Heterocedasticidade. Prof. José Francisco Moreira Pessanha
|
|
- Esther Custódio de Oliveira
- 7 Há anos
- Visualizações:
Transcrição
1 Heterocedastcdade Prof. José Fracsco Morera Pessaha
2 Hpóteses do modelo de regressão lear múltpla H : Relação lear etre a varável depedete (Y) e as varáves depedetes () Notação do Gjarat, Ecoometra Básca, 4ª ed. Y k k,,, 3, 3, em otação vetoral y y y y k k k,,,,,, k y ode Vetor de erros (Vetor aleatóro) Vetor de coefcetes de regressão Matrz das varáves explcatvas Vetor da varável depedete
3 Hpóteses do modelo de regressão lear múltpla H : E()= E E E E H : Var( )= para =,..., (erros com varâca costate gal a o homocedastcdade) Var E E E H 3 : Cov(, j )= para todo j (erros ão atocorrelacoados) Cov, E E E E j j = (hpótese H ) = (hpótese H ) j j
4 Hpóteses do modelo de regressão lear múltpla Hpóteses H e H 3 são resmdas a matrz de covarâcas do vetor de erros E E E Pela hpótese H E Var Pela hpótese H 3, j j E Cov Σ I E Varâcas a dagoal prcpal Covarâcas fora da dagoal prcpal I é a matrz detdade de ordem
5 Hpóteses do modelo de regressão lear múltpla H 4 : A matrz é ão aleatóra H 5 : A matrz tem posto k < (k é o º de varáves explcatvas e o úmero de observações). Isto sgfca qe ão pode haver combações leares etre as varáves explcatvas, H 6 : Cada erro ~N(, ) para =,...,, logo o vetor de erros tem dstrbção ormal mltvarada (-varada) com vetor méda lo e matrz de covarâcas, ~ N
6 Estmador de mímos qadrados ordáros (MQO),,,,,, Σ k k k k k Var Cov Cov Cov Var Cov Cov Cov Var E y k Estmador MQO Matrz de covarâcas do estmador MQO Vetor aleatóro Matrz de covarâcas do vetor aleatóro
7 Estmador de mímos qadrados ordáros (MQO) Estmador MQO tem dstrbção ormal mltvarada k ~ N k,σ
8 eorema de Gass-Markov Sob as hpóteses H até H 5 (clsve a hpótese H de homocedastcdade do erro) o estmador MQO é o melhor estmador lear ão tedecoso, o seja, o estmador MQO é BLUE (Best Lear Ubased Estmator) E Não tedecoso As varâcas a dagoal da matrz Σ são mímas e por sso o MQO é o melhor estmador lear ão tedecoso
9 Homocedastcdade A homocedastcdade sgfca qe o erro e a varável explcada (Y ) têm varâca costates, o seja, Var(Y )= Var( )= Note qe a varâca é a mesma depedetemete dos valores da varável explcatva. FRP:
10 Heterocedastcdade A heterocedastcdade dca qe a varâca de Y ão é costate, Var(Y )= Var( )= (observe o sbscrto ), o seja, a hpótese H : Var( ) costate é volada. Note qe as varâcas ão são as mesmas e depedem dos valores assmdos pela varável explcatva
11 Homocedastcdade x Heterocedastcdade Var( )= para =,..., erros com varâca costate gal a Var( )= = para =,..., erros com varâcas dferetes (ote qe a varâca está dexada por ) I Σ E I Σ E Matrz de covarâcas do vetor de erros Matrz de covarâcas do vetor de erros Homocedastcdade Heterocedastcdade
12 Exemplo lstratvo (MADDALA, 3) A tabela abaxo apreseta os gastos com cosmo e a reda de famílas. Famíla Cosmo (y) Reda (x) Famíla Cosmo (y) Reda (x) 9,9,3 8, 8, 3, 3,3 33, 34,5 3 3,8 36,6 3 33,5 38, 4,, 4 3, 4, 5 4,7 4,3 5 4,8 6,4 6 6, 6, 6,6 4, 7 38,6 44,7 7 9,3 3, 8 5,5 6, 8 5, 8,3 9,3,3 9 7,9 8, 38,8 4, 9,8, A relação etre o cosmo (y) e reda (x) pode ser especfcada pela segte eqação ecoométrca: Y Neste exemplo, os coefcetes e são estmados por MQO a partr da amostra de famílas.
13 Exemplo lstratvo (MADDALA, 3) Estmação da eqação de regressão por MQO 9,9 3, 3,8, 4,7 6, 38,6 5,5,3 38,8 8 33, 33,5 3, 4,8,6 9,3 5 7,9 9,8 y= =,3 3,3 36,6, 4,3 6, 44,7 6,,3 4, 8, 34,5 38 4, 6,4 4, 3, 8,3 8,,,847,8993 y Y,847, 8993
14 Exemplo lstratvo (MADDALA, 3) Cálclo dos resídos e da estmatva da varâca do erro Resídos = Y Y Y,847, 8993 û -,99,3476 -,9634,37,85 -,386 -,44687,857,899,8 -,358,65 -,539 -,4753 -, ,978,3838 -,9794,6854,8765 Estmatva da varâca do erro k k,99,3476,763 SQResídos k,8765
15 Resídos Exemplo lstratvo (MADDALA, 3),5,5,5 Gráfco dos resídos -,5 - -,5 - -, Reda Dspersão dos resídos cresce com a reda famlar (), dcado qe a varâca do erro ão é costate, o seja, a hpótese de homocedastcdade do erro ão é verfcada. Var( ) cresce com a varável explcatva Var( )=f( ) heterocedastcdade
16 Resídos Exemplo lstratvo (MADDALA, 3),5,5,5 A peqea dspersão reflete a meor varabldade etre os cosmos das famílas de meor reda, ode a maor parte da reda é cosmda (ão é popada) e as composções das despesas são parecdas. Gráfco dos resídos A elevada dspersão reflete a maor varabldade etre os cosmos das famílas de maor reda, em fção da maor certeza a parcela da reda qe é destada ao cosmo. -,5 - -,5 - -, Reda
17 ,3 3,3 36,6, 4,3 6, 44,7 6,,3 4, 8, 34,5 38 4, 6,4 4, 3, 8,3 8,, Exemplo lstratvo (MADDALA, 3) Erro padrão dos estmadores MQO Resltados obtdos sob a hpótese de homocedastcdade H. Como veremos mas adate, estas estmatvas são tedecosas, pos este caso o erro é heterocedástco. = Σ Σ,4947,67,67,64 Erro-padrão de s,4947,7336 Erro-padrão de s,64,53
18 Natreza da heterocedastcdade A heterocedastcdade ocorre com freqüêca qado trabalhamos com dados em corte trasversal o cross-secto (HILL et al, 3). O termo dados em corte trasversal se refere aos dados sobre dversas dades ecoômcas, tas como frmas, famílas, mcípos, estados o países em m dado poto o tempo, por exemplo, m ao. Os dados em corte trasversal varavelmete evolvem observações sobre dades ecoômcas de város tamahos: Dados sobre famílas evolvem famílas com dferetes úmeros de membros e dferetes íves de reda, tas como famílas de baxa, méda o alta reda Dados sobre frmas evolvem frmas de tamahos dferetes, com dsttos volmes de prodção, tas como peqeos, médos e grades frmas. Em geral, a medda qe ameta o tamaho da dade ecoômca, há maor certeza assocada aos resltados da varável depedete, coforme apresetado o exemplo lstratvo da relação etre reda e cosmo. Para qe o modelo ecoométrco descreva o processo de geração de dados com essa propredade, a varâca do erro deve ser tato maor qato maor for o tamaho da dade ecoômca, o seja o erro deve ser heterocedástco.
