Manual de Referência 1

Tamanho: px
Começar a partir da página:

Download "Manual de Referência 1"

Transcrição

1 PAleontologcal STatstcs Verson.16 Manual de Referênca 1 Øyvnd Hammer Natural Hstory Museum Unversty of Oslo Tradução feta por Pavel Dodonov revsado por Matheus Gonçalves dos Res. Ambos doutorandos do Programa de Pós-Graduação em Ecologa e Recursos Naturas, Unversdade Federal de São Carlos (UFSCar). 1

2 Sumáro Sumáro... Bem-Vnda(o) ao PAST!... 7 Instalação... 8 A planlha e o menu Edt (Edtar)... 9 Inserndo dados... 9 Seleconando áreas... 9 Movendo uma lnha ou uma coluna Renomeando lnhas e colunas Aumentando o tamanho da matrz Recortar, copar, colar Remover Agrupando (colorndo) colunas Escolhendo tpos de dados para as colunas... 1 Remover lnhas/colunas não-nformatvas Remove unnformatve rows/columns... 1 Transpor - Transpose... 1 Colunas agrupadas para dados multvarados Grouped columns to multvar Lnhas agrupadas para multvarado Grouped rows to multvar Emplhar lnhas agrupadas em colunas Stack colored rows nto columns Eventos para amostras Events to samples (RASC to UA) Carregando e salvando dados Importando dados do Excel Lendo e escrevendo arquvos Nexus Importando arquvos de texto Contador Counter Transform menu (Transformações de dados) Logartmo Remover tendênca remove trend Subtrar méda Subtract mean Box-Cox Porcentagem de lnhas Row percentage Normalzar comprmento por lnha Row normalze length Abundânca para presença/ausênca Abundance to presence/absence Ecaxe de Procrustes Procrustes fttng Encaxe de Booksten (Booksten fttng) Projetar para espaço tangente Remover tamanho de pontos de referênca (Remove sze from landmarks) Transformar pontos de referênca (Transform landmarks)... 0 Remover tamanho de dstâncas (Remove sze from dstance)... 0 Ordenar crescente e decrescente (Sort ascendng and descendng)... 0 Ordenar por cor (Sort on color)... 1 Dferença entre colunas (Column dfference)... 1 Interpolação regular (Regular nterpolaton)... 1 Avalar expressão (Evaluate expresson)... 1 Plot Menu (Gráfcos)...

3 Gráfco (Graph)... Gráfco XY (XY graph)... 3 Hstograma (Hstogram)... 5 Gráfco de barras / boxplot (Bar chart/box plot)... 6 Percents (Percentles)... 7 Gráfco de probabldade normal (Normal probablty plot)... 8 Ternáro (Ternary)... 9 Gráfco de bolhas (Bubble plot) Sobrevvênca (Survvorshp) Pontos de referênca (Landmarks) Pontos de referênca 3D (Landmarks 3D)... 3 Matrz (Matrx) Superfíce (Surface) Statstcs Menu (Estatístca unvarada) Unvarada (Unvarate) Índces de smlardade e dstânca (Smlarty and dstance ndces) Tabela de correlação (Correlaton table) Var-covar... 4 Testes F e t (duas amostras) (F and t tests (two samples))... 4 Teste t (uma amostra) (t test (one sample)) Testes F e t a partr de parâmetros (F and t tests from parameters) Testes pareados (t, snal, Wlcoxon) (Pared tests (t, sgn, Wlcoxon) Testes de normaldade (Normalty tests) Qu^ (Ch^) Coefcente de varação (Coeffcent of varaton) Teste de Mann-Whtney (Mann-Whtney test)... 5 Kolmogorov-Smrnov Correlação ordnal/de rank (Rank/ordnal correlaton) Tabela de contngênca (Contngency table) ANOVA Un-fatoral (One-way ANOVA) ANOVA bfatoral (Two-way ANOVA) Kruskal-Walls Teste de Fredman (Fredman test) ANCOVA unfatoral (One-way ANCOVA)... 6 Estatístcas de sequênca genétca (Genetc sequence stats) Análse de sobrevvênca (curvas de Kaplan-Meer, teste log-rank etc) (Survval analyss (Kaplan-Meer curves, log-rank test etc.) Rscos / probabldades (Rsks / odds) Combnar erros (Combne errors) Multvar menu (Multvarada) Componentes prncpas (Prncpal components) Coordenadas prncpas (Prncpal coordnates) Escalonamento multdmensonal não-métrco (Non-metrc MDS) Análse de correspondênca (Correspondence analyss) Análse de correspondênca destendencada (Detrended correspondence analyss) Correspondênca canônca (Canoncal correspondence)

