O Coeficiente de Determinação R 2 como Instrumento Didático para Avaliar a Utilidade de um Modelo de Regressão Linear Múltipla
|
|
- André Salazar Pinheiro
- 7 Há anos
- Visualizações:
Transcrição
1 O Coefcete de Determação R como Istrumeto Ddátco para Avalar a Utldade de um Modelo de Regressão Lear Múltpla Roberto C. Quo Eda A. Res Departameto de Estatístca ICEx UFMG - Brasl Lupérco F. Bessegato Departameto de Estatístca ICE UFJF - Brasl RESUMO Este artgo apreseta uma proposta de uso do coefcete de determação como estatístca para um atratvo teste de hpóteses, gorado pela maora dos lvros ddátcos, baseado a dstrbução por amostragem Beta. Adcoalmete, mostramos que o valor amostral do r-quadrado múltplo pode ser obtdo com uso de sucessvas regressões leares smples, vablzado o seu cálculo em sala de aula por meo de máquas de calcular báscas. Palavras-chave: Regressão lear, coefcete de determação, r-quadrado, dstrbução Beta.. Itrodução Quado troduzmos o coceto de regressão lear para os aluos dos prmeros aos de graduação, é comum que já teham ouvdo de professores de outras dscplas que um bom modelo devera ter o famoso r elevado. Os aluos etedem que o valor de r costtu-se em um grau percetual da qualdade de ajuste de um modelo. A tetatva de mostrar-lhes uma aálse mas precsa e que a terpretação do valor mpresso pode ser equvocada geralmete ão é compreedda, podedo etrar em coflto com explcações dos professores das dscplas específcas do seu curso. Corroborado a ossa experêca, Goldberg (99), cta que ão é raro ler em relatóros de pesqusa empírca declarações como "eu teho um r elevado, por sso a mha teora é boa" ou "o meu r é maor do que o seu, por sso a mha teora é melhor que a sua". Além dsso, é mportate saletar que a avalação tradcoal da utldade do modelo pelo teste F ão apreseta uma ordem de gradeza tutva como a proporção, utlzada para quatfcar r, que está amplamete corporada a socedade e é de fácl etedmeto.
2 Quado a regressão é múltpla, a dfculdade de explcá-la aos aluos é ada maor, pos surge o agravate de ão exstr uma fgura trodutóra smples, aáloga ao gráfco de dspersão, para dcar se um determado modelo de regressão múltpla será cosderado útl. O valor de r certamete trasmte uma mesagem prelmar, mas esse valor pode ser lusóro, devdo ao pequeo tamaho amostral e, por sso, precsa ser melhor trabalhado para aprovetar a motvação cal dos aluos. Etretato, o exagero das crítcas em relação ao uso do r é mas desmotvate aos aluos do que propramete útl o processo de apredzado. Goldberg (99), por exemplo, argumeta que o mas mportate do r é que ele ão tem mportâca o modelo de regressão clássco. Este trata de parâmetros da população, ão da qualdade do ajustameto da amostra.... Já Camero (993) ressalta que o r ão é um teste estatístco e parece ão haver qualquer justfcatva tutva para seu emprego como estatístca descrtva, sugerdo que o valor de r ão devera sequer ser reportado. Etedemos, etretato, que o coefcete de determação deva ser aprovetado o processo de apredzado dos aluos. Ele pode ser usado como uma estatístca de teste para avalação da exstêca de uma relação útl etre a varável resposta e pelo meos uma das varáves regressoras em um modelo de regressão lear. Em ossa opão, apesar dos resultados serem equvaletes ao teste F, o etedmeto e apelo ddátco é superor. Para tato, cosderaremos, este artgo, o fato de que o R possu uma dstrbução amostral Beta (Wheatherbur, 96). Esta dstrbução está dspoível em plalhas eletrôcas e a maora dos softwares estatístcos e pode, assm, ser faclmete utlzada para gerar tabelas smlares às da dstrbução F, com o objetvo de calcular valores crítcos para comparação com o valor observado de r. Além dsso, o cálculo do r pode ser obtdo, mesmo em casos de regressão múltpla, com o uso sucessvo de regressões leares smples, podedo, assm, ser faclmete trabalhado em sala de aula, uma vez que a maora das calculadoras báscas realzam os cálculos de regressão lear smples.