19 Natreza da heterocedastcdade A heterocedastcdade ão se restrge aos dados em corte trasversal, mas também pode ser observada em dados de séres temporas (HILL et al, 3). Uma sére temporal é formada por observações de ma dade ecoômca ao logo do tempo, sedo possível qe a varâca do se modfqe. Isso acotece qado m choqe o varação extera cra maor o meor certeza sobre a varável depedete. Uma classe de modelos para o tratameto da heterocedastcdade em séres temporas, em partclar a aálse de rsco de atvos faceros, são os modelos ARCH-GARCH (Geeralzed Atoregressve Codtoal Heterocedastcty) para prevsão da volatldade (MOREIN, 8), tas modelos estão fora do escopo do crso.
20 Natreza da heterocedastcdade A heterocedastcdade também srge qado estamos trabalhado com médas de dados o dados per capta de algm grpo o regão geográfca, em vez dos dados dvdas (WOOLDRIDGE, 6). Por exemplo, cosdere a eqação de regressão lear múltpla, ode deota a empresa e e o empregado desta empresa: cotrb gahos dade taxco,e,e 3,e 4,e e cotrb e = cotrbção aal do empregado e qe trabalha a empresa gahos e = gaho aal do empregado e dade e = dade do empregado e taxcot e = motate qe a empresa deposta a cota do empregado e para cada real pago em cotrbção pelo empregado e = termo aleatóro Se as hpoteses H -H 5 são satsfetas podemos estmar a eqação a partr dos dados dvdas por empregado etre város empregadores. Porém, se dspomos apeas dos valores médos por empresa (os dados dvdas ão são dspoíves) temos o segte modelo de regressão lear múltpla estmado a partr dos valores médos das varáves por empresa: cotrb gahos dade 3 taxco Se o erro a eqação com dados dvdas for homocedástco, o erro a eqação com dados médos por empresa será heterocedastco e a varâca dmrá com o tamaho da empresa. 4
21 Coseqüêcas da heterocedastcdade para o estmador MQO Na preseça da heterocedastcdade, o estmador MQO permaece ão tedecoso, cosstete e asstotcamete ormal, porém o estmador MQO tora-se efcete, o seja, ão tem varâca míma. Estmador MQO y Na preseça da heterocedastcdade o estmador MQO ão é mas BLUE. Além dsso, o estmador Σ da matrz de covarâca forece estmatvas corretas (tedecosas) dos erros-padrão dos estmadores MQO (raz qadrada da varâca a dagoal da matrz), pos este estmador assme o pressposto de homocedastcdade do erro.
22 Coseqüêcas da heterocedastcdade para o estmador MQO Não tedecosdade do Estmador MQO erro heterocedástco: E E E y E E y y E é ão aleatóro H 4 qado = H E Note qe para provar a ão tedecosdade ão fo ecessáro assmr a hpótese H sobre a varâca do erro, logo a heterocedastcdade ão afeta esta propredade do estmador MQO.
23 Coseqüêcas da heterocedastcdade para o estmador MQO Matrz de covarâca dos estmadores MQO Σ E y Σ E Σ E Desvo do estmador em relação a sa méda Valor esperado dos qadrados dos desvos em otação matrcal Sbsttdo o resltado a matrz tem-se: é ão aleatóro H 4 Matrz de covarâcas dos erros
24 Coseqüêcas da heterocedastcdade para o estmador MQO Matrz de covarâca dos estmadores MQO Σ E Caso homocedástco Σ E I Caso heterocedástco Σ E, I Σ I Σ Σ Σ As varâcas a dagoal da matrz ão são mímas, por sso o estmador MQO ão é efcete a preseça da heterocedastcdade O so do estmador mplca em perda de valdade da ferêca qado o erro é heterocedástco
25 Resídos Coseqüêcas da heterocedastcdade para o estmador MQO O MQO ajsta a eqação de regressão de maera a mmzar a soma dos qadrados dos resídos, o seja, defe os s como sedo a solção ótma do segte problema de otmzação: M, 3,,, k Y, 3 3, k k, Na preseça da heterocedastcdade, os qadrados dos resídos a regão com erros mas volátes (maor varâca) são maores qe os qadrados dos resídos a regão com erros meos volátes (meor varâca).,5,5,5 -,5 - -,5 - -, Meor volatldade Reda Maor volatldade
26 Coseqüêcas da heterocedastcdade para o estmador MQO Na preseça da heterocedastcdade, os qadrados dos resídos a regão de maor varabldade do erro domam a soma dos qadrados dos resídos. Para mmzar a soma dos qadrados dos resídos, o MQO faz m bom ajstameto da eqação de regressão às observações a regão de maor varabldade do erro, pos é esta regão qe se ecotram os maores resídos. O seja, a defção dos s é oretada o setdo de mmzar a soma dos qadrados dos resídos a regão de maor varabldade do erro. Portato, a heterocedastcdade mpõe ma poderação mplícta (PYNDICK & RUBINFELD, 4), em qe os qadrados dos resídos da regão mas volátl recebem pesos maores qe àqeles a regão meos volátl. Esta poderação mplícta tora o estmador MQO efcete, o seja, o estmador MQO perde a propredade de varâca míma e, portato ão é mas BLUE, embora cote sedo ão tedecoso e cosstete.
