UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA
|
|
- João Gabriel Casado Farinha
- 7 Há anos
- Visualizações:
Transcrição
1 10 UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA TÁCIA LORENA ALBINO DE OLIVEIRA UMA ANÁLISE ESTATÍSTICA DAS INCIDÊNCIAS DOS CÂNCERES DE BOCA E OROFARINGE EM NATAL/RN, ENTRE 1997 E 2004 Orientador: Prof. Dr.º Paulo Roberto Medeiros de Azevedo Natal/RN Novembro/2013
2 10 TÁCIA LORENA ALBINO DE OLIVEIRA UMA ANÁLISE ESTATÍSTICA DAS INCIDÊNCIAS DOS CÂNCERES DE BOCA E OROFARINGE EM NATAL/RN, ENTRE 1997 E 2004 Monografia apresentada à Banca Examinadora do Trabalho de Conclusão do Curso de Estatística, em cumprimento às exigências legais como requisito parcial à obtenção do título de Bacharel em Estatística. Orientador: Prof. Dr.º Paulo Roberto Medeiros de Azevedo Natal/RN Novembro/2013
3 Catalogação da Publicação na Fonte. UFRN / SISBI / Biblioteca Setorial Centro de Ciências Exatas e da Terra CCET. Oliveira, Tácia Lorena Albino de. Uma análise estatística das incidências dos cânceres de boca e orofaringe em Natal/RN, entre 1997 e 2004 / Tácia Lorena Albino de Oliveira. - Natal, f.: il. Orientador: Prof. Dr. Paulo Roberto Medeiros de Azevedo. Monografia (Graduação) Universidade Federal do Rio Grande do Norte. Centro de Ciências Exatas e da Terra. Departamento de Estatística. 1. Análise de regressão Monografia. 2. Estatística Monografia. 3. Correlação Monografia. 4. Câncer Monografia. 5. Incidência Monografia. 6. Orofaringe Monografia. I. Azevedo, Paulo Roberto Medeiros de. II. Título. RN/UF/BSE-CCET CDU:
4 10
5 10 Dedicatória À Deus, pelo conhecimento, sabedoria e paciência de cada dia, aos meus pais, Damião Oliveira (in memoriam) e Ivanilda Oliveira, que acreditaram que a educação é a base de qualquer ser humano e fizeram com que eu tivesse uma boa educação. Também pela dedicação, esforço e a ajuda constante da minha mãe, que está sendo minha razão de viver.
6 10 AGRADECIMENTOS O principal agradecimento é a Deus, por ter me iluminado e permitido que eu conseguisse concluir mais essa etapa em minha vida com sucesso. Outro agradecimento importante é a minha mãe e minha tia pelo incentivo diário e pelo apoio que tive sempre que precisei. Agradeço as minhas amigas de faculdade, que junto comigo, passamos noites e dias estudando, onde cada uma ajudava na dificuldade da outra, sempre dividindo o conhecimento. E os momentos de alegria e tristeza que vivemos durante o curso, havendo sempre uma troca mútua de companheirismo que sempre foi além dos portões da UFRN. Agradeço também ao meu namorado e amigos, que contribuíram com as mínimas, porém não menos importante coisas para a minha formação. Àqueles que compreenderam minha abstinência momentânea de sair para estudar, que me incentivaram a seguir no curso até o fim, quando tive perdas importantes na minha vida pessoal durante o curso e que solidariamente por muitas vezes pouparam a própria diversão para que eu pudesse me concentrar neste trabalho. E, por fim, agradeço aos professores do departamento de Estatística pelo aprendizado e conhecimento que adquiri, agradecendo principalmente ao professor Paulo Roberto por ter me orientado com indescritível paciência e dedicação, estando sempre presente quando precisei.
7 10 RESUMO Esse trabalho tem como interesse verificar a incidência de câncer de boca e orofaringe dos bairros da cidade de Natal nos anos de 1997 a 2004, sendo realizadas correlações das incidências com as taxas de alfabetização e com a renda familiar média dos bairros. Onde, inicialmente, foram calculadas as incidências de Câncer de Boca e Orofaringe, para o agrupamento dos bairros e a realização das correlações. Feito o estudo, foram utilizadas análises de regressões nos grupos em que foi observada uma correlação significativa da incidência dos cânceres de boca e de orofaringe, com as variáveis taxa de alfabetização e renda familiar média. No grupo formado por bairros de renda média e baixa foi obtida correlação significativa e negativa entre a renda familiar média e a incidência dos cânceres de boca e orofaringe. Palavras-chaves: Câncer, Estatística, Incidência, Orofaringe, Regressão, Correlação.
8 10 ABSTRACT This work is interesting to verify the incidence of oral and oropharyngeal cancer neighborhoods of the city Natal in the years 1997 to 2004, correlations of the implications being made with literacy rates and the average family income neighborhoods. Where were initially calculated the incidence of cancer of the mouth and oropharynx, for the grouping of neighborhoods and the realization of the correlations. Done the study, regression analyzes were used in groups where a significant correlation between the incidence of cancers of the mouth and oropharynx, with the variables literacy rate and average household income was observed. The group formed by neighborhoods of low and middle income was obtained and significant negative correlation between median household income and the incidence of cancers of the mouth and oropharynx. Keywords: Cancer, Statistic, Incidence, Oropharynx, Regression, Correlation.