4 Análse de fator CABFAC (CABFAC factor analyss) Mínmos quadrados parcas de dos blocos (Two-block PLS) Seração (Seraton) Análse de agrupamento (Cluster analyss) Agrupamento de vznho (Neghbour jonng) Agrupamento por K-medas (K-means clusterng)... 8 Normaldade multvarada (Multvarate normalty) Dscrmnantes (Dscrmnant)/Hotellng Hotellng pareado (Pared hotellng) Permutação de dos grupos (Two-group permutaton) M de Box (Box s M) MANOVA/CVA ANOSIM unfatoral (One-way ANOSIM) ANOSIM bfatoral (Two-way ANOSIM) NPMANOVA unfatoral (One-way NPMANOVA)... 9 NPMANOVA bfatoral (Two-way NPMANOVA) Teste de Mantel (Mantel test) e teste parcal de Mantel (partal Mantel test) SIMPER Calbração a partr de CABFAC (Calbraton from CABFAC) Calbração a partr de ótmos (Calbraton from optma) Técnca de Análogo Moderno (Modern Analog Tecnhque) Model menu (Modelagem) Lnear Lnear, uma ndependente, n dependentes (regressão multvarada) (Lnear, onde ndependent, n dependent (multvarate regresson)) Lnear, n ndependentes, uma dependente (regressão múltpla) (Lnear, n ndependent, one dependente (multple regresson)) Lnear, n ndependentes, n dependentes (regressão múltpla multvarada) (Lnear, n ndependent, n dependent (multvarate multple regresson) Regressão polnomal (Polynomal regresson) Regressão snusodal (Snusodal regresson) Logstc / Bertalanffy / Mchaels-Menten / Gompertz Modelo Lnear Generalzado (Generalzed Lnear Model) Alsamento polnomal (Smoothng splne) Alsamento LOESS (LOESS smoothng) Análse de mstura (Mxture analyss) Modelos de abundânca (Abundance models) Empacotamento de espéces (Gaussano) (Speces packng (Gaussan)) Espral logarítmca (Logarthmc spral) Dversty menu (Dversdade) Índces de dversdade (Dversty ndces) Rqueza quadrátca ou por parcela (Quadrat rchness) Dversdade beta (Beta dversty) Dstnção taxonômca (Taxonomc dstnctness)... 1 Rarefação ndvdual Rarefação por amostra (Sample rarefacton) (Mao tau)

5 Análse SHE (SHE analyss) Comparar dversdades (Compare dverstes) Teste t de dversdade (Dversty t test) Perfs de dversdade (Dversty profles) Tme seres menu (Séres temporas) Análse espectral (Spectral analyss) Análse espectral REDFIT (REDFIT spectral analyss) Análse espectral de afunlamento múltplo (Multtaper spectral analyss) Autocorrelação (Autocorrelaton) Correlação cruzada (Cross-correlaton) Autoassocação (Autoassocaton) Wavelet (Wavelet transform) Transformação de Fourer de tempos curtos (Short-tme Fourer transform) Transformação de Walsh (Walsh transform) Runs test ( teste de séres ) Correlograma (e perodograma) de Mantel (Mantel correlogram (and perodogram) 141 ARMA (e análse de ntervenção) (ARMA (and nterventon analyss)) Modelo de nsolação (forçamento solar) (Insolaton (solar forcng) model) Eventos pontuas (Pont events) Cadea de Markov (Markov chan) Fltrar (Flter) Suavzadores smples (Smple smoothers) Conversão de data/tempo (Date/tme converson) Geometrcal menu Dreções uma amostra (Drectons one sample) Dreções duas amostras (Drectons two samples) Correlações crculares (Crcular correlatons) Esférco uma amostra (Sphercal one sample) Análse de vznho mas próxmo do padrão de pontos (Nearest neghbour pont pattern analyss) Análse do padrão de pontos pelo K de Rpley (Rpley s K pont pattern analyss) Densdade Kernel (Kernel densty) Alnhamento de pontos (Pont algnments) Autocorrelação espacal I de Moran (Spatal autocorrelaton Moran s I) Grdagem nterpolação espacal (Grddng spatal nterpolaton) Transformação de coordenadas (Coordnate transformaton) Alometra multvarada (Multvarate allometry) Forma de Fourer D (Fourer shape D) Análse elíptca de forma de Fourer (Ellptc Fourer shape analyss) Análse Hangle de forma de Fourer (Hangle Fourer shape analyss) Análse de autoforma (Egenshape analyss) Polnômos de placa fna e deformações (Thn-plate splnes and warps) Deformações relatvas (Relatve warps) Tamanho a partr de pontos de referênca D ou 3D (Sze from landmarks D or 3D)

6 Dstânca a partr de pontos de referênca D ou 3D (Dstance from landmarks D or 3D) Todas as dstâncas a partr de pontos de referênca EDMA (All dstances from landmarks EDMA) Lgação de pontos de referênca (Landmark lnkng) Strat menu Assocações untáras (Untary assocatons) Ranqueamento-Escalonamento (Rankng-Scalng) CONOP (Otmzação Restrta) Ordenação de Eventos de Aparecmento (Appearance Event Ordnaton Curva de dversdade (Dversty curve) Intervalos de confança de extensão (Range confdence ntervals) Intervalos de confança da extensão lvres de dstrbução (Dstrbuton-free range confdence ntervals) Dagrama de carretel (Spndle dagram) Cladstcs Análse de parcmôna (Parsmony analyss)

7 Bem-Vnda(o) ao PAST! Este programa fo ncalmente desenvolvdo como uma sequênca do PALSTAT, um pacote para análse de dados paleontológcos que fo escrto por P. D. Ryan, D. A. T. Harper e J. S. Whalley (Ryan et al. 1995). Através de um desenvolvmento contínugo ao longo de mas de dez anos, o PAST cresceu e se tornou um pacote estatístco abrangente, usado não só por paleontólogos, mas também em mutas áreas das cêncas da vda, cêncas da terra e até mesmo engenhara e economa. Explcações mas detalhadas de mutas das técncas mplementadas juntamente com estudos de caso podem ser encontradas em Harper (1999). Além dsso, o lvro Palaeontologcal Data Analyss (Hammer & Harper 005) pode ser vsto como um lvro-companhero do PAST. Se você tver perguntas, relatos de defetos no programa (bugs), sugestões para melhoras ou outros comentáros, nós fcaríamos felzes em ouvr você. Contacte-nos em Para relatos de defetos no programa, lembre-se de mandar os dados usados, como salvos pelo PAST, juntamente com uma descrção completa das ações que levaram ao problema. A últma versão do PAST, juntamente com a documentação e um lnk para a lsta de emals do PAST, podem ser encontrados em Nós seremos gratos se você ctar o PAST em publcações centífcas. A referênca ofcal é Hammer et al. (001). Referêncas Hammer, Ø. & Harper, D.A.T Paleontologcal Data Analyss. Blackwell. Hammer, Ø., Harper, D.A.T., and P. D. Ryan, 001. PAST: Paleontologcal Statstcs Software Package for Educaton and Data Analyss. Palaeontologa Electronca 4(1): 9pp. Harper, D.A.T. (ed.) Numercal Palaeobology. John Wley & Sons. 7