27 Coseqüêcas da heterocedastcdade para o estmador MQO Soma dos qadrados dos resídos a ser mmzada pelo estmador MQO: Y C A B C û A A ûb B û C Y Note qe o resído da observação C doma a soma dos qadrados dos resídos e por esta razão o MQO va oretar a defção dos s o setdo de mmzar mplícta. C. Este é o efeto da poderação Esta estratéga ão é correta, pos atrb maor mportâca ás observações dstates da méda, represetada pela reta de regressão, e meor mportâca às observações jto a méda.
28 Estmador de mímos qadrados geeralzados Admtdo qe as varâcas dos erros Var( )=, =,..., sejam cohecdas, a poderação mplícta o MQO, provocada pela heterocedastcdade, é compesada pela cosderação de m sstema de pesos, em qe o qadrado de cada resído é poderado pelo verso da respectva varâca do erro: M,,,, 3 k Y, 3 3, Note a dfereça etre a ova fção objetvo a ser mmzada e a fção cosderada pelo estmador MQO. Note qe as observações amplamete dstates da méda (reta de regressão), a regão de maor varâca do erro, recebem pesos meores, eqato as observações jto a méda, as regões com meor varabldade do erro, recebem pesos maores. O ovo estmador obtdo é cohecdo como estmador de mímos qadrados poderados (MQP) m caso partclar do mímos qadrados geeralzados (MQG). k k,
29 Deotado Iserdo a varâca detro do termo qadrátco obtém-se: Estmador de mímos qadrados geeralzados k k Y M k, 3, 3,,,,, 3 k k Y M k *, * 3, 3 *, *, *,,,, 3 k k ; Y Y, *, 3, * 3,, *, *, * ; ; ; ; Obtém-se ma fção objetvo semelhate a cosderada pelo MQO, porém escrta com as varáves trasformadas. Varáves trasformadas
30 Estmador de mímos qadrados geeralzados Isto sgfca qe para aplcar o MQP basta dvdr a eqação de regressão por, o desvo-padrão de, e aplcar o estmador MQO para obter as estmatvas dos coefcetes s. Note qe dvddo a eqação de regressão por Y Y, 3 3, k k,,,, 3, k, 3 k,, Obtém-se ma eqação de regressão com erro homocedástco: Var Var,,, Erro da eqação trasformada Dado qe os erros do modelo com varáves trasformadas são homocedástcos, os coefcetes de regressão do modelo trasformado podem ser estmados por MQO.
31 Lembrado qe,,, A costate pode ser sprmda e a poderação pode ser expressa em termos de A solção deste problema de mmzação prodz o estmador de MQP, m caso partclar do estmador de MQG, apresetado a segr em otação matrcal: y k MQG k k Y M k, 3, 3,,,,, 3 ω ω ω Estmador de mímos qadrados geeralzados Heterocedastcdade
32 ω ω ω Estmador de mímos qadrados geeralzados ω ω ω ω ω ω ω ω ω
33 y y MQG MQG Estmador de mímos qadrados geeralzados y y * * Fazedo * * * * y MQG Varáves trasformadas Em sma o MQG é o MQO aplcado as varáves trasformadas e a ferêca pode ser feta da maera sal pelos testes t e F. k k ; ; ; Y Y, *, 3, * 3,, *, *, * ; ; Semelhate ao MQO y
34 y MQG MQG MQG Estmador de mímos qadrados geeralzados Propredades do estmador MQG MQG MQG MQG MQG E E E E E é ão aleatóro H 4 = H MQG é ão tedecoso Desvo do estmador em relação a sa méda
35 Σ Σ σ σ MQG MQG Estmador de mímos qadrados geeralzados Σ MQG MQG MQG E Σ E MQG Σ E MQG Σ σ MQG Propredades do estmador MQG MQG Matrz de covarâcas dos erros I, Σ σ E Matrz de covarâca dos estmadores MQG
36 MQO, MQG, homocedastcdade, heterocedastcdade Estmador MQG Matrz de covarâca do estmador MQG Σ MQG MQG y σ homocedastcdade heterocedastcdade Σ I I Σ I MQO é m caso partclar do MQG O estmador MQG é efcete e o MQO é efcete. Σ MQO MQO y σ Matrz de covarâcas do MQO com erros heterocedástcos As varâcas em Σ Σ MQO MQO σ são maores qe as varâcas em Σ MQG
37 Estmador de mímos qadrados geeralzados exeqüível Na realdade as varâcas dos erros (o os elemetos da matrz ) ão são cohecdas e, portato, devem ser estmadas. No etato, dado qe a amostra tem observações, é mpossível estmar as varâcas e os k parâmetros da eqação de regressão. A saída é obter algma formação adcoal qe permta expressar a varâca do erro como ma fção dos valores de algma varável explcatva, está fção defe a forma de heterocedastcdade, por exemplo: h A detfcação da forma de heterocedastcdade h( ) ão é ma tarefa smples A forma de heterocedastcdade redz o º de parâmetros a serem estmados torado a estmação possível. Note qe ao vés de estmar as varâcas basta estmar apeas a costate de proporcoaldade. Assm, tem-se o segte estmador para a matrz : h h h
38 Sbsttdo a matrz por sa estmatva o estmador MQG tem-se o estmador MQG exeqível (MQGE): y k MQGE Estmador de mímos qadrados geeralzados exeqüível Σ σ MQGE O MQGE é tedecoso, mas asstotcamete terá as propredades desejáves se for m estmador cosstete de.