9 10 LISTA DE ILUSTRAÇÕES Tabela 1 Grupo Tabela 2 Grupo Tabela 3 Grupo Gráfico 1 Boxplot da Incidência de cada grupo formado Tabela 4 Siglas para as variáveis Tabela 5 Resultado das correlações do Grupo Tabela 6 Resultado das correlações do Grupo Tabela 7 Resultado das correlações do Grupo Tabela 8 Resultado das correlações de todos os bairros de Natal Tabela 9 Regressão no grupo Gráfico 2 Representação gráfica dos resíduos no Grupo Tabela 10 Estimativa da população por bairro do município de Natal nos anos de 1997 à Tabela 11 Incidência da população por bairro do município de Natal nos anos de 1997 à
10 10 SUMÁRIO 1 INTRODUÇÃO OBJETIVOS OBJETIVO GERAL OBJETIVOS ESPECÍFICOS FUNDAMENTAÇÃO TEÓRICA ANÁLISE DE REGRESSÃO estimação DOS PARÂMETROS MÉTODO DOS MÍNIMOS QUADRADOS ANÁLISE RESIDUAL ANÁLISE DE AGRUPAMENTOS TÉCNICAS HIERÁRQUICAS AGLOMERATIVAS TÉCNICAS DE AGRUPAMENTO NÃO HIERÁRQUICAS ESTIMADOR BAYESIANO EMPÍRICO METODOLOGIA QUANTO AOS PROCEDIMENTOS RESULTADOS COMPOSIÇÃO DOS GRUPOS, COM RESPECTIVAS VARIÁVEIS, MÉDIA E DESVIOS PADRÕES ANÁLISES DE CORRELAÇÕES Matrizes de correlações, com respectivos p-valores Análises de correlações no Grupo Análises de correlações no Grupo Análises de correlações no Grupo Análises de correlações de todos os bairros ANÁLISE DE REGRESSÃO Análise de regressão no grupo CONSIDERAÇÕES FINAIS REFERÊNCIAS ANEXOS... 31
11 11 1 INTRODUÇÃO No mundo o câncer de boca ocupa o 5º lugar dentre os canceres que mais atingem a população, tendo os países da Ásia os mais atingidos por este tipo de câncer. No Brasil, o câncer de boca é considerado um dos cânceres mais comuns, afetando geralmente homens acima de 45 anos. Ainda no Brasil, este tipo de câncer vem ocupando o 5º lugar entre os cânceres mais atingidos pelo sexo masculino e o 8º entre o sexo feminino. No ano de 2005 foram registrados casos de câncer de boca no Brasil, sendo (75%) homens atingidos por essa doença 1. Já no ano de 2012 foram registrados casos de câncer de boca, atingindo 70% (9.990) homens e, no ano de 2010, foram registrados mortes por este câncer, matando 3882 (79%) homens no Brasil ( nicao, 2013). A partir de estudos já realizados, pesquisadores buscam relações entre o câncer de boca e os fatores socioeconômicos das regiões onde existem alta incidência deste câncer, sendo observados os indicadores de morbidade e mortalidade destas regiões 1. Em países desenvolvidos, a incidência de câncer de boca e mortalidade de indivíduos por esse câncer é menor, quando comparados com as taxas de países em desenvolvimento 1. Um estudo realizado pelo INCA (Instituto Nacional do Câncer, 2008) apontou o Estado do Rio de Janeiro como o Estado com as maiores taxas médias anuais, de incidência de câncer de boca, ajustadas pela idade e para cada 100 mil habitantes, sendo essa incidência de 19,72 entre os homens e de 6,26 entre as mulheres. O Estado de Mato Grosso até o ano de 2004 não possuía um serviço de patologia bucal no laboratório público (MT Laboratório), contribuindo assim para um número grande de pacientes sem diagnósticos prévios e clinicamente em estágios avançados da doença 1, onde no ano de 2012, foram estimados 850 novos casos para a região, concretizando uma taxa
12 12 bruta de 8,58 para os homens e de 3,17 para as mulheres, por 100 mil habitantes ( Um estudo realizado na Paraíba, com casos de cânceres bucais, diagnosticados entre os anos de 1999 e 2008, mostraram que 62,71% dos casos registrados eram do gênero masculino. Este trabalho também apontou que hábitos como o tabagismo e o alcoolismo aumentam a chance de pessoas contraírem o câncer de boca, sendo apontado no estudo que cerca de 50% das pessoas analisadas tinham esses hábitos 2. No Rio Grande do Norte no ano de 2012, o Estado ficou com uma taxa bruta estimado de casos de câncer de boca de 7,71 casos por 100 mil homens e 4,53 para cada 100 mil mulheres ( Em Natal, num estudo sobre a mortalidade pelos cânceres de boca e faringe, realizados com dados de 1981 a 1995, obteve-se uma taxa de mortalidade de 2,6 e 1,55 por 100 mil habitantes para homens e mulheres respectivamente, no período de 1981 a Para os anos entre 1993 e 1995 foram obtidas as taxas de 6,66 e 2,08 por 100 mil habitantes, para homens e mulheres respectivamente 3.
13 13 2 OBJETIVOS 2.1 OBJETIVO GERAL O objetivo geral desse estudo é obter às incidências dos cânceres de boca e de orofaringe para a cidade de Natal e para seus respectivos bairros, considerando os anos entre 1997 e OBJETIVOS ESPECÍFICOS Calcular as incidências de Câncer de Boca e Orofaringe dos bairros da cidade de Natal para o período de 1997 a Agrupar os bairros de Natal, segundo as incidências dos cânceres de boca e orofaringe entre 1997 a Correlacionar as incidências dos cânceres de boca e orofaringe com a renda familiar média e com a taxa de alfabetização dos bairros da cidade de Natal. Realizar as citadas correlações para o conjunto de todos os bairros da cidade de Natal.
14 14 3 FUNDAMENTAÇÃO TEÓRICA 3.1 ANÁLISE DE REGRESSÃO Em diversos problemas, das mais diversas áreas do conhecimento, é de grande interesse verificar se duas ou mais variáveis estão relacionadas de alguma forma. Para expressar esta relação é definido um modelo estatístico. Este tipo de modelagem é chamado de regressão, e ajuda a entender como determinadas variáveis conhecidas como explicativas ou independentes influenciam outra variável chamada resposta ou dependente, ou seja, verifica como o comportamento de uma(s) variável(is) pode mudar o comportamento de outra. Se esta interessado na relação de apenas uma variável regressora (ou independente) X com uma variável resposta Y, têm-se o caso de Regressão Linear Simples. Mas se quer relacionar a variável resposta com mais de uma variável regressora, a Regressão Linear Múltipla é utilizada. Modelos de Regressão são construídos com os objetivos: i) Estimação de parâmetros - Dado um modelo e um conjunto de dados referente às variáveis respostas e regressoras, estimar parâmetros ou ajustar um modelo aos dados significa obter estimativas para os parâmetros, por algum processo, tendo por base o modelo e os dados observados; ii) Inferência - O ajuste de um modelo de regressão em geral tem por objetivos básicos, além de estimar os parâmetros, realizar inferências sobre eles, tais como, testes de hipóteses e intervalos de confiança; iii) Predição - Uma vez que espera-se que grande parte da variação da variável resposta seja explicada pelas variáveis regressoras, podemos utilizar o modelo estimado para predizer valores de Y correspondentes a valores das variáveis independentes que não fazem parte do conjunto de dados. Esse procedimento é chamado de predição e, em geral, usa-se valores das variáveis independentes que estão dentro do intervalo de variação estudado. Acredita-se que a predição seja uma aplicação comum dos modelos de regressão.