8 Instalação Instalar o PAST é fácl: apenas baxe o arquvo Past.exe e coloque-o em qualquer lugar do seu dsco rígdo. Clcando duas vezes no arquvo va abrr o programa. O Wndows rá consderar sso uma quebra de segurança e perguntar se você confa no provedor do programa. Se você quser usar o programa, terá que responder que sm. Nós sugermos que você cre uma pasta chamada PAST em qualquer lugar do seu dsco rígdo e coloque nela todos os arquvos. Note: Foram relatados alguns problemas referentes a tamanhos de fonte dferentes do padrão usados por defnção (non-standard default font sze) no Wndows o usuáro pode ter que aumentar o tamanho das janelas para ver todo o texto e botões. Caso sto aconteça, por favor ajuste o tamanho da fonte para Small fonts ( fontes pequenas ) no panel Controle de tela (Screen control) do Wndows. Ao sar do PAST, um arquvo chamado pastsetup será automatcamente colocado na sua pasta de usuáro (por exemplo Meus documentos no Wndows 95/98). Este arquvo contém os últmos dretóros de arquvos que foram usados. A ausênca de uma nstalação formal para o Wndows é ntenconal, permtndo nstalar o PAST sem ter prvlégos de admnstrador. 8

9 A planlha e o menu Edt (Edtar) O PAST tem uma nterface de usuáro em formato de planlha. Dados são nserdos como uma matrz de células, organzada em lnhas (horzontalmente) e colunas (vertcalmente). Inserndo dados Para nserr dados em uma célula, clque na célula com o mouse e dgte os dados. Isto só é possível quando o programa está no Edt mode ( Modo de edção ). Para seleconar o modo de edção, marque a caxa Edt mode acma da matrz. Quando o modo de edção estver deslgado, a matrz é bloqueada e os dados não podem ser alterados. Também é possível navegar pelas células com as teclas de seta. Qualquer texto pode ser nserdo nas células, mas a maor parte das funções espera números. Tanto a vírgula (,) quanto o ponto (.) são nterpretados como separadores decmas. Dados de presença/ausênca são codfcados como 0 e 1, respectvamente. Qualquer outro número postvo será nterpretado como presença. Matrzes de presença/ausênca podem ser vsualzadas como quadrados pretos para presença ao escolher a opção Square mode ( Modo de quadrados ) acma da matrz. Dados de sequêncas genétcas são codfcados por C, A, G, T e U (letras mnúsculas também são acetas). Dados ausentes (mssng data) são codfcados por pontos de nterrogação (? ) ou pelo valor -1. A não ser que a documentação para uma função fale explctamente que há suporte para dados faltantes, a função não va ldar corretamente com os dados ausentes, então tome cudado. A convenção no PAST é que tens ocupam lnhas e varáves ocupam colunas. Três ndvíduos de Brachopoda podem então ocupar as lnhas 1, e 3, com seus comprmentos e larguras nas colunas A e B. Análse de agrupamento (cluster) sempre va agrupar tens, ou seja, lnhas. Para análse de assocação de modo Q (Q-mode analyss of assocaton), amostras (sítos) devem ser nserdas nas lnhas e os táxons (espéces) nas colunas. Para alternar entre modos Q e R, lnhas e colunas podem ser faclmente ntercambadas usando a operação Transpose (transpor). Seleconando áreas A maor parte das operações no PAST só é feta em uma área da matrz que você tenha escolhdo (marcado). Se você precsar rodar uma função que requer dados e nenhuma área estver seleconada, você receberá uma mensagem de erro. Embora o plural de táxon seja taxa, traduz como táxons para evtar confusões com taxas no sentdo de frequênca. (NT) 9