39 Estmador de mímos qadrados geeralzados exeqüível Cosdere a eqação de regressão a ser estmada: Y, 3 3, k k,,, Uma vez detfcado o padrão de heterocedastcdade, por exemplo, Var( ) proporcoal a,, (Var( )=,, ode é ma costate de proporcoaldade) a estmação da eqação de regressão por MQGE case com a trasformação das varáves, dvddo toda a eqação pelo desvo padrão de gorado-se a costate de proporcoaldade. Neste caso, basta dvdr a eqação por, resltado a segte eqação trasformada: Y, Var, Implemetação do MQGE,, Var 3 3,, k k,,,,,,, Admtdo qe o padrão de heterocedastcdade teha sdo detfcado corretamete, o erro * a eqação trasformada é homocedástco e, portato, o MQO poder ser tlzado para estmar a eqação trasformada: * varâca costate
40 despesa aal (US$ ) Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Neste exemplo vamos cosderar ovamete ma amostra com dados sobre redmeto e despesa famlar aal de m cojto com famílas. Grpo Despesas (em US$ ) Redmeto (US$ ),8,,,, 5, 3, 3, 3,5 3,5 3,6, 3 4, 4, 4,5 4,8 5, 5, 4 4,8 5, 5,7 6, 6,, 7 6 y =,37x +,89 R =, Note qe este caso o gráfco das observações de redmeto e despesas já sgere heterocedastcdade 5, 7, 9,, 3, 5, 7, 9, redmeto aal (US$ )
41 Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Mesmo com a sspeta de heterocedastcdade vale tlzar o MQO para estmar a eqação de regressão qe explca as despesas (Y) em fção do redmeto famlar (): Y 5, 5, 5, 5, 5,,,,, = Y=, 3,6 y 5, 5, 5, 5, 5,,,,,,,8,,,, 3, 3, 3,5 3,5 4, 4, 4,5 4,8 5, 4,8 5, 5,7 6, 6, MQO Mas resltados da estmação,89,37 Coeffcets Stadard Error t Stat P-vale Itercept,89,43 4,356,4 Varable,37,49 5,897, R =,9335 F= 5,73
42 resídos Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Aálse dos resídos MQO y û -,76 -,76 -,76 -,76,4 -,6 -,6,38,38,338 -,48 -,48,5,35,55 -,834 -,634,66,366,566,8,6,4, -, -,4 -,6 -,8 - O gráfco do resídos cotra a varável explcatva sgere qe o erro é heterocedástco e sa varâca cresce com o redmeto aal redmeto aal (US$ )
43 Resídos Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Aálse dos resídos MQO Otra forma de detfcar a preseça de heterocedastcdade é por meo do gráfco dos resídos MQO cotra os valores ajstados (FO, 99) Y,8,6 O gráfco sgere heterocedastcdade do erro,4, -,,5 3 3,5 4 4,5 5 5,5 6 -,4 -,6 -,8 - Valores ajstados
44 Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Estmação por MQGE ) Padrão de heterocedastcdade: com base o gráfco ateror observa-se qe a dspersão dos resídos cresce com o redmeto, etão ma forma plasível para a heterocedastcdade é a segte: Var DP ) rasformação das varáves: este caso basta dvdr a eqação de regressão por, obtedo-se a segte eqação trasformada: Y 3) Estmação por MQO: por hpótese o erro da eqação trasformada é homocedástco e, portato, o MQO pode ser tlzado para estmar a eqação trasformada. Na eqação trasformada é o tercepto e a clação
45 Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Estmação por MQGE Cálclo das varáves trasformadas Varáves orgas Varáves trasformadas = 5, 5, 5, 5, 5,,,,,, 5, 5, 5, 5, 5,,,,,, Y =,8,,,, 3, 3, 3,5 3,5 3,6 4, 4, 4,5 4,8 5, 4,8 5, 5,7 6, 6, Y,36,4,4,4,4,3,3,35,35,36,8,8,3,3,333,4,5,85,3,3,,,,,,,,,,,667,667,667,667,667,5,5,5,5,5
46 Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Estmação por MQGE Aplcação do MQO aos dados trasformados Y *,36,4,4,4,4,3,3,35,35,36,8,8,3,3,333,4,5,85,3,3 MQO, * * * * y*,,,,,,,,,,667,667,667,667,667,5,5,5,5,5 Mas resltados da estmação,8875,36 Coeffcets Stadard Error t Stat P-vale Itercept,495,7,8, /,759,983 7,669, O R meor ão dca qe a correção da heterocedastcdade fo correta, pos as varáves foram trasformadas. Na verdade o R do modelo trasformado é poco formatvo. R =,7654 F= 58,76 Eqação estmada Y,759, 495
47 Resídos Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Resídos da estmação por MQGE x valores ajstados,4,3,,,5,7,9,3,33,35,37,39,4 -, -, Y -,3 -,4 -,5 -,6 O gráfco dos resídos da estmação por MQGE sgere homocedastcdade do erro da eqação trasformada Valores ajstados
48 Exemplo lstratvo (PINDYCK & RUBINFELD, 4) Comparação dos resltados MQO Y,89,37,43,49 MQG Y,759,495,983,7 Erro padrão etre parêteses A proxmdade das estmatvas potas reflete a ão tedecosdade do MQO qado o erro é heterocedastco, ote a peqea dfereça etre,37 e,495. Porém o erro padrão MQO está calclado de forma errada dada, ão é robsto em relação à heterocedastcdade. As estmatvas do MQG são mas precsas, ote o meor erro-padrão.