15 REGRESSÃO LINEAR SIMPLES Considere duas variáveis X e Y. Dados n pares de observações (X 1,Y 1 ),(X 2,Y 2 ),...,(X n,y n ), então se Y é função linear de X pode-se estabelecer uma regressão linear simples cujo modelo estatístico é: Neste modelo: X i representa o valor da variável explicativa (variável independente, variável regressora) na i-ésima observação; Y i é uma variável aleatória e representa o valor da variável resposta (variável dependente) na i-ésima observação; i é um erro aleatório, com E( i ) = 0, Var( i ) = e Cov( i, j ) = 0, ß 0 e ß 1 são os parâmetros do modelo, que serão estimados, e que definem a reta de regressão e n é o tamanho da amostra. O parâmetro ß 0 é chamado intercepto e representa o ponto em que a reta regressora corta o eixo dos y's. Já o parâmetro ß 1 representa a inclinação da reta regressora e é dito coeficiente de regressão ou coeficiente angular. Assim, têm-se que para o aumento de uma unidade na variável X, o valor E(Y X) muda o correspondente a ß 1 unidades ESTIMAÇÃO DOS PARÂMETROS A partir de uma relação satisfatória entre X e Y, pode-se estimar os parâmetros, o método mais utilizado para esse fim é denominado Método dos Mínimos Quadrados MÉTODO DOS MÍNIMOS QUADRADOS Conhecido também como Mínimos Quadrados Ordinários, é um procedimento que procura minimizar a soma dos quadrados das diferenças entre Y i e E(Y i ), ou seja, fazendo:
16 16 Para obter os valores de e que minimizam Q, devemos primeiramente derivar Q com relação à e,como segue: O próximo passo é igualar essas duas expressões a zero, ou seja, fazendo e, encontram-se as expressões para, que os valores para, respectivamente, que minimizam Q. Desta forma: Portanto, a equação estimada é: +
17 ANÁLISE RESIDUAL A análise residual é utilizada com o objetivo de verificar a adequação do modelo de regressão, ou seja, por meio dos resíduos é avaliado se as hipóteses feitas para os erros do modelo podem ser aceitas ou não. A definição do i - ésimo resíduo é dada por:, i = 1,...,n. Desta forma, tem-se que a ideia básica da análise dos resíduos é que, se o modelo for apropriado, os resíduos devem refletir as propriedades impostas pelo termo de erro do modelo. Analisando graficamente os resíduos, os mesmos devem se comportar de acordo com as seguintes suposições: i. A função de regressão é linear; i. Os erros têm variância constante; ii. Sem a presença de outliers; Ou seja, a função e i = ( ) deve se comportar de forma aleatória em torno do zero, com variância constante e sem a presença de pontos discrepantes. Sendo técnicas essas informais, ou seja, feitas apenas com o uso de gráficos, no entanto, pode-se também utilizar técnicas formais com o uso de testes para verificação das suposições citadas.
18 ANÁLISE DE AGRUPAMENTOS Também conhecida como análise de conglomerados, de classificação ou de cluster, a análise de agrupamentos, tem como objetivo mais frequente separar os elementos de uma amostra, ou de uma população, em grupos, cujos elementos de um grupo sejam similares entre si, ou seja, que possuam as mesmas características com relação às variáveis que neles foram medidas. Para a aplicação da Análise de Agrupamentos alguns passos devem ser adotados, começando com a seleção das variáveis que serão utilizadas. Em seguida, a padronização das variáveis, a escolha da medida de similaridade (ou dissimilaridade), a seguir a escolha da técnica para construção dos agrupamentos e finalizando com a caracterização, interpretação e validação dos grupos formados. Para o caso de variáveis quantitativas, utilizam-se as medidas de dissimilaridade, de forma que, quanto menor os seus valores, mais similares serão os elementos que estão sendo comparados. Por outro lado, quando as variáveis são qualitativas, procede-se através de uma das duas formas: transformando as mesmas para quantitativas e utilizando medidas de dissimilaridade ou utilizando coeficientes de similaridades TÉCNICAS HIERÁRQUICAS AGLOMERATIVAS No início do processo tem-se n agrupamentos, de forma que, em cada passo do algoritmo, os elementos vão sendo agrupados, formando novos conglomerados, até que todos os elementos considerados estejam em um único grupo. Para aplicar as técnicas hierárquicas são utilizados três tipos de métodos, conhecidos como Métodos Hierárquicos Aglomerativos, que estão descritos a seguir:
19 19 Método do vizinho mais próximo (ou ligação simples): Em cada estágio são definidos dois elementos mais parecidos entre si, ou seja, os dois elementos correspondentes ao menor valor em uma matriz de distâncias, de forma que, em cada estágio do processo os dois elementos mais parecidos são agrupados em um único cluster. Método do vizinho mais distante (ou ligação completa): Este método avalia a maior distância entre dois elementos na matriz de distâncias, de forma que, em cada estágio acontece a junção dos dois elementos correspondentes ao menor dos valores na matriz de distâncias. Método das médias das distâncias (ou ligação média): A distância entre dois agrupamentos é definida como a média das distâncias entre todos os pares de elementos que podem ser formados com os elementos dos dois conglomerados que estão sendo comparados. As distâncias obtidas por qualquer dos métodos são representadas em um gráfico chamado de dendograma TÉCNICAS DE AGRUPAMENTO NÃO HIERÁRQUICAS A técnica não-hierárquica mais popular é o método chamado das k médias. Neste método deve-se ter uma ideia inicial do número de grupos, de maneira que o algoritmo inicia com k grupos arbitrários e a cada passo as unidades são movidas com o objetivo de: o minimizar a variabilidade dentro dos grupos, o maximizar a variabilidade entre os grupos.