10 Uma lnha é seleconada clcando-se no rótulo de lnha (row label, a coluna da extrema esquerda). Uma coluna é seleconada clcando-se no rótulo de coluna (column label, a lnha superor). Lnhas múltplas são seleconadas clcando no rótulo da prmera lnhas, segurando a tecla Shft e clcando nos rótulos das lnhas adconas. Note que você não pode seleconar as lnhas clcando e arrastando sso va mover a prmera coluna (veja abaxo). Colunas múltplas são seleconadas de modo smlar, segurando Shft e clcando nos rótulos das colunas adconas. A matrz ntera pode ser seleconada clcando no canto superor esquerdo da matrz (a célula cnza vaza) ou escolhendo a opção Select all ( Seleconar tudo ) no menu Edt (Edtar). Áreas menores dentro da matrz podem ser seleconadas clcando e arrastando, mas sso só funcona quando o modo de edção (Edt mode) está deslgado. Importante: Infelzmente, não é possível escolher váras colunas que não sejam vznhas. Isso quer dzer que caso você quera, por exemplo, rodar uma análse apenas na prmera e tercera coluna, você prmero terá que mover as colunas para que elas fquem juntas. Movendo uma lnha ou uma coluna Uma lnha ou uma coluna (nclundo o seu rótulo) pode ser movda smplesmente clcando no rótulo e arrastando para uma nova posção. Renomeando lnhas e colunas Quando o PAST nca, as lnhas são numeradas de 1 a 99 e as colunas de A a Z. Para a sua própra referênca e para uma rotulagem aproprada dos gráfcos, você devera dar às lnhas e colunas nomes mas descrtvos mas anda assm curtos. Selecone a opção Rename columns ( Renomear colunas) ou Rename rows ( Renomear lnhas ) no menu Edt (Edtar). Você deve seleconar a matrz ntera ou uma área menor, como for aproprado. Uma outra forma é escolher a opção Edt labels ( Edtar rótulos ) acma da planlha. A prmera lnha e a prmera coluna agora podem ser edtadas como o resto das células. Aumentando o tamanho da matrz Por defnção, o PAST tem 99 lnhas e 6 colunas. Caso você precse de mas, você pode adconar lnhas ou colunas escolhendo as opções Insert more rows ( Inserr mas lnhas ) ou Insert more columns ( Inserr mas colunas ) no menu Edt (Edtar). Lnhas/colunas serão nserdas depos da área marcada ou abaxo/à dreta da matrz se nenhuma área estver seleconada. Lnhas e/ou colunas são adconadas automatcamente quando um conjunto de dados grande é carregado. 10

11 Recortar, copar, colar As opções para recortar, copar e colar são encontradas no menu Edt (Edtar). Você pode recortar/copar dados da planlha do PAST e os colar em outros programas, por exemplo Word e Excel. Smlarmente, dados de outros programas podem ser colados na planlha do PAST, contanto que estejam em formato de texto separado por tabulações. Lembre-se que blocos locas de dados (sem serem todas as lnhas ou colunas) só podem ser marcadas quando o modo de edção ( Edt mode ) está deslgado. Todos os módulos com output gráfco possuem um botão Copar gráfco ( Copy graphc ). Este rá colocar a magem do gráfco na área de colagem de modo que ele possa ser colado em outros programas, por exemplo um programa de desenho para edção da magem. Gráfcos são copados no formato Enhanced Metafle Format (EMF) no Wndows. Isso permte a edção de elementos ndvduas da magem em outros programas. Ao colar o gráfco no Coreldraw, você precsa escolher Colar especal ( Paste specal ) no menu Edtar e escolher Enhanced metafle. Alguns programas podem ter formas dossncrátcas de nterpretar magens EMF cudado com cosas engraçadas acontecendo. Remover A função remover (remover) no menu Edt (Edtar) permte que você remova da planlha a(s) lnha(s) ou coluna(s) escolhda(s). A área removda não é copada para a área de colagem. Agrupando (colorndo) colunas Lnhas (pontos com dados) podem ser colordas com uma dentre 16 cores atraentes, usando a opção Row color/symbol ( Cor/símbolo de lnha ) no menu Edt. Cada grupo é também assocado a um símbolo (ponto, X, quadrado, damante, +, círculo, trângulo, lnha, barra, círculo cheo, estrela, oval, trângulo cheo, trângulo nvertdo, trângulo nvertdo cheo, damante cheo). Isso é útl para mostrar dferentes conjuntos de dados nos gráfcos e é necessáro para uma sére de métodos de análse. Importante: Para métodos que requerem agrupamento de lnhas por meo de cores, as lnhas que pertencem ao mesmo grupo precsam ser consecutvas. Se são necessáros mas de 16 grupos, as cores podem ser reutlzadas. No exemplo abaxo, três grupos foram marcados corretamente. 11

12 A opção Numbers to colors ( Números para cores ) no menu Edt permte que números 1-16 em uma coluna seleconada atrbuam a cor (símbolo) correspondente às colunas. Escolhendo tpos de dados para as colunas As colunas seleconadas podem ser marcadas com um tpo de dado (contínuo/nãoespecfcado, ordnal, nomnal ou bnáro contnuous/unspecfed, ordnal, nomnal or bnary) usando a opção Column data types ( Tpos de dados da coluna ) no menu Edt. Isto só é necessáro se você deseja utlzar meddas mstas de smlardade/dstânca. Remover lnhas/colunas não-nformatvas Remove unnformatve rows/columns Lnhas ou colunas podem ser não-nformatvas especalmente no que dz respeto às análses multvaradas. Alguns tpos podem ser buscados e removdos: lnhas ou colunas apenas com zeros, lnhas ou colunas apenas com dados ausentes (? ) e lnhas ou colunas com apenas uma célula dferente de zero (sngletons). Transpor - Transpose A função Transpose (Transpor), no menu Edt, rá ntercambnar lnhas e colunas. Isto é usado para alternar entre modos R e Q nas análses de agrupamento (cluster), componentes prncpas (prncpal components analyss) e seração (seraton). 1