49 Estmador de Whte (procedmeto robsto em relação à heterocedastcdade) Na asêca de cohecmeto razoavelmete segro sobre a forma da heterocedastcdade, poderá cosderar-se a a estmação dos coefcetes por MQO, pos este é ão tedecoso mesmo a preseça de heterocedastcdade. MQO y Porém a estmação da matrz de covarâcas, o lgar da sal Σ σ deve-se tlzar a matrz MQO Σ,a especfcação correta da σ MQO matrz de covarâca qado o MQO é aplcado a estmação com erros heterocedástcos. Assm, o estmador de Whte para a matrz de covarâcas é dado por: Σ MQO S ode S Halbert L. Whte Jr. H. Whte: "A Heteroskedastcty- Cosstet Covarace Matrx Estmator ad a Drect est for Heteroskedastcty," Ecoometrca, 48, (98).,,, são os resídos obtdos a estmação por MQO Estmador estrtamete aproprado somete para grades amostras (WOOLDRIDGE, 6). Os testes t e F são somete váldos asstotcamete. Note qe este procedmeto cosste a aplcação do estmador MQO em ma stação com erro heterocedástco, assm os estmadores são efcetes, pos as varâcas são maores qe as obtdas pelo MQG (PYNDICK & RUBINFELD, 4),.
50 Comparação dos estmadores MQO, MQG e Whte a preseça de heterocedastcdade (GUJARAI, ) Uma comparação do desempeho dos três estmadores sob erro heterocedástco fo realzada por Davdso e MacKo. A comparação basea-se em smlações de Mote Carlo codzdas com o segte modelo de regressão lear smples: Y,, em qe ~ N, ~ U, James MacKo a/faclty/macko/ é m parâmetro pré-fxado, cja faldade é cotrolar a varabldade do erro Rssell Davdso ca/rssell.davdso/ Rssell Davdso ad James G. MacKo, Estmato ad Iferece Ecoometrcs, Oxford Uversty Press, New York Note qe o erro é heterocedástco para qalqer. Se = a varâca é proporcoal a, se = a varâca é proporcoal ao qadrado de, e assm por date. Para cada valor de eles smlaram. amostras, cada ma com observações e calclaram os estmadores MQO, MQG e o estmador de Whte.
51 Comparação dos estmadores MQO, MQG e Whte a preseça de heterocedastcdade (GUJARAI, ) Erro-padrão da estmatva de (MQO) Especfcação correta da matrz de covarâcas Especfcação correta da matrz de covarâcas Erropadrão da estmatva de (MQG) Especfcação correta da matrz de covarâcas (MQO) Especfcação robsta em relação à heterocedastcdade (MQO) Especfcação da matrz de covarâcas (MQG) Erro-padrão da estmatva de (MQO) Especfcação correta da matrz de covarâcas Σ Σ Σ MQO σ σ MQO σ Especfcação correta da matrz de covarâcas,5,64,34,,85,77,43,,4,,48,46,47,7,,6,74,73,,,9 3,,,64,3,73,6,56 4,,89,59,3,54,95,7 Erropadrão da estmatva de (MQG) MQG Os resltados mostram a efcêca do estmador MQO (maores errospadrão).o MQO sperestma o verdadero erro-padrão estmado pelo MQG, em especal para grades valores de. Coclsão: a preseça de heterocedastcdade tlze MQG (GUJARAI, )
52 Detectado a heterocedastcdade Há város procedmetos para testar se a hpótese de homocedastcdade é plasível: Aálse dos resídos do modelo orgal estmado por MQO este de Goldfeld-Qadt este Park este de Glejser H : homocedastcdade H : heterocedastcdade este Bresch-Paga este de Whte
53 Resídos este de Goldfeld-Qadt Assme qe a varâca do erro é ma fção moótoa de algma varável explcatva (em geral ma varável de tamaho), mas ão assme especfcação para esta fção f.,5,5,5 -, ,5 - -,5-3 Reda Var f O teste basea-se em ma déa mto smples: Prmero dvde-se a amostra em das sbamostras, Em cada sbamostra estma-se o modelo sob aálse y=+ e obtém-se a sére de resídos de cada m. A partr das séres de resídos obtém-se as estmatvas para a varâca do erro em cada sbamostra. Por fm, aplca-se o teste F para testar a hpótese de galdade das varâcas. Sbamostra I I Sbamostra II II H : I II homocedastcdade H : heterocedastcdade Sob H I II II ~ I R.E.Qadt S.M. Goldfeld & R.E.Qadt "Some ests for Homoscedastcty," Joral of the Amerca Statstcal Assocato, 6 (965), F
54 este de Goldfeld-Qadt ) Ordee as observações por ordem crescete da varável, se f() for ma fção crescete, o por ordem decrescete da varável, se f() for decrescete. ) Elme as c observações cetras (c é m úmero arbtráro, por exemplo, Pdyck & Rblfeld sgerem /5 da amostra). As -c observações restates são dvddas em das sbamostras, ma cldo os valores meores de (sbamostra I) de tamaho e otra ses valores mas elevados (sbamostra II) de tamaho. 3) Estme o modelo de regressão sob aálse y=+ em cada sbamostra e obteha os respectvos resídos, (I,) para =,..., I e (,) para =,...,. 4) Calcle as somas dos qadrados dos resídos para obter as estmatvas das varâcas do erro em cada sb-amostra: I I, I k II II II, k K = º de parâmetros o modelo de regressão lear 5) Faça o teste F para galdade de varâcas: H H : : I I II II homocedastcdade heterocedastcdade Sob H II I ~ F II k, I k
55 este de Goldfeld-Qadt Mas aproprado para grades amostras, de modo qe seja possível estmar as das regressões adeqadamete. Reqer a ormaldade dos resídos. Reqer a asêca de atocorrelação seral para qe teha valdade.