3 . Cohecmeto Teórco e Notação Em geral, as aulas de regressão lear, começamos o curso motvado os aluos a ctarem stuações prátcas da vda cotdaa que poderam ser cosderados exemplos de feômeos que podem ser explcados por um cojuto de varáves. Tal atvdade cota com a cotrbução e teresse de város aluos. Em seguda, é comum expressarmos o modelo matematcamete como: X X X, 0... k k em que dca a varável resposta, X s são as k varáves regressoras e j, j = 0,,...,k, são chamados de coefcetes de regressão. O termo dca o erro aleatóro e usualmete é suposto ter dstrbução Normal com méda zero e varâca costate. Neste artgo, presummos que tal suposção é acetável e, assm, ão dscutremos a avalação dos resíduos (Maores detalhes em Motgomery et al., 006). O processo de estmação dos parâmetros j, j=0,,...,k, é calmete explcado pelo método dos mímos quadrados e exemplos umércos podem ser trabalhados com a partcpação atva dos aluos, resultado as estmatvas ˆ j, j 0,,..., k dos coefcetes e a equação de regressão estmada, dada por ˆ ˆ X ˆ X ˆ X ˆ 0... k k Em termos geras, os aluos setem dfculdades com estes cálculos, pos a maora possuem máquas de calcular apeas com a fução regressão lear smples e correlação lear de Pearso dspoível. Veremos adate a Seção 6 como aprovetar este recurso dos aluos para o cálculo múltplo. Nesta fase, um gráfco de dspersão etre observados e ˆ estmados costtu-se em uma ferrameta efcaz para motvar os aluos a costrução de dcadores da qualdade do modelo. Motvados pela regressão lear smples, é muto comum que os aluos sugram o coefcete de correlação de Pearso (r) etre e ˆ como uma medda do grau de ajuste. A tetatva de motvá-los a trabalhar com a medda ao quadrado (r ), deomada coefcete de determação, ão apreseta uma boa compreesão. Uma curosdade que pode ser ctada é que se usarmos os estmadores de mímos quadrados de y sobre x e de x sobre y, respectvamete, y=a+bx e x=c+dy, etão 3 r bd.
4 4 Uma alteratva é costrur hstogramas suavzados e sobrepostos dos valores observados e ajustados ˆ com os dados utlzados a exemplfcação umérca. A Fgura lustra esta alteratva, a qual percebe-se que a varâca dos ˆ a amostra V ˆ ˆ) (, (já usado o fato de que a méda dos ˆ é gual a, a méda dos ) é meor (ou gual) à varâca dos a amostra ) ( V. É tutvo pesar que, quato meor a varâca dos valores estmados em relação à varâca dos valores observados, por é o ajuste do modelo, pos dca que as varáves regressoras cotém pouca formação sobre a varável resposta. Assm, é razoável utlzarmos a razão V V ˆ ) ( ˆ) ( como uma medda do grau de ajuste do modelo. Sua terpretação é aturalmete percebda como a proporção da varação total de explcada pela varação as varáves X s através do modelo de regressão. Deotamos a razão por r (mostrado que, de fato, ela é o coefcete r elevado ao quadrado) e a ttulamos como coefcete de determação ou r-quadrado. Uma dscussão mas avaçada que pode ser realzada sera chamar a ateção dos aluos para o fato de que o coefcete de determação pode ser escrto como, ) ( ) ( ˆ e r em que e ˆ é o resíduo da -ésma observação. Este desevolvmeto permte formar aos aluos que o termo