13 Colunas agrupadas para dados multvarados Grouped columns to multvar Converte de um formato com dados multvarados apresentados em grupos consecutvos de N colunas para o formato do PAST, com um tem por lnha e todas as varáves (varates) ao longo das colunas. Para N=, dos espéces e quatro varáves a-d, a conversão é de a 1 b 1 a b c 1 d 1 c d para a 1 b 1 c 1 d 1 a b c d Lnhas agrupadas para multvarado Grouped rows to multvar Converte de um formato em que tens são apresentados em grupos consecutvos de N lnhas para o formato do PAST, com um tem por lnha e todas as varadas (varates) ao longo das colunas. Para N=, dos espéces e quatro varáves a-d, a conversão é de a 1 b 1 c 1 d 1 a b c d para a 1 b 1 c1 d 1 a b c d Emplhar lnhas agrupadas em colunas Stack colored rows nto columns Emplha horzontalmente grupos colordos ao longo das colunas. Isso pode ser útl, por exemplo, para efetuar estatístca unvarada em pares de colunas entre grupos. Eventos para amostras Events to samples (RASC to UA) Espera uma matrz de dados com seções/poços em lnhas e táxons em colunas, com valores de FAD e LAD em colunas alternando (ou seja, duas colunas por táxon). Converte para o formato de presença/ausênca de Assocações Untáras (Untary Assocatons) com seções em grupos de lnhas, amostras em lnhas e táxons em colunas. 13

14 Carregando e salvando dados A função Open ( Abrr ) se encontra no menu Fle (Arquvo). Você também pode arrastar um arquvo da área de trabalho (desktop) para dentro da janela do PAST. O PAST utlza um formato de texto fácl de mportar de outros programas, como segue:. rótulo_de_coluna rótulo_de_coluna rótulo_de_coluna rótulo_de_lnha dados dados dados rótulo_de_lnha dados dados dados rótulo_de_lnha dados dados dados Células vazas (como a célula do topo à esquerda) são codfcadas com um ponto (.). Células são separadas por espaço em branco. Se uma célula contém caracteres de espaço, ela precsa ser envolta em colchetes duplos, por exemplo Argla de Oxford. Caso a alguma célula tenha sdo atrbuída uma cor dferente do preto, o rótulo da lnha no arquvo va começar underlne, um número de 0 a 15 ndcando a cor (símbolo), e outro underlne. Caso a alguma coluna de dados tenha sdo atrbuído um formato que não seja o contínuo/não-especfcado (contnuous/unspecfed), os rótulos das colunas no arquvo rão smlarmente começar com um underlne, um número de 0 a 3 dentfcando o tpo de dados (0=contúnuo/não-especfcado, 1=ordnal, =nomnal, 3=bnáro), e um segundo underlne. Adconalmente a este formato, o PAST também consegue detectar e abrr arquvos nos seguntes formatos: Excel (apenas a prmera planlha) Nexus (veja abaxo), popular em Sstemátca formato TPS desenvolvdo por Rohlf. Os campos landmark, outlnes, curves, d, scale e comentáro têm suporte, os outros campos são gnorados NTSYS. Tabelas múltplas e árvores não têm suporte. O arquvo precsa ter a extensão.nts. formato de sequênca molecular FASTA, especfcação smplfcada de acordo com NCBI. formato de sequênca molecular PHYLIP. O arquvo precsa ter a extensão.phy. formato de sequênca molecular Arlequn. Para dados de genótpo os dos haplótpos são concatenados para uma únca lnha. Nem todas as opções têm suporte. formato BoGraph para boestratgrafa (formatos SAMPLES e DATUM). Se um segundo arquvo com o mesmo nome e a extensão.dct for encontrado, ele será ncluído como um dconáro do BoGraph. formato RASC para boestratgrafa. Você precsa abrr o arquvo.dat. O programa espera arquvos.dic e.dep correspondentes no mesmo dretóro. formato CONOP para boestratgrafa. Você precsa abrr o aquvo.dat (log fle). O programa espera arquvos.evt (event) e.sct (secton) correspondentes no mesmo dretóro. 14

15 A função Insert from fle ( Inserr do arquvo ) é útlo para concatenar conjuntos de dados. O arquvo carregado será nserdo na sua planlha exstente na posção escolhda (esquerda superor). Importando dados do Excel Cope do Excel e cole dentro do PAST. Note que se você quser que a prmera lnha e coluna sejam copadas nas células de rótulos do PAST, você precsa dexar a opção Edt labels ( Edtar rótulos ) lgada. Ou, abra o arquvo do Excel pelo PAST. A opção Edt labels opera do mesmo modo. Ou, dexe a prmera célula no Excel com um únco ponto (.) e salve como texto separado por tabulações (tab-separated text) no Excel. O arquvo resultante pode ser aberto dretamente pelo PAST. Lendo e escrevendo arquvos Nexus O formato de arquvo Nexus é usado por mutos programas de sstemátca. PAST consegue ler e escrever os blocos de Dados (matrz de caracteres) do formato Nexus. Também há suporte para nterleaved data. Além dsso, caso você tenha realzado uma análse de parsmôna e a janela Parsmony analyss se encontra aberta, todas as árvores mas curtas serão ncluídas no arquvo Nexus para processamento adconal em outros programas (e.g. MacClade ou Paup). Note que no momento não há suporte para todas as opções do Nexus. Importando arquvos de texto Arquvos de texto separados por espaços em branco, tabulações ou vírgulas pode ser ldos usando a opção Import text fle ( Importar arquvo de texto ) no menu Fle. A planlha na janela lustra o formato do arquvo a ser aberto como especfcado pela caxas de verfcação (check boxes). 15

16 Contador Counter Uma função de contagem (counter functon) está dsponível no menu Edt para usar, por exemplo, no mcroscópo durante a contagem de fósses de dferentes táxons. Uma únca lnha (amostra) deve ser seleconada. Uma janela de contagem rá abrr com um número de contadores, um para cada coluna (táxon) seleconada. Os contadores serão ncalzados com os rótulos das colunas e qualquer contagem que já esteja presente na planlha. Ao fechar a janela do contador, os valores na planlha serão atualzados. Conte para cma (+) ou para baxo (-) com o mouse, ou para cma com as teclas 0-9 e a-z (apenas os prmeros 36 contadores). As barras representam a abundânca relatva. Um regstro (log) de eventos é fornecdo à dreta role para cma ou para baxo com o mouse ou as setas do teclado. Um feedback audtvo opconal tem um tom específco para cada contador. 16