56 este de Park Assme a segte relação etre a varâca do erro e a varável explcatva >: C Var > é ma costate de proporcoaldade C é ma costate a ser estmada (C sgere heterocedastcdade) Aplcado ma trasformação logarítmca tem-se: l l C l Como Var( ) ão é cohecda, sbstt-se a varâca pelo qadrado do resído MQO do modelo y=+ sob aálse. ambém admte-se ma relação estocástca: l l C l v Rído braco O modelo acma é ma eqação de regressão lear smples qe pode ser estmada por MQO. Ao fal, por meo de m teste t avala-se a sgfcâca de C: H H : C : C homocedastcdade heterocedastcdade Sob H : C S C ~ t
57 este de Bresch-Paga Assme qe a varâca do erro é ma fção da combação lear de p varáves Z,...,Z p qe podem ser o ão as varáves explcatvas do modelo de regressão lear sob aálse: Var f Z, p Z p, ) Estme o modelo de teresse y= + por mímos qadrados ordáros. Obteha a sére dos qadrados dos resídos û e calcle a estmatva de máxma verossmlhaça da varâca do erro sob a hpótese de homocedastcdade ( é o úmero de observações) ) Estme por MQO o modelo de regressão axlar 3) Calcle a SQExplcada da regressão axlar o passo. Se a estatístca teste calclada for maor qe o q-qadrado tabelado ao ível de sgfcâca deve-se rejetar a hpótese la. Z, pz p, 4) este a hpótese la H : = 3 =... = p = (homocedastcdade) cotra a hpótese alteratva H : o 3... o p (heterocedastcdade). Sob a hpótese la, a estatístca teste SQExplcad a tem dstrbção p- v
58 este de Whte ) Estme o modelo de teresse y= + por mímos qadrados ordáros. Obteha a sére dos qadrados dos resídos û. ) Estme por mímos qadrados ordáros o modelo de regressão axlar em qe û é explcado pelas varáves explcatvas do modelo de regressão orgal, ses qadrados e terações etre elas: 3) Obteha o R da regressão axlar. k j j j, k j 4) este a hpótese la H : = 3 =... = k = =...= k = 3 =...= k-,k = (homocedastcdade) cotra a hpótese alteratva H : pelo meos m dos coefcetes é dferete de zero (heterocedastcdade). Sob a hpótese la, a estatístca teste R tem dstrbção com gras de lberdade gal ao úmero de varáves explcatvas o modelo de regressão axlar, Se a estatístca teste calclada for maor qe o q-qadrado tabelado ao ível de sgfcâca deve-se rejetar a hpótese la. j j, k k j l3 j, l j, l, v
59 Exemplo Cosdere o segte modelo de regressão lear múltpla aplcado ao corte trasversal (referete ao ao de 97) formado pelos 5 estados orte amercaos: EP AID 3POP 4 INC =, 5 observações Ode: EP = gastos do govero o estado AID = ajda do govero federal ao estado POP = poplação do estado INC = reda agregada do estado Para este modelo a expectatva é qe o termo aleatóro seja heterocedástco, pos trata-se de ma cross-secto formada por dades (estados) de tamahos dferetes. Neste caso, a poplação é a varável assocada ao tamaho das dades e, portato, é a varável qe explca a possível heterocedastcdade.
60 Exemplo EP 74, 56, 4, 5.65,98 699,.545,99.749,37 5.9, 8.84, , 3.456, , , , ,99.8, 3.56, 475, 5,.5,.55,99 57, 3.39, ,.5,.938,.5, 3.97, 4.77,.63,.446,.4,.47,.4,.69,99.767, 7.46, 587, 5, 368,.99,99 83,.5,99 8, 543, 3.7,.766,.5,97 698, 94,3 y = = AID POP INC 9, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Estmação por MQO 3 4 y 46,856 3,383,5966 Raz qadrada dos elemetos da matrz,9 Σ Coefcetes Erro padrão Stat t valor-p Iterseção -46,856 84, -,56,58 AID 3,383,4 3,64, POP -,5966, -5,7, INC,9, 8,,
61 Resídos Exemplo Eqação estmada por MQO (erros padrão etre parêtess) EP 46,856 3,383 AID,5966POP, 9INC (84,) (,4) (,) (,3) Resídos: û EP 46,856 3,383 AID,5966POP,9INC 5 5 O gráfco sgere qe a varâca do erro cresce com a poplação Poplação
62 EP tercepto AID POP INC 698, 85, , 7, , 8, , 95, , 97, , 7, , 3, , 8, , 35, , 95, ,3 64, , 78, , 9, , 98, ,, , 4, , 45, ,99 94, , 399, , 439, , 575, ,99 99, ,99 43, , 5, , 4, , 35, ,99 446, , 598, , 68, , 679, ,99 73, ,99 63, ,98 546, , 7, ,99 55, , 84, , 76, , 64, , 736, ,99 544, ,98., , 837, ,.36, ,4.34, ,., ,4.754, ,.636, ,6.69, , , ,97 4.8, Exemplo teste de Goldfeld-Qadt Sbamostra I I = 8 observações cetras (c=8) Sbamostra II II = ) Ordee a amostra a ordem crescete da poplação dos estados ) Retre algmas observações cetras e forme das sbamostras
63 EP tercepto AID POP INC 698, 85, , 7, , 8, , 95, , 97, , 7, , 3, , 8, , 35, , 95, ,3 64, , 78, , 9, , 98, ,, , 4, , 45, ,99 94, , 399, , 439, , 575, ,99 99, ,99 43, , 5, , 4, , 35, ,99 446, , 598, , 68, , 679, ,99 73, ,99 63, ,98 546, , 7, ,99 55, , 84, , 76, , 64, , 736, ,99 544, ,98., , 837, ,.36, ,4.34, ,., ,4.754, ,.636, ,6.69, , , ,97 4.8, Exemplo teste de Goldfeld-Qadt Sbamostra I I = 3) Estme o modelo de regressão EP em cada sbamostra e obteha a respectva SQResídos Sbamostra II II = AID 3POP 4 INC
64 EP tercepto AID POP INC 698, 85, , 7, , 8, , 95, , 97, , 7, , 3, , 8, , 35, , 95, ,3 64, , 78, , 9, , 98, ,, , 4, , 45, ,99 94, , 399, , 439, , 575, ,99 99, ,99 43, , 5, , 4, , 35, ,99 446, , 598, , 68, , 679, ,99 73, ,99 63, ,98 546, , 7, ,99 55, , 84, , 76, , 64, , 736, ,99 544, ,98., , 837, ,.36, ,4.34, ,., ,4.754, ,.636, ,6.69, , , ,97 4.8, Exemplo teste de Goldfeld-Qadt Sbamostra I I = ANOVA df SS MS F Sgfcace F Regresso , ,6 89,77,8874E-3 Resdal , ,64 otal ,65 SQResídos Sbamostra II II = SQResídos ANOVA df SS MS F Sgfcace F Regresso , ,76 65,64,5635E-7 Resdal ,9 3.83,36 otal ,39