20 ESTIMADOR BAYESIANO EMPÍRICO O Estimador Bayesiano Empírico pode ser utilizado quando se quer estimar uma taxa de incidência em uma área composta por diversas outras, contendo um baixo contingente populacional. Outra vantagem de utilizar o Estimador Bayesiano Empírico é que, em situações em que não ocorram casos do evento estudado, o mesmo não utiliza a informação só da área, mas leva em conta os valores da sua vizinhança, com isso, gerando um valor para essas localidades que não têm registro de casos. Foi proposto por Marshall (1990) um método para o cálculo das estimativas bayesianas empíricas i, tendo o referido estimador uma distribuição aleatória com média m i e variância : i = + ( - ), sendo C i =, i é o estimador bayesiano empírico, x i = Z i /n i, denominado como o estimador inicial empírico, n i o tamanho da população exposta na área i, Z i é o total de eventos na área i. Como se trata de uma abordagem Bayesiana Empírica, sua média (m i ) e variância ( ), são realizadas a partir dos dados utilizados. Onde deve ser adotada a mesma média e variância para todas as áreas em estudo. Com isso, m i = m e = s 2. s 2 = e
21 21 4 METODOLOGIA 4.1 QUANTO AOS PROCEDIMENTOS Os procedimentos utilizados neste trabalho começaram com a estimação das populações dos bairros de Natal, para os anos de 1997 a 2004, com base no Censo realizado no ano de Também foram coletados, a partir do banco de dados do Registro de Câncer de Base Populacional de Natal (RCBP de Natal) os casos de Câncer de Boca e de Orofaringe. Após a coleta dos dados, foi calculada a incidência dos referidos cânceres, por bairro do município de Natal. Após os procedimentos citados foi observado que em alguns bairros as incidências sobressaíram-se bastante, optando-se assim por uma suavização das referidas incidências pelo Método do Estimador Bayesiano Empírico, dado que este método leva em consideração os valores de sua vizinhança. Após a suavização, obteve-se a média das incidências de cada um dos bairros, considerando os anos de 1997 a Realizou-se em seguida uma análise de agrupamento dos bairros da cidade de Natal, considerando as incidências no período de 1997 a 2004, obtendo-se grupos de bairros com características semelhantes, quanto às citadas taxas. Prosseguindo, para cada grupo formado, foi realizada análise de correlação e de regressão, da Incidência Média, entre 1997 e 2004, dos cânceres de boca e de orofaringe (variável resposta), com a taxa de alfabetização e com a renda familiar média de cada bairro (variáveis explicativas), sendo essas variáveis explicativas obtidas do ultimo Censo Demográfico. Foram utilizados os softwares Excel 2008, o R e o Statistic 7.0 para a realização dos procedimentos citados. O Excel foi utilizado nas estimativas das populações e estatísticas descritivas das incidências. O R para a realização da suavização pelo Método do Estimador Bayesiano Empírico e o Statistica para a formação dos grupos, cálculo das correlações e regressões.
22 22 5 RESULTADOS Para a formação dos grupos de bairros foram utilizadas as técnicas de ligação simples, média e completa, em cada caso empregando três métricas distintas, observando desta maneira a formação de grupos que mais se repetia, utilizando ao final a Ligação Completa e a Distância Euclidiana, chegando assim aos grupos seguintes: 5.1 COMPOSIÇÃO DOS GRUPOS, COM RESPECTIVAS VARIÁVEIS, MÉDIA E DESVIOS PADRÕES Tabela 1 - Grupo 1 Bairros Taxa de Alfabetização Renda Familiar Média Incidência Média Petrópolis 98, ,99 4,89 Tirol 97, , 74 6,72 Dix-sept Rosado 88, ,19 8,72 Santos Reis 96, ,58 6,73 Nordeste 87, ,49 5,8 Lagoa Seca 94, ,70 5,97 Mãe Luíza 83, ,03 6,19
23 23 Média 92, ,83 6,43 Desvio Padrão 5, ,94 1,19 Tabela 2 - Grupo 2 Bairros Taxa de Alfabetização Renda Familiar Média Incidência Média Barro Vermelho 97, ,99 4,82 Cidade da Esperança 93, ,63 5,63 Potengi 93, ,42 4,94 Pitimbu 97, ,02 4,86 Bom Pastor 82, ,83 5,24 Candelária 97, ,87 4,25 Cidade Nova 84, ,71 4,58 Neópolis 96, ,50 5,3 Quintas 88, ,69 4,65 Igapó 86, ,87 3,75 Nova Descoberta 93, ,96 5,44 Rocas 91, ,63 6,8 Cidade Alta 90, ,22 5,48 Lagoa Nova 96, ,30 4,1 Média 92, ,33 4,99 Desvio Padrão 4, ,43 0,76 Tabela 3 - Grupo 3 Bairros Taxa de Alfabetização Renda Familiar Média Incidência Média Lagoa Azul 87, ,58 2,92 Pajuçara 89, ,66 2,59 N. S. Apresentação 84, ,58 2,63 Salinas 75,09 665,5 2,88 Capim Macio 97, ,92 3,15 Ponta Negra 93, ,05 2,73 Ribeira 95, ,91 2,86 Praia do Meio 93, ,43 2,82 Alecrim 93, ,77 3,75 Felipe Camarão 83, ,49 2,59 Planalto 72,21 770,19 2,59 Redinha 86, ,61 2,71 Areia Preta 88, ,21 5,88 N. S. Nazaré 90, ,10 3,66 Média 87, ,36 3,13 Desvio Padrão 7, ,75 0,88
24 24 Gráfico 1 formado Boxplot ilustrando a distribuição da Incidência de cada grupo Grupo 1 Grupo 2 Grupo ANÁLISES DE CORRELAÇÕES Inicialmente foi obtida a matriz de correlação entre as variáveis consideradas. Para isto foram definidas as seguintes siglas: Tabela 4 Siglas para as variáveis socioeconômicas Variável Taxa de alfabetização Renda Familiar Média Incidência Média Sigla TA R I
25 MATRIZES DE CORRELAÇÕES, COM RESPECTIVOS P-VALORES ANÁLISES DE CORRELAÇÕES NO GRUPO 1 Tabela 5 - Resultado das correlações do Grupo 1 Correlações Correlações significativos a p<0,05 N = 7 Variável TA R I TA 1,0000 0,5529 -,2498 P=---- P=,198 P=,589 R 0,5529 1,0000 0,4392 P=,198 P=---- P=,324 I -,2498 -,4681 1,0000 P=,589 P=,289 P=---- Pelo quadro acima, pode observar que não existe correlação significativa da Incidência Média com nenhuma das variáveis explicativas ANÁLISES DE CORRELAÇÕES NO GRUPO 2 Tabela 6 - Resultado das correlações do Grupo 2 Correlações Correlações significativos a p<0,05 N = 14 Variável TA R I TA 1,0000 0,6600 -,0063 P=---- P=,010 P=,983 R 0,6600 1,0000 -,4597 P=,010 P=---- P=,098 I -,0063 -,4686 1,0000 P=,983 P=,091 P=---- De acordo com a tabela 6, não foi encontrada correlação significativa da Incidência com nenhuma das variáveis explicativas, ao nível de 5%. No entanto, ao nível de 10%, verificavariável Renda Familiar Média.