17 Transform menu (Transformações de dados) Estas rotnas realzam operações matemátcas nos seus dados. Isso pode ser necessáro para exbr algumas característcas dos dados ou pode ser um passo pré-processamento necessáro para algumas análses. Logartmo A função Log no menu Transform transforma os seus dados em logartmos na base 10. Caso os dados apresentam zeros ou valores negatvos, pode ser necessáro adconar uma constante (e.g. 1) antes da transformação em log (use Evaluate Expresson x+1). Isso é útl, por exemplo, para comparar a sua amostra com uma dstrbução log-normal ou para encaxar um modelo exponencal. Além dsso, dados de abundânca com alguns táxons muto domnantes podem ser transformados em logartmo para reduzr a mportânca desses táxons. Há suporte para dados ausentes (mssng data). Remover tendênca remove trend Esta função remove qualquer tendênca lnear de um conjunto de dados (duas colunas com pares X-Y ou uma coluna com valores do Y). Isso é feto subtrando-se uma regressão lnear dos valores de Y. Remover tendêncas pode ser uma operação préva útl para análses de seres temporas, por exemplo análse espectral (spectral analyss), autocorrelação e correlação cruzada, e ARMA. Há suporte para dados ausentes. Subtrar méda Subtract mean Esta função subtra, de cada coluna seleconada, o valor da méda da coluna As médas não podem ser calculadas por lnha. Há suporte para dados ausentes. Box-Cox A transformação de Box-Cox é uma famíla de transformações de potênca cujo objetvo é tornar os dados x mas smlares a uma dstrbução normal. A transformação tem um parâmetro λ: λ x 1 λ ln λ λ λ

18 O valor-padrão do parâmetro é calculado maxmzando a função de log-verossmlhança (lok lkelhood functon) onde σ λ é a varânca dos dados transformados. O valor ótmo pode ser mudado pelo usuáro, estando lmtado a -4 λ 4. Há suporte para dados ausentes. Porcentagem de lnhas Row percentage Todos os valores são convertdos em porcentagem da somatóra da lnha. Há suporte para dados ausentes. Normalzar comprmento por lnha Row normalze length Todos os valores são dvddos pelo comprmento Eucldeano do vetor da lnha. Há suporte para dados ausentes. Abundânca para presença/ausênca Abundance to presence/absence Todos os valores postvos (dferentes de zero) são substtuídos por 1 s. Há suporte para dados ausentes. Ecaxe de Procrustes Procrustes fttng Transforma suas meddas de coordenadas de pontos em coordenadas Procrustes. Há uma opção no menu para coordenadas de Booksten. Espéces vão em lnhas dferentes e pontos de referênca (landmarks) ao longo de cada lnha. Se você tem três espéces com quatro pontos de referênca em D, o seus dados devem ter a segunte aparênca: x1 y1 x y x3 y3 x4 y4 x1 y1 x y x3 y3 x4 y4 x1 y1 x y x3 y3 x4 y4 Dados 3D são nserdos de forma smlar mas com colunas adconas para os valores de z. Dados de pontos de referênca (landmarks) neste formato podem ser analsados dretamente com os métodos multvarados do PAST, mas é recomendado padronzar para coordenadas Procrustes ao remover posção, tamanho e rotação. Uma transformação adconal dos resíduos Procrustes (coordenadas aproxmadas no espaço tangente approxmate tangent space coordnates) pode ser feta escolhendo a opção Subtract mean ( Subtrar méda ) no menu Transform. Você precsa prmero converter para coordenadas Procrustes para depos converter para resíduos Procrustes. 18

19 A opção Rotate to major axs ( Rotaconar para o exo prncpal ) coloca o resultado em uma orentação convenconal, por convenênca. A opção Keep sze ( Manter tamanho ) adcona um passo fnal no qual a escala das formas é transformada de modo que elas voltem aos tamanhos orgnas dos seus centródes. Uma descrção detalhada do coordenadas Procrustes e de espaço tangete é dada em Dryden & Marda (1998). Os algortmos para o encaxe Procrustes são de Rohlf & Slce (1990) (D) e de Dryden & Marda (1998) (3D). Deve ser notado que para D, o algortmo teratvo de Rohlf & Slce (1990) frequentemente dá resultados lgeramente dferentes do algortmo dreto de Dryden & Marda (1998). O PAST usa o prmero para segur o padrão ndustral. Dados ausentes têm suporte apenas por substtução pela méda da coluna, o que pode não ser muto sgnfcatvo. Referêncas Dryden, I.L. & K.V. Marda Statstcal Shape Analyss. Wley. Rohlf, F.J. & Slce, D Extensons of the Procrustes method for the optmal supermposton of landmarks. Systematc Zoology 39: Encaxe de Booksten (Booksten fttng) O encaxe de Booksten tem uma função smlar ao encaxe Procrustes, mas ele smplesmente padronza tamanho, rotação e escala forçando os dos prmeros pontos de referênca para as coordenadas (0,0) e (0,1). Seu uso não é comum hoje em da. Encaxe de Booksten só é mplementado para D. Projetar para espaço tangente Depos de encaxe Procrustes ou Booksten, alguns procedmentos estatístcos são realzados de preferênca em coordenadas no espaço tangente (normalmente sso não faz nenhuma dferença, mas não nos cte para falar sso!). Sendo d o número de dmensões e p o número de pontos de referênca (landmarks), a projeção é Aqu, X é a matrz n x dp de n espécmes, X é a matrz transformada, I é a matrzdentdade dp x dp e X c é a confguração méda (consenso) como um vetor de lnha dpelemento (dp-element row vector). Remover tamanho de pontos de referênca (Remove sze from landmarks) A opção Remover tamanho de pontos de referênca ( Remove sze from landmarks ) do menu Transform lhe permte remover o tamanho ao dvdr o valor de todas as coordenadas pelo tamanho do centróde (centrod sze) de cada espécme (coordenadas Procrustes também são normalzadas em relação ao tamanho). Veja Dryden & Marda (1998), p Referênca Dryden, I. L. & K. V. Marda Statstcal Shape Analyss. Wley. 19