65 Exemplo teste de Goldfeld-Qadt 4) Calcle a estatístca teste SQ Re sídos II k SQ Re sídos k I II I , , , ,84 7 6,76 k = úmero de parâmetros leares, este caso qatro Ao ível de sgfcâca de 5%, o F 7,7 é,7 Como 6,76 >,7 rejeta-se a hpótese la de homocedastcdade do erro
66 Exemplo teste de Park ) Estme o modelo EP AID 3POP 4INC =,5 por MQO e obteha a sére de resídos: û EP 46,856 3,383 AID,5966POP,9INC ) Idetfqe a varável relacoada com a heterocedastcdade do erro, este caso é a poplação. Em segda estme o modelo de regressão lear smples, ode o logartmo dos qadrados dos resídos é explcado pelo logartmo da poplação: l l POP 6 4 L û Coeffcets Stadard Error t Stat P-vale Itercept -,636,785 -,653,568 LPOP,433,55 6,675, P-valor < 5%, logo é sgfcatvamete dferete de zero e o erro é heterocedástco 8 6 LPOP
67 Exemplo teste de Park 3) Com base estes resltados obtemos a segte especfcação para o padrão de heterocedastcdade: Var, 433 é proporcoal a POP
68 Exemplo este de Bresch-Paga ) Estme o modelo orgal por mímos qadrados ordáros: EP AID 3POP 4 INC obteha a sére dos qadrados dos resídos û. =, 5 observações EP 46,856 3,383 AID,5966POP,9INC e o estmador de máxma verossmlhaça do erro a hpótese de homocedastcdade ) Estme a regressão axlar por mímos qadrados ordáros: AID 3POP 4INC v 3) Calcle a SQExplcada da regressão axlar, este caso, 88,648 4) O valor da estatístca teste (SQExplcada/) é 88,648/ = 44,3738. Sob H a estatístca teste tem dstrbção q-qadrado com 3 gras de lberdade. O p-valor P3 44,3738 5% logo rejeta-se a hpótese de homocedastcdade ,3
69 Exemplo este de Whte ) Estme o modelo orgal por mímos qadrados ordáros: EP AID 3POP 4 INC e obteha a sére dos qadrados dos resídos û. =, 5 observações EP 46,856 3,383 AID,5966POP,9INC ) Estme a regressão axlar por mímos qadrados ordáros:,3 AID AID POP POP 4 3 AID INC INC 4 3,4 AID POPINC v POP 3 INC 4 3) Calcle o R da regressão axlar, este caso se valor é, ) O valor da estatístca teste (R ) é 5 x,5644 = 8,. Sob H a estatístca teste tem dstrbção q-qadrado com 9 gras de lberdade. O p-valor P9 8,,88 5% logo rejeta-se a hpótese de homocedastcdade
70 Exemplo estmação por mímos qadrados poderados ) Pelo resltado do teste de Park, estmamos o padrão de heterocedastcdade como sedo Var, 433 é proporcoal a POP Assm, podemos trasformar a eqação de regressão orgal: EP POP,433 POP,433 AID POP,433 3 POP POP,433 4 INC POP,433 * ) Estme a eqação trasformada por MQO, pos por hpótese * é homocedástco (erro-padrão etre parêtess) EP POP,433 5,89 POP,433,39 AID POP,433,6 POP POP,433, INC POP,433 (7,96) (,5) (,9) (,9)
71 Exemplo estmação por mímos qadrados poderados Resídos da eqação trasformada x poplação EP POP,433 POP,433 AID POP,433 3 POP POP,433 4 INC POP,433 * ) Estme a eqação trasformada por MQO, pos por hpótese * é homocedástco (erro-padrão etre parêtess) EP POP,433 5,89 POP,433,39 AID POP,433,6 POP POP,433, INC POP,433 (7,96) (,5) (,9) (,9) 3) Estmatva da eqação orgal por mímos qadrados poderados: EP 5,89,39AID,6POP, INC
72 Referêcas bblográfcas FO, J. Regresso Dagostcs, Sage Uversty Paper Seres o Qattatve Applcatos o the Socal Scece, seres, º 7-79, 99. GUJARAI, D.N. Ecoometra Básca, 3ª edção, Pearso Makro Books, São Palo,. HILL, R.C.; GRIFFIHS, W.E. & JUDGE, G.G. Ecoometra, ª edção, Edtora Sarava, São Palo, 3. MADDALA, G.S. Itrodção à ecoometra, LC, Ro de Jaero, 3. MOREIN, P.A. Ecoometra Facera: m crso em séres temporas faceras, Edtora Blcher, São Palo, 8. PYNDICK, R.S. & RUBINFELD, D.L. Ecoometra: Modelos & Prevsões, Elsever, Ro de Jaero, 4. WOOLDRIDGE, J.M. Itrodção à ecoometra: ma abordagem modera, homso, São Palo, 6.
Hipóteses do Modelo de Regressão Linear Clássico
Uversdade Federal da Baha Facldade de Cêcas coômcas Departameto de cooma CO 66 Itrodção à coometra Hpóteses do Modelo de Regressão Lear Clássco Gerváso F. Satos Propredades dos estmadores de MQO As estmatvas
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisModelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisLista de Exercícios #9 Assunto: Análise de Regressão Método de Mínimos Quadrados
Lsta de Exercícos #9 Assuto: Aálse de Regressão Método de Mímos Quadrados ANPEC 8 Questão 4 Cosdere o segute modelo de regressão lear smples: () y = β + β x + u Para uma amostra com 3 observações, foram
Leia mais3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento:
Lsta de Exercícos #9 Ass uto: Aáls e de Re gres s ão Mé todo de Mímos Quadrados. ANPEC 99 - Questão 8 A capacdade de produção stalada (Y), em toeladas, de uma frma, pode ser fução da potêca stalada (X),
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Leia maisRegressão Linear e Multilinear
Regressão Lear e Multlear Deleameto Expermetal Mestrado em Sstemas de Produção em Agrcultura Medterrâca Modelo de Regressão Lear Smples X Varável Idepedete Y Varável Depedete y =β +β x +ε β ordeada a orgem
Leia maisTestes à Estabilidade dos Parâmetros de um Modelo de Regressão: Uma Aplicação Especial dos Regressores Dummy
R EVISTA DE E STATÍSTICA 4ª P A GINA º QUADRIMESTRE DE Testes à Establdade dos Parâmetros de m Modelo de Regressão: Uma Aplcação Especal dos Regressores Dmm Atores: Patríca Oom do Valle Efgéo Rebelo VOLUME
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maise represente as no plano Argand-Gauss.