26 ANÁLISES DE CORRELAÇÕES NO GRUPO 3 Tabela 7 - Resultado das correlações do Grupo 3 Correlações Correlações significativos a p<0,05 N = 14 Variável TA R I TA 1,0000 0,7626 0,2105 P=---- P=,002 P=,470 R 0,7626 1,0000 0,6389 P=,002 P=---- P=,014 I 0,2105 0,0293 1,0000 P=,470 P=,921 P=---- Observando o quadro acima, nota-se que não existe correlação significativa com a Incidência Média ANÁLISES DE CORRELAÇÕES DE TODOS OS BAIRROS Tabela 8 - Resultado das correlações de todos os bairros de Natal Correlações Correlações significativos a p<0,05 N = 35 Variável TA R I TA 1,0000 0,6620 0,2728 P=---- P=,000 P=,113 R 0,6620 1,0000 0,0110 P=,000 P=---- P=,950 I 0,2728 0,0110 1,0000 P=,113 P=,950 P=---- Na tabela 8, observa-se que não há correlação significativa, ao nível de.
27 ANÁLISE DE REGRESSÃO A Análise de Regressão foi realizada nos grupos em que foram encontradas correlações significativas da Incidência Média com alguma das variáveis explicativas ANÁLISE DE REGRESSÃO NO GRUPO 2 Considerando o modelo: (R) e realizando as devidas análises obtém se: Tabela 9 Análise de regressão no grupo 2 N = 14 Resumo de Regressão para a variável dependente: I R = 0,4686 R 2 = 0,2196 R 2 ajustado = 0,1545 F(1,12) = 3,2162 p < 0,0981 Std. Error de Estimativa: 1,2190 Beta Std. Err. de Beta B Std. Err. de B T(12) P - valor Intercept 5, , ,5738 0,00000 R -0,4686 0, , , ,8375 0, De acordo com os resultados acima, a equação estimada é: = 5,55 0, R E a partir dessa equação, estima-se que a cada real a mais na renda familiar, tem uma diminuição média de 0, na incidência dos cânceres de boca e orofaringe. E o gráfico dos resíduos deste ajuste é:
28 28 Gráfico 2 Representação gráfica dos resíduos no Grupo 2 Predicted vs. Squared Residuals Dependent variable: I 2,6 2,4 2,2 2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0-0,2 4,0 4,2 4,4 4,6 4,8 5,0 5,2 5,4 5,6 Predicted Values 95% confidence Observando o gráfico estima-se que os resíduos estão distribuídos de forma aleatória, não identificando tendenciosidade nem indicativo de heterocidasticidade e sem a presença de outiliers.
29 29 6 CONSIDERAÇÕES FINAIS De acordo com a análise de agrupamento realizada verifica-se que o grupo 3 é formado por bairros de renda mais baixa, enquanto que a maioria dos bairros do grupo 1 podem ser considerados como de classe média. Já no grupo 2, observa-se que a composição é dada de forma mista, no sentido de que tem bairros de classe mais baixa, como também tem bairros que podem ser consideradas como de classe média. Com base nos resultados, observa-se que a variável resposta do estudo (Incidência Média dos Cânceres de Boca e Orofaringe) não se correlaciona significativamente com nenhuma das variáveis explicativas, nos grupos 1 e 3. No grupo 2 a variável resposta tem correlação significativa com a Renda Familiar Média, sendo essa correlação de forma negativa. Desta forma, conclui-se que no grupo de bairros de classes baixa e média existe correlação negativa e significativa da Incidência dos cânceres aqui estudadas com a Renda Familiar. Já no grupo formado por bairros de classe média e no grupo de classe baixa não existe correlação significativa nem com Renda Familiar, nem com a Taxa de Alfabetização.