20 Transformar pontos de referênca (Transform landmarks) Permte rotação da nuvem de pontos em passos de 90 graus e espelhamento de cma para baxo e de esquerda para dreta, prncpalmente para facltar a plotagem. A operação de espelhamento pode ser útl para reduzr dados de um ponto de referênca com smetra blateral por meo de um encaxe de Procrustes da regão esquerda à versão espelhada da regão dreta (e opconalmente calculando a méda dos dos). Apenas para coordenadas D. Remover tamanho de dstâncas (Remove sze from dstance) Tenta remover o compomente de tamanho de um conjunto de dados multvarados de dstâncas meddas (espécmes em lnhas, varáves em colunas). Três métodos são dsponíves. Método sométrco de Burnaby (Isometrc Burnaby s method) projeta o conjunto de dstâncas meddas em um espaço ortogonal ao prmero componente prncpal. O método de Burnaby pode (mas não necessaramente!) remover tamanho sométrco dos dados, permtndo análses futuras de dados lvres de tamanho ( sze-free ). Repare que a mplementação no PAST não centra os dados dentro dos grupos ela assume que todos os espéces (colunas) pertencem a um grupo. Método alométrco de Burnaby (Allometrc Burnaby s method) transformará os dados em logartmo antes da projeção, assm (teorcamente) removendo dos dados também a varação alométrca dependente de tamanho. Alométrco vs. padrão (Allometrc vs. standard) estma coefcentes alométrcos no que dz respeto a uma medda padrão (de referênca) L tal como o comprmento total (Ellott et al. 1995). Esta varável padrão deve ser colocada na prmera coluna. Cada uma das colunas adconas é regredda para a prmera coluna depos de transformação em logartmo, fornecendo a nclnação (coefcente alométrco) b para aquela varável. Uma medda ajustada é então calculada do valor orgnal M como b L M adj = M L Referênca Ellott, N.G., K. Haskard & J.A. Koslow Morphometrc analyss of orange roughy (Hoplostethus atlantcus) off the contnental slope of southern Australa. Journal of Fsh Bology 46:0-0. Ordenar crescente e decrescente (Sort ascendng and descendng) Ordena as lnhas na área marcada com base nos valores na coluna seleconada. A função Ordenar decrescente ( Sort descendng ) é útl, por exemplo, para plotar abundânca de táxons contra seus ranks (sso também pode ser feto no módulo Modelo de Abundânca (Abundance Model)). 0

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

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

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

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

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

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

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

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema

Leia mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas

Leia 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

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

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

Fast Multiresolution Image Querying

Fast Multiresolution Image Querying Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta

Leia mais

Controle Estatístico de Qualidade. Capítulo 8 (montgomery)

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

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas

Leia mais

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

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar? Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda

Leia mais

PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS

PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,

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

ESPELHOS E LENTES ESPELHOS PLANOS

ESPELHOS E LENTES ESPELHOS PLANOS ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem

Leia mais

Probabilidade e Estatística. Correlação e Regressão Linear

Probabilidade e Estatística. Correlação e Regressão Linear Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o

Leia mais

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

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

IV - Descrição e Apresentação dos Dados. Prof. Herondino

IV - Descrição e Apresentação dos Dados. Prof. Herondino IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser

Leia mais

Hansard OnLine. Guia Unit Fund Centre

Hansard OnLine. Guia Unit Fund Centre Hansard OnLne Gua Unt Fund Centre Índce Págna Introdução ao Unt Fund Centre (UFC) 3 Usando fltros do fundo 4-5 Trabalhando com os resultados do fltro 6 Trabalhando com os resultados do fltro Preços 7 Trabalhando

Leia mais

Covariância e Correlação Linear

Covariância e Correlação Linear TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF) PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra

Leia mais

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

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria Unversdade do Estado do Ro de Janero Insttuto de Matemátca e Estatístca Econometra Revsão de modelos de regressão lnear Prof. José Francsco Morera Pessanha professorjfmp@hotmal.com Regressão Objetvo: Estabelecer

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

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

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

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

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

MAPEAMENTO DA VARIABILIDADE ESPACIAL

MAPEAMENTO DA VARIABILIDADE ESPACIAL IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Escola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000)

Escola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000) Internet: http://rolvera.pt.to ou http://sm.page.vu Escola Secundára Dr. Ângelo Augusto da Slva Matemátca.º ano Números Complexos - Exercícos saídos em (Exames Naconas 000). Seja C o conjunto dos números

Leia mais

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG 1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o

Leia mais

Elaboração: Fevereiro/2008

Elaboração: Fevereiro/2008 Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras

Leia mais

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

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis. EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve

Leia mais

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

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

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecnologa de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 7. GRÁFICOS DE INFORMAÇÕES São grácos tpcamente epostvos destnados, prncpalmente, ao públco em geral, objetvando

