVA; e) Checar a sgnfcânca da regressão por meo do teste t; f) Qual sera o comprmento esperado da peça quando a temperatura for gual a 7 o C? g) Qual sera o comprmento esperado da peça quando a temperatura for gual a o C? h) (Calbração) Qual deve ser a temperatura a ser usada para que o comprmento da barra atnja 9 undades de medda? Respostas: Realze os cálculos à mão. Depos as compare com os resultados obtdos no R, e parcalmente apresentados no endereço:

18 INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell 8... Intervalo de Confança em Regressão Lnear Smples Complementam, ou substtuem, as nformações das estmatvas pontuas, e seus testes de hpóteses, já que fornecem faxas dos possíves valores que os parâmetros do modelo podem assumr, com um nível de confança ( α)% conhecdo. I.C. ( α)% para β é: β ˆ t ± α, n QM SQD resduo x I.C. ( α)% para β o é: β ˆ ± t α, n QM resíduo n + x SQD x 8... Exemplos Exercíco 8... Consderando os dados do exercíco 8... calcule o ntervalo de 95% de confança para o coefcente de regressão. Dscuta como podemos usar esse ntervalo de confança para conclur a respeto da sgnfcânca da regressão. Exercíco 8... Consderando os dados do exercíco 8... calcule o ntervalo de 95% de confança para o coefcente de regressão. Dscuta como podemos usar esse ntervalo de confança para conclur a respeto da sgnfcânca da regressão.

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

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

8.16. Experimentos Fatoriais e o Fatorial Fracionado

8.16. Experimentos Fatoriais e o Fatorial Fracionado 8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e

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

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

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

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução 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

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

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

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

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

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

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 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 mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

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

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

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

7 - Distribuição de Freqüências

7 - 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 mais

Análise de influência

Análise de influência Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).

Leia mais

AULA EXTRA Análise de Regressão Logística

AULA EXTRA Análise de Regressão Logística 1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 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 mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. 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 mais

Prof. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =

Prof. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 = Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo

Leia mais

Tipo tratamento idade Tipo tratamento sexo

Tipo tratamento idade Tipo tratamento sexo Modelos de Regressão em Saúde Rejane Sobrno Pnhero Tâna Zdenka Gullén de Torres Modelos de Regressão Famíla de técncas estatístcas város fatores meddos (predtor, covarável, varável ndependente) relaconados

Leia mais

Programa de Certificação de Medidas de um laboratório

Programa de Certificação de Medidas de um laboratório Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados

Leia mais

CAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples

CAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de

Leia mais

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-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 mais

Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de

Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de Unversdade Federal de Vçosa Departamento de Estatístca Dscplna: EST 63 Métodos Estatístcos II Apostla Introdução à Metodologa de Superfíces de Resposta Paulo Roberto Cecon Anderson Rodrgo da Slva Vçosa,

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

2. Validação e ferramentas estatísticas

2. Validação e ferramentas estatísticas . Valdação e ferramentas estatístcas Mutos aspectos relaconados à socedade são suportados, de alguma forma, por algum tpo de medção analítca. Mlhões de medções analítcas são realzadas todos os das, em

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério 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 mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Aplicação de um modelo simulado na formação de fábricas

Aplicação de um modelo simulado na formação de fábricas Aplcação de um modelo smulado na formação de fábrcas Márca Gonçalves Pzaa (UFOP) pzaa@ldapalm.com.br Rubson Rocha (UFSC) rubsonrocha@eps.ufsc.br Resumo O objetvo deste estudo é determnar a necessdade de

Leia mais

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão

Leia mais

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO ESTATISTICA EXPERIMENTAL: Com aplcaçoes em R Medcna

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

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

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

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

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11 EERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Lnear 4. EERCÍCIOS PARA RESOLVER NAS AULAS 4.1. O gestor de marketng duma grande cadea de supermercados quer determnar

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma: Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma

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

Introdução a Combinatória- Aplicações, parte II

Introdução a Combinatória- Aplicações, parte II Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o

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

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

Medidas e resultados em um experimento.

Medidas e resultados em um experimento. Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca

Leia mais

Diferença entre a classificação do PIB per capita e a classificação do IDH

Diferença entre a classificação do PIB per capita e a classificação do IDH Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca

Leia mais

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples. Departamento de Físca ICE/UFJF Laboratóro de Físca II Prátca : Medda da Aceleração da Gravdade Objetvo da experênca: Medr o módulo da aceleração da gravdade g no nosso laboratóro com ajuda de um pêndulo

Leia mais

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um). INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20

Leia mais

ANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!

ANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA! ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

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

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados 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 descrtvas

Leia mais

EXPANSÃO TÉRMICA DOS LÍQUIDOS

EXPANSÃO TÉRMICA DOS LÍQUIDOS Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,

Leia mais

Estudo e Previsão da Demanda de Energia Elétrica. Parte II

Estudo e Previsão da Demanda de Energia Elétrica. Parte II Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo

Leia mais

Análise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres

Análise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres Análse de Varânca Rejane Sobrno Pnhero Tana Gullén de Torres Análse de Varânca Introdução Modelos de análse de varânca consttuem uma classe de modelos que relaconam uma varável resposta contínua com varáves

Leia mais

Realimentação negativa em ampliadores

Realimentação negativa em ampliadores Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação

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

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

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;

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

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

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,

Leia mais

2ª PARTE Estudo do choque elástico e inelástico.