30 30 7 REFERÊNCIAS 1. BORGES, Fabiano Tonaco. GARBIN, Cléa Adas Saliba. Epidemiologia do câncer de boca em laboratório público do Estado de Mato Grosso, Brasil, Rio de Janeiro: Cad. Saúde Pública, Rio de Janeiro, 24(9): , set, CARVALHO, Sérgio Henrique Gonçalves de. SOARES, Maria Sueli Marques. FIGUEIREDO, Robéria Lucia de Queiro. Levantamento Epidemiológico dos Casos de Câncer de Boca em um Hospital de Referência em Campina Grande, Paraíba, Brasil, João Pessoa: Pesq Bras Odontoped Clin Integr, 12(1):47-51, jan./mar., Maria Eneide Leitão de Almeida, Elizabethe Cristina Fagundes de Souza, Marcelo Gurgel Carlos da Silva. Mortalidade por Câncer de Boca e Faringe em Natal/RN no período de 1981 a 1995 * Revista Brasileira de Cancerologia - Volume 46 n 1 Jan/Fev/Mar AZEVEDO, Paulo Roberto Medeiros de. Modelos de regressão linear / Paulo Roberto Medeiros de Azevedo. Natal (RN): EDUFRN, VIVACQUA, Carla Almeida. Notas de aula de Análise Multivariada, Natal, 2010.
31 31 8 ANEXOS Tabela 10 - Estimativa da população por bairro do município de Natal nos anos de 1997 à 2004 Região Bairros Norte Sul Leste Oeste Lagoa Azul Pajuçara Potengi N. S. Apresentação Redinha Igapó Salinas Lagoa Nova Nova Descoberta Candelária Capim Macio Pitimbu Neópolis Ponta Negra Santos Reis Rocas Ribeira Praia do Meio Cidade Alta Petrópolis Areia Preta Mãe Luíza Alecrim Barro Vermelho Tirol Lagoa Seca Quintas Nordeste Dix-sept Rosado Bom Pastor N. S. Nazaré Felipe Camarão Cidade da Esperança Cidade Nova Guarapes/Planalt o
32 32 Tabela 11 Incidência de câncer de boca e orofaringe no município de Natal nos anos de 1997 a 2004 pelo Estimador Bayesiano Empírico Bairros Média Lagoa Azul 3,59 0,81 2,59 1,96 5,65 1,30 5,02 2,40 2,92 Pajuçara 3,72 0,86 2,59 2,37 2,33 1,47 4,94 2,40 2,59 Potengi 10,67 0,74 2,59 5,33 5,33 5,33 7,11 2,40 4,94 N. S. Apresentação 3,60 0,80 2,59 1,96 2,33 1,14 4,94 3,63 2,63 Redinha 3,73 1,16 2,59 1,96 2,33 2,56 4,94 2,40 2,71 Igapó 3,30 3,81 3,76 3,70 2,33 3,60 7,10 2,40 3,75 Salinas 4,01 1,30 2,59 1,96 2,33 3,52 4,94 2,40 2,88 Lagoa Nova 3,09 0,88 2,59 1,96 5,63 1,70 5,64 11,29 4,10 Nova Descoberta 7,71 1,12 2,59 8,01 8,11 2,61 4,94 8,43 5,44 Candelária 3,49 5,45 2,59 1,96 2,33 10,51 5,21 2,40 4,25 Capim Macio 3,48 1,04 2,59 1,96 2,33 4,58 4,94 4,30 3,15 Pitimbu 8,77 1,00 4,36 8,70 4,34 4,33 4,94 2,40 4,86 Neópolis 4,69 4,64 9,18 1,96 2,33 2,11 13,17 4,34 5,30 Ponta Negra 3,43 1,01 2,59 1,96 2,33 1,99 4,94 3,60 2,73 Santos Reis 14,98 14,88 2,59 1,96 2,33 2,96 4,94 2,40 5,88 Rocas 9,29 9,36 9,43 1,96 9,56 2,72 9,71 2,40 6,80 Ribeira 3,98 1,29 2,59 1,96 2,33 3,37 4,94 2,40 2,86 Praia do Meio 3,90 1,25 2,59 1,96 2,33 3,18 4,94 2,40 2,82 Cidade Alta 3,83 1,21 2,59 1,96 14,71 2,96 14,20 2,40 5,48 Petrópolis 3,87 1,23 2,59 1,96 2,33 19,81 4,94 2,40 4,89 Areia Preta 34,96 1,27 2,59 1,96 2,33 3,34 4,94 2,40 6,73 Mãe Luíza 6,15 1,08 6,20 12,45 2,33 12,56 6,30 2,40 6,19 Alecrim 3,16 3,10 3,10 3,09 6,17 3,34 4,94 3,07 3,75 Barro Vermelho 3,78 1,19 2,59 1,96 2,33 12,19 12,14 2,40 4,82 Tirol 7,44 1,11 6,99 1,96 2,33 25,40 6,16 2,40 6,72 Lagoa Seca 3,81 14,55 14,78 1,96 2,33 3,00 4,94 2,40 5,97 Quintas 6,33 0,92 6,58 6,72 2,33 3,55 7,13 3,64 4,65 Nordeste 16,81 8,51 2,59 1,96 2,33 2,67 9,09 2,40 5,80 Dix-sept Rosado 13,20 6,47 2,59 6,20 6,08 17,84 11,65 5,71 8,72 Bom Pastor 11,24 1,06 5,58 1,96 5,54 5,52 5,51 5,49 5,24 N. S. Nazaré 3,51 1,07 6,15 1,96 2,33 6,89 4,94 2,40 3,66 Felipe Camarão 2,96 0,82 2,59 1,96 2,33 2,68 4,94 2,40 2,59 Cidade da Esperança 4,87 1,03 9,83 1,96 2,33 9,98 10,03 5,04 5,63 Cidade Nova 3,56 1,08 6,35 1,96 2,33 6,32 12,63 2,40 4,58 Guarapes/Planalt o 3,56 1,06 2,59 1,96 2,33 1,87 4,94 2,40 2,59
Boletim Construir Natal Quarto Trimestre
Quarto Trimestre Apresentação A parceria estabelecida entre o SINDUSCON/RN e a Prefeitura de Natal através de sua Secretaria Municipal de Meio Ambiente e Urbanismo SEMURB possibilitou a composição das
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisANÁLISE DE BIG DATA E INTELIGÊNCIA ARTIFICIAL PARA A ÁREA MÉDICA
CURTA DURAÇÃO ANÁLISE DE BIG DATA E INTELIGÊNCIA ARTIFICIAL PARA A ÁREA MÉDICA CARGA HORÁRIA: 80 horas COORDENAÇÃO: Prof.ª Dr.ª Alessandra de Ávila Montini OBJETIVOS Introduzir o conceito de Big Data,
Leia maisAnálise estatística multivariada
Análise estatística multivariada Conjunto de procedimentos para a análise simultânea de duas ou mais medidas de cada caso/observação Os dados coletados p variáveis - de uma amostra de tamanho n podem ser
Leia maisEstatística Aplicada II. } Regressão Linear
Estatística Aplicada II } Regressão Linear 1 Aula de hoje } Tópicos } Regressão Linear } Referência } Barrow, M. Estatística para economia, contabilidade e administração. São Paulo: Ática, 007, Cap. 7
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisEstudar a relação entre duas variáveis quantitativas.