Leia mais

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

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações. 1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação

Leia mais

Caderno de Exercícios Resolvidos

Caderno de Exercícios Resolvidos Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B

Leia mais

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

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

Análise Fatorial F 1 F 2

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

Leia mais

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

2 ANÁLISE ESPACIAL DE EVENTOS

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

Leia mais

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

Estatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira

Estatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira MATERIAL DIDÁTICO Medcna Veternára Faculadade de Cêncas Agráras e Veternáras Campus de Jabotcabal SP Gener Tadeu Perera º SEMESTRE DE 04 ÍNDICE INTRODUÇÃO AO R AULA ESTATÍSTICA DESCRITIVA 3 º EXERCÍCIO

Leia mais

Elaboração: Novembro/2005

Elaboração: Novembro/2005 Elaboração: Novembro/2005 Últma atualzação: 18/07/2011 Apresentação E ste Caderno de Fórmulas tem por objetvo nformar aos usuáros a metodologa e os crtéros de precsão dos cálculos referentes às Cédulas

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

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

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

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

Leia mais

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

7. Resolução Numérica de Equações Diferenciais Ordinárias

7. Resolução Numérica de Equações Diferenciais Ordinárias 7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem

Leia mais

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

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

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

Leia mais

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

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

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001 Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)

Leia mais

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

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 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 métodos

Leia mais

são os coeficientes desconhecidos e o termo ε (erro)

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

Leia mais

Clusterização ou Agrupamento de Dados

Clusterização ou Agrupamento de Dados Resumo da Aula Clusterzação ou Agrupamento de Dados Stanley R. M. Olvera Clusterzação ou análse de agrupamentos: Concetos báscos e aplcações. Tpos de dados em clusterzação. Avalando a qualdade de clusters

Leia mais

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

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

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

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

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu

Leia mais

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos. Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas

Leia mais

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS

Leia 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

METROLOGIA E ENSAIOS

METROLOGIA E ENSAIOS METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade

Leia mais

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05 LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada

Leia mais

2 Máquinas de Vetor Suporte 2.1. Introdução

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

Leia mais

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

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

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

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 de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

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

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

Sinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.

Sinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS. Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só

Leia mais

Metodologia IHFA - Índice de Hedge Funds ANBIMA

Metodologia IHFA - Índice de Hedge Funds ANBIMA Metodologa IHFA - Índce de Hedge Funds ANBIMA Versão Abrl 2011 Metodologa IHFA Índce de Hedge Funds ANBIMA 1. O Que é o IHFA Índce de Hedge Funds ANBIMA? O IHFA é um índce representatvo da ndústra de hedge

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

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

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

Leia mais

Avaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe

Avaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em

Leia mais

Capítulo 24: Potencial Elétrico

Capítulo 24: Potencial Elétrico Capítulo 24: Potencal Energa Potencal Elétrca Potencal Superfíces Equpotencas Cálculo do Potencal a Partr do Campo Potencal Produzdo por uma Carga Pontual Potencal Produzdo por um Grupo de Cargas Pontuas

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

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

www.obconcursos.com.br/portal/v1/carreirafiscal www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,

Leia mais

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

PRODUTIVIDADE DO CAFÉ EM MINAS GERAIS: UMA ANÁLISE ESPACIAL

PRODUTIVIDADE DO CAFÉ EM MINAS GERAIS: UMA ANÁLISE ESPACIAL PRODUTIVIDADE DO CAFÉ EM MINAS GERAIS: UMA ANÁLISE ESPACIAL EDUARDO SIMÕES DE ALMEIDA; GISLENE DE OLIVEIRA PACHECO; ANA PAULA BENTO PATROCÍNIO; SIMONE MOURA DIAS; FEA/UFJF JUIZ DE FORA - MG - BRASIL edu_smoes@hotmal.com

Leia mais

Aula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014

Aula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014 Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca

Leia mais

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

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

Leia mais

Motores síncronos. São motores com velocidade de rotação fixa velocidade de sincronismo.

Motores síncronos. São motores com velocidade de rotação fixa velocidade de sincronismo. Motores síncronos Prncípo de funconamento ão motores com velocdade de rotação fxa velocdade de sncronsmo. O seu prncípo de funconamento está esquematzado na fgura 1.1 um motor com 2 pólos. Uma corrente

Leia mais

Cálculo do Conceito ENADE

Cálculo do Conceito ENADE Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação

Leia mais

Associação de resistores em série

Associação de resistores em série Assocação de resstores em sére Fg.... Na Fg.. está representada uma assocação de resstores. Chamemos de I, B, C e D. as correntes que, num mesmo nstante, passam, respectvamente pelos pontos A, B, C e D.

Leia mais

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

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

4.1. Medidas de Posição da amostra: média, mediana e moda

4.1. Medidas de Posição da amostra: média, mediana e moda 4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x

Leia mais

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M. Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta

Leia mais

PROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC)

PROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC) PROBLEMS SOBRE PONTOS Dav Máxmo (UFC) e Samuel Fetosa (UFC) Nível vançado Dstrbur pontos num plano ou num espaço é uma tarefa que pode ser realzada de forma muto arbtrára Por sso, problemas sobre pontos

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Laminectomia e liberação

Laminectomia e liberação TÉCNICA CIRÚRGICA Lamnectoma e lberação 1 Abordagem crúrgca do dsco A abordagem do espaço ntervertebral é executada após a dentfcação do nível relatvo ao ntensfcador de magem. A técnca crúrgca usada para

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