PROFESSOR: Cládo Das BANCO DE QUESTÕES MATEMÁTICA ª SÉRIE ENSINO MÉDIO ============================================================================================== - Determe o módlo dos segtes úmeros
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisIntrodução à Correlação e Regressão Linear
Itrodução à Correlação e Regressão Lear Ru Carvalho Olvera rolv@st.utl.pt Estatístca Descrtva amostras bvaradas Amostras bvaradas: cada etdade (dvíduo/objecto é caracterzado por um par de varáves (atrbutos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia maisNas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das
CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisA análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisNOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling
NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisAVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR. José Antonio Stark Ferreira
1 AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR José Atoo Stark Ferrera I - INTRODUÇÃO O presete estudo fo desevolvdo objetvado mesurar os gahos e perdas patrmoas
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia mais5. Funções teste. L 2 ( )= {u :? ; Borel mensurável com u 2 dx < 8 }
5. Fções teste Até agora estvemos tratado tesvamete com a tegração. Uma cosa qe temos vsto é qe, cosderado espaços das, podemos pesar as fções como fcoas. Vamos rever brevemete esta déa. osdere a bola
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia mais3 Experimento com Mistura com Respostas Não-Normais
Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val/ ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o
Leia maisProbabilidade II Aula 10
Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz
Leia maisCapítulo 9 Problema 01 Problema 03 Problema 04
Bssab&Morett Caítlo Problema mod, orqe + mod, orqe + Problema a, m m, ( ) mod mod, ( ) mod mod, ( ) mod mod,...,,,,..., Portato, o eríodo esse caso é h. Problema a, m, m ( ) mod mod, ( ) mod mod, ( ) mod
Leia maisMATRIZES E VETORES 1) CONCEITOS BÁSICOS
PARE DO CURSO DE NIVELAMENO 9 - PEQ/COPPE/UFRJ PROF. EVARISO MARIZES E VEORES ÁLGEBRA VEORIAL E MARICIAL ) CONCEIOS BÁSICOS Os cálclos/operações assm como cocetos eoledo matrzes e etores costtem a base
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisModelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora)
Modelos de Regressão Lear Smples e Múltpla Fabo Atoo Avlla (Matemátca) Profª Dra. Care Savall Redígolo (Oretadora) Resumo Dversas áreas do cohecmeto cetífco procuram valdar suas hpóteses por meo de pesqusas
Leia maisEstatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia mais4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.
MÉTODOS NM ÉRICOS PARA E QAÇÕES DIFEREN CIAIS PARCIAIS - Método de Dfereças Ftas Aplcado às Eqações Dferecas Parcas..- Apromação de Fções...- Apromação por Polômos...- Aste de Dados: M ímos Qadrados..-
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia mais2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida
. MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisPrevisão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios
Objetvos desta apresetação Plaejameto de produção: de Demada Aula parte Mauro Osak TES/ESALQ-USP Pesqusador do Cetro de Estudos Avaçados em Ecooma Aplcada Cepea/ESALQ/USP de demada quattatva Regressão
Leia maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero
Leia mais50 Logo, Número de erros de impressão
Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de
Leia maisDualidades entre Análise de Covariância e Análise de Regressão com variáveis dummy
R EVISA DE E SAÍSICA 65ª P AGINA º QUADRIESRE DE Daldades etre Aálse de Covarâca e Aálse de Regressão com varáves dmm Atores: Patríca Oom do Valle Efgéo Rebelo VOLUE II º QUADRIESRE DE R EVISA DE E SAÍSICA
Leia maisSe A = ( a ij ) é tal que aij = 0 para todo i e j então a matriz A é dita nula e é
ARIZES E VEORES PROGRAA DE ENGENHARIA QUÍICA/COPPE/UFRJ NIVELAENO -. Sc. - 6 Álgebra Vetoral e atrcal -)CONCEIOS BÁSICOS Os cálclos/operações assm como cocetos evolvedo matrzes e vetores costtem a base
Leia maisConceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama
Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;
Leia maisRegressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
Leia maisRegressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia maisRegressao Simples. Parte I: Introdução
Regressao Smples Parte I: Itrodução Curso A aplcação da aálse de regressão requer cohecmeto teórco e eperêca com aálse de dados. Este curso procura combar a teora estatístca com a prátca, dado mas efâse
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
Leia maisDESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS
DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisEstimação pontual, estimação intervalar e tamanho de amostras
Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de
Leia mais( ) ( ) Es'mador de Máxima-Verossimilhança. ,θ i. L( Θ; X) = f ( X;Θ) = f (x i
5.. Esmador de Máxma-Verossmlhaça O prcípo básco do esmador de Máxma-Verossmlhaça cosste a obteção de esmavas de parâmetros populacoas de uma desdade de uma varável aleatóra a parr de um cojuto de formações
Leia maisESCOLA SUPERIOR DE TECNOLOGIA UNIVERSIDADE DO ALGARVE
SCOLA SUPIO D CNOLOGIA UNIVSIDAD DO ALGAV CUSO BIÁPICO M NGNHAIA CIVIL º cclo egme Duro/Nocturo Dscpla de COMPLMNOS D MAMÁICA Ao lectvo de 7/8 - º Semestre Ídce. egressão lear múltpla.... Itrodução....
Leia maisDados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens
Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia maisApêndice 1-Tratamento de dados
Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação
Leia mais