Estudar a relação entre duas variáveis quantitativas. Exemplos: Idade e altura das crianças Tempo de prática de esportes e ritmo cardíaco Tempo de estudo e nota na prova Taxa de desemprego e taxa de criminalidade
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisGabarito Lista 2 LES0773 Estatística III. Os resultados dessa regressão são apresentados na seguinte tabela:
Gabarito Lista 2 LES0773 Estatística III Exercício 1) Utilizando a ferramenta Análise de Dados e a sua função Regressão, foi realizada uma regressão levando em consideração os gastos com PD como variável
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisProfissinais que desejam adquirir ou aprimorar seus conhecimentos em modelagem de dados, analytics e estatística aplicada
MBA ANALYTICS OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de decisão com base nas
Leia maisEstatística Aplicada
Estatística Aplicada Correlação e Regressão Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada REGRESSÃO Correlação não implica Causalidade! O coeficiente de correlação não mede
Leia maisAula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad
Aula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad Exercício 4 (spatial scale and rate of density) Inferência pode mudar com a escala espacial Problemas de agregação espacial
Leia maisAnálise espacial da incidência de Dengue no município de São Paulo
Análise espacial da incidência de Dengue no município de São Paulo João Vitor, Joyane, Nayara e Rafael TRABALHO FINAL - ETAPA III - MTI QUADRIMESTRE 2015.2 Introdução ESCALA: Distrital TEMPO: 2010 O uso
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisCapacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.
UFFS Universidade Federal da Fronteira Sul Campus Cerro Largo PROJETO DE EXTENSÃO Software R: capacitação em análise estatística de dados utilizando um software livre Fonte: https://www.r-project.org/
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAnálise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisSeção 2.6 Duas Variáveis Quantitativas: Regressão Linear
Seção 2.6 Duas Variáveis Quantitativas: Regressão Linear A Reta de Regressão Predições Resíduos Sumário Interpretando a Inclinação e o Intercepto Cuidados com a Regressão Grilos e Temperatura Você pode
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
Leia maisAnálise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisCORRELAÇÃO E REGRESSÃO
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA DEPARTAMENTO DE TRANSPORTES MEAU- MESTRADO EM ENGENHARIA AMBIENTAL URBANA CORRELAÇÃO E REGRESSÃO Professora: Cira Souza Pitombo Disciplina: ENG C 18 Métodos
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 30 de abril e 02 de maio de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisRegressão linear múltipla. Regressão linear múltipla
Regressão linear múltipla 35 R 2 = 61% Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas de M. Pagano e Gravreau e Geraldo
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisEstatística Descritiva (III) Associação entre Variáveis
Estatística Descritiva (III) Associação entre Variáveis 1 Associação entre variáveis qualitativas Tabelas de Contingência 2 Podemos construir tabelas de frequências conjuntas (tabelas de contingência),
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisINSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO PORTO Ano lectivo 2009/20010 EXAME: DATA 24 / 02 / NOME DO ALUNO:
INSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO PORTO Ano lectivo 2009/20010 Estudos de Mercado EXAME: DATA 24 / 02 / 20010 NOME DO ALUNO: Nº INFORMÁTICO: TURMA: PÁG. 1_ PROFESSOR: ÉPOCA: Grupo I (10
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisPrincípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
Leia maisM l u t l i t c i oli l n i e n arid i a d de
Multicolinearidade 1 Multicolinearidade Quando existem relação linear exata entre as variáveis independentes será impossível calcular os estimadores de MQO. O procedimento MQO utilizado para estimação
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisCorrelação e Regressão
Correlação e Regressão Exemplos: Correlação linear Estudar a relação entre duas variáveis quantitativas Ou seja, a força da relação entre elas, ou grau de associação linear. Idade e altura das crianças
Leia maisREGRESSÃO LINEAR SIMPLES E MÚLTIPLA
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA Curso: Agronomia Matéria: Metodologia e Estatística Experimental Docente: José Cláudio Faria Discente: Michelle Alcântara e João Nascimento UNIVERSIDADE ESTADUAL DE
Leia maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia maisAPLICAÇÕES DE ESTATÍSTICA PARA TOMADA DE DECISÃO
CURTA DURAÇÃO APLICAÇÕES DE ESTATÍSTICA PARA TOMADA DE DECISÃO CARGA HORÁRIA: 92 horas COORDENAÇÃO: Prof.ª Dr.ª Alessandra de Ávila Montini OBJETIVOS O curso tem como objetivo apresentar algumas técnicas
Leia maisRegressão Linear Múltipla no R MAE-0217: ESTATÍSTICA DESCRITIVA MAIO DE 2017 PROFESSORA: MÁRCIA D ELIA BRANCO
Regressão Linear Múltipla no R MAE-0217: ESTATÍSTICA DESCRITIVA MAIO DE 2017 PROFESSORA: MÁRCIA D ELIA BRANCO MONITORA PAE: SIMONE HARNIK Regressão Linear Simples > O modelo de regressão linear simples
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA
1 UNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA Professor: Ernesto Friedrich de Lima Amaral Disciplina: Avaliação
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA. Jayme Gomes dos Santos Junior Luciana Helena Kowalski
UNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA Jayme Gomes dos Santos Junior Luciana Helena Kowalski MODELAGEM DA EXPECTATIVA DE VIDA NOS MUNICÍPIOS DO PARANÁ A PARTIR DE COVARIÁVEIS DO CENSO 2010
Leia maisAssociação entre duas variáveis
Associação entre duas variáveis Questões de interesse: Será que duas variáveis são independentes ou pelo contrário dependentes? E se forem dependentes, qual o tipo e grau de dependência? Existem diversas
Leia maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisProbabilidade e Estatística (Aula Prática - 23/05/16 e 24/05/16)
Probabilidade e Estatística (Aula Prática - 23/05/16 e 24/05/16) Resumo: Veremos nesta aula tabelas, cálculos de porcentagem e gráficos; amostras e tipo de amostragem; Medidas de tendência central e medidas
Leia maisPredição do preço médio anual do frango por intermédio de regressão linear
Predição do preço médio anual do frango por intermédio de regressão linear João Flávio A. Silva 1 Tatiane Gomes Araújo 2 Janser Moura Pereira 3 1 Introdução Visando atender de maneira simultânea e harmônica
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA BRUNO GERONYMO - GRR20159232 HERMANN MOGIZ DELGADO - GRR20159211 MARIA HELENA OLIVEIRA - GRR20159213 VINICIUS CESAR PEDROSO
Leia maisMódulo 16- Análise de Regressão
Módulo 6 Análise de Regressão Módulo 6- Análise de Regressão Situação Problema Um grupo de investidores estrangeiros deseja aumentar suas atividades no Brasil. Considerando a conjuntura econômica de moeda
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisEstatística para Geografia. Rio, 13/09/2018
Estatística para Geografia Rio, 13/09/2018 Objetivos: mostrar como usar o R para construir um diagrama de dispersão entre duas variáveis quantitativas. calcular a correlação entre duas variáveis quantitativas.