2ª PARTE Estudo do choque elástico e inelástico. 2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos

Leia mais

Estatística stica Descritiva

Estatística 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 mais

Curvas Horizontais e Verticais

Curvas Horizontais e Verticais Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs

Leia mais

Índices de Concentração 1

Índices de Concentração 1 Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;

Leia mais

Resolução das Questões Objetivas

Resolução das Questões Objetivas COMISSÃO PERMANENTE DE SELEÇÃO COPESE PRÓ-REITORIA DE GRADUAÇÃO PROGRAD CONCURSO PISM III - TRIÊNIO 2008-2010 Prova de Matemátca Resolução das Questões Objetvas São apresentadas abaxo possíves soluções

Leia mais

1. Caracterização de séries com

1. Caracterização de séries com 1. Caracterzação de séres com sazonaldade Como dscutdo na Aula 1, sazonaldade é um padrão que se repete anualmente. A sazonaldade é determnístca quando o padrão de repetção anual é exato, ou estocástca,

Leia mais

Classificação de Padrões

Classificação de Padrões Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

Leia mais

INTRODUÇÃO... 4 CAPÍTULO CAPÍTULO CAPÍTULO CAPÍTULO

INTRODUÇÃO... 4 CAPÍTULO CAPÍTULO CAPÍTULO CAPÍTULO 1 ÍNDICE INTRODUÇÃO... 4 CAPÍTULO 1... 6 INTRODUÇÃO... 6 Tpos de erros... 8 Erros aleatóros e sstemátcos em análses ttrmétrcas... 10 Manpulando erros sstemátcos... 1 CAPÍTULO... 16 ERROS EM ANÁLISES CLÁSSICAS...

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura

Leia mais

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação. Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,

Leia mais

Y 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)

Y 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 mais

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados

Leia mais

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 ) DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco

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

Correlação. Frases. Roteiro. 1. Coeficiente de Correlação 2. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5.

Correlação. Frases. Roteiro. 1. Coeficiente de Correlação 2. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5. Correlação Frases Uma probabldade razoável é a únca certeza Samuel Howe A experênca não permte nunca atngr a certeza absoluta. Não devemos procurar obter mas que uma probabldade. Bertrand Russel Rotero

Leia mais

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado

Variabilidade 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 mais

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter:

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter: Sstemas Mecâncos III - EXPERIMETO - Dlatação Térmca Prof.: Dr. Cláudo S. Sartor Técnco: Fernando ITRODUÇÃO: Forma Geral dos Relatóros É muto desejável que seja um caderno grande (formato A) pautada com

Leia mais

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,

Leia mais

COEFICIENTE DE GINI: uma medida de distribuição de renda

COEFICIENTE DE GINI: uma medida de distribuição de renda UNIVERSIDADE DO ESTADO DE SANTA CATARINA ESCOLA SUPERIOR DE ADMINISTRAÇÃO E GERÊNCIA DEPARTAMENTO DE CIÊNCIAS ECONÔMICAS COEFICIENTE DE GINI: uma medda de dstrbução de renda Autor: Prof. Lsandro Fn Nsh

Leia mais

CAPÍTULO 7 TESTES DE HIPÓTESES

CAPÍTULO 7 TESTES DE HIPÓTESES CAPÍTULO 7 TESTES DE HIPÓTESES Além dos métodos de estmação de parâmetros e de construção de ntervalos de confança, os testes de hpóteses são procedmentos usuas da nferênca estatístca, útes na tomada de

Leia mais

Resumo 7-22, Janete Pereira Amador 1, Sidinei José Lopes 2, João Eduardo Pereira 1, Adriano Mendonça Souza 1, Marcos Toebe 3

Resumo 7-22, Janete Pereira Amador 1, Sidinei José Lopes 2, João Eduardo Pereira 1, Adriano Mendonça Souza 1, Marcos Toebe 3 7-, 011 Análse das pressuposções e adequação dos resíduos em modelo de regressão lnear para valores ndvduas, ponderados e não ponderados, utlzando pro- cedmentos do SAS Janete Perera Amador 1, Sdne José

Leia mais

Netuno 4. Manual do Usuário. Universidade Federal de Santa Catarina UFSC. Departamento de Engenharia Civil

Netuno 4. Manual do Usuário. Universidade Federal de Santa Catarina UFSC. Departamento de Engenharia Civil Unversdade Federal de Santa Catarna UFSC Departamento de Engenhara Cvl Laboratóro de Efcênca Energétca em Edfcações - LabEEE Netuno 4 Manual do Usuáro Enedr Ghs Marcelo Marcel Cordova Floranópols, Junho

Leia mais