Leia maisAULAS 17 E 18 Análise de regressão múltipla: estimação
1 AULAS 17 E 18 Análise de regressão múltipla: estimação Ernesto F. L. Amaral 22 e 24 de outubro de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisRegressão Linear. Prof. Dr. Leandro Balby Marinho. Análise de Dados II. Introdução Regressão Linear Regressão Múltipla
Regressão Linear Prof. Dr. Leandro Balby Marinho Análise de Dados II Prof. Leandro Balby Marinho 1 / 36 UFCG DSC Roteiro 1. Introdução 2. Regressão Linear 3. Regressão Múltipla Prof. Leandro Balby Marinho
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisAnálise de Agrupamento. Cluster Analysis
Análise de Agrupamento Cluster Analysis Objetivo Classificar objetos, itens ou indivíduos de acordo com as suas semelhanças. Os objetos semelhantes são alocados em um mesmo grupo e, portanto, aqueles que
Leia maisAnexo 3. Tabela matriz: medidas de desigualdades em saúde por estado, segundo variáveis de estratificação de desigualdades e ano calendário
Tabelas Anexo 3 Tabela matriz: medidas de desigualdades em saúde por estado, segundo variáveis de desigualdades e ano calendário Acre (n=22) Alagoas (n=102) Amapá (n=16) de q1 q2 q3 q4 q5 (maior) 1991
Leia maisProva de Estatística
UNIVERSIDADE FEDERAL DO PARÁ CURSO DE MESTRADO EM ECONOMIA PROCESSO SELETIVO 2010 Prova de Estatística INSTRUÇÕES PARA A PROVA Leia atentamente as questões. A interpretação das questões faz parte da prova;
Leia maisTENDÊNCIAS DA INCIDÊNCIA DA AIDS NO BRASIL E SUAS REGIÕES
TENDÊNCIAS DA INCIDÊNCIA DA AIDS NO BRASIL E SUAS REGIÕES Alessandro Henrique da Silva Santos (1); Monique de Lima Santana (1). UNIVERSIDADE FEDERAL DE PERNAMBUCO - alessandrohss@yahoo.com.br Resumo: De
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisAula inaugural do curso Análise de Regressão
Aula inaugural do curso Prof a Silvia Nagib Elian Sala 215 - Bloco A Instituto de Matemática e Estatística Universidade de São Paulo Agenda 1. Exemplo 2. Introdução 3. Modelo de regressão linear simples
Leia maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia maisANÁLISE ESPACIAL DA DISTRIBUIÇÃO DA VEGETAÇÃO OBTIDA POR NDVI NO ESPAÇO URBANO. Leonardo Rodrigues de Deus
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS DISCIPLINA: ANÁLISE ESPACIAL ANÁLISE ESPACIAL DA DISTRIBUIÇÃO DA VEGETAÇÃO OBTIDA POR NDVI NO ESPAÇO URBANO Leonardo Rodrigues de Deus São José dos Campos 2010
Leia maisExemplo Chamadas Telefônicas
Exemplo Chamadas Telefônicas Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Chamadas Telefônicas 2 o Semestre 2016 1 / 25 Chamadas
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisAULA 11 Heteroscedasticidade
1 AULA 11 Heteroscedasticidade Ernesto F. L. Amaral 30 de julho de 2012 Análise de Regressão Linear (MQ 2012) www.ernestoamaral.com/mq12reg.html Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia maisRenda x Vulnerabilidade Ambiental
Renda x Vulnerabilidade Ambiental ANEXO D ANÁLISE EXPLORATÓRIA E PREPARAÇÃO DOS DADOS Identificamos tendência linear positiva. A correlação entre as variáveis é significativa, apresentando 99% de confiança.
Leia maisPrecificação de apartamentos para o bairro Água Verde em Curitiba
Precificação de apartamentos para o bairro Água Verde em Curitiba Chuck Norris Arnold Schwarzenegger 18 de julho de 2013 O preço de imóveis depende principalmente do seu tamanho e localização. A infraestrutura
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisEstatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br
Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES
Leia maisMÉTODOS QUANTITATIVOS APLICADOS. Prof. Danilo Monte-Mor
MÉTODOS QUANTITATIVOS APLICADOS Prof. Danilo Monte-Mor Métodos Quantitativos Aulas 1 e 2 Análise Exploratória de Dados 2 Danilo Soares Monte Mor Currículum Vitae Prof. Dr. e especialista em Métodos Quantitativos
Leia mais