5 e /( ) é um estmador vcado para, e que o estmador ão vcado é dado por e /( k ). Se usarmos esta estmatva ão vcada o cálculo do r, obteremos uma ova medda, deomada r ajustado e represetada por r. Esta ova medda possu a propredade de pealzar o r tradcoal pelo úmero de varáves explcatvas. Ou seja, ao cotráro do r tradcoal, que sempre aumeta com a etrada de varáves explcatvas, o r ajustado poderá aumetar ou dmur com a etrada de ovas varáves depedetes o modelo. Um problema é que r pode ser egatvo e, assm, dfcultar ada mas a terpretação. Maores detalhes podem ser obtdos em Gujarat (009). Fgura : Hstogramas suavzados de e ˆ. Um poto teressate que pode ser ctado, é que o deomador da fórmula usual da varâca, para uma amostra de uma população ormal com méda e desvo descohecdos, pode apresetar dferetes alteratvas, por exemplo, -,, -3, +, -5/3, depededo da propredade que se deseja: ão vcado, erro médo quadrátco mímo, meda ubasedess, modal ubasedess, etc. O letor teressado pode cosultar maores detalhes em Saha e Msra (99). 5
6 3. Um Teste de Hpóteses para o Cosderado que os aluos já possuem a percepção de que valores baxos de r costtuem-se em dcatvo de que o modelo pode ão ser útl, a questão adcoal e fudametal é explcar que evetuas repetções depedetes do expermeto provavelmete mplcaram (a dstrbução por amostragem) em dferetes valores de r. Este cojuto de possíves valores de r é represetado pela varável aleatóra R. É fudametal que etedam a dfereça da varável aleatóra R e o partcular valor r obtdo de uma amostra. Além dsso, é também fudametal que etedam que exste um coefcete de determação populacoal ( ), mas que seu valor é descohecdo. Como trabalhamos com amostras, o que cosegumos é uma estmatva (r ). O objetvo é saber se um valor de a população podera faclmete ter orgado uma 0 amostra com o partcular r observado. Se a resposta for sm, etão mesmo que r fosse alto, o modelo ão devera ser cosderado útl, pos este caso, tem-se que (... 0). Portato, a questão prcpal é saber qual deve ser o valor k mímo de r (deotado por L) a ser observado para que possamos cosderar o modelo útl, ou seja, para coclurmos que muto provavelmete a amostra fo gerada de uma população com. 0 Os aluos precsam eteder que, para 0, dferetes amostras obtdas da população poderam orgar dferetes valores de r, represetados aqu pela varável aleatóra R. Como os valores possíves de R varam etre zero e um, algus aluos sugerem corretamete que a varável aleatóra R possu uma dstrbução amostral Beta, sem, o etato, dcarem os parâmetros adequadamete. Mas precsamete, R possu dstrbução amostral Beta com parâmetros gual a k/ e (-k-)/, em que k é o úmero de regressores e o tamaho amostral (Weatherbur, 96). Cosderado que a méda da dstrbução Beta é data por k/(-) e represeta o valor médo que se obtera para R quado (... 0), uma possível sugestão para um ovo k r ajustado sera r k / ( ). Outra possbldade, procurado mater a ova medda etre zero e um, sera utlzar r [ k / ( )]. Estas duas meddas são motvadas pela méda da dstrbução Beta e possuem propredades smlares ao r tradcoal. A seguda proposta é pratcamete gual à sugestão de Goldberger 6
7 (99, p. 78), que propôs r ( k / ), ão apresetado, etretato, a motvação da sugestão. A Fgura lustra uma dstrbução Beta com a dcação de um possível valor mímo L para r para cosderar útl o modelo em aálse. O valor L é defdo em fução do ível de sgfcâca desejado para o teste. Fgura : Exemplo da dstrbução Beta. Um exemplo umérco pode cosoldar toda a explcação para os aluos: basta mostrar a obteção de L e comparação com o valor observado r. Também se pode obter faclmete a probabldade de sgfcâca (valor p) pelo cálculo de P( R r ). Observe que estamos destacado a segute equvalêca etre os testes de hpóteses: H H 0 :... k 0 H0 : 0 : Caso Cotráro H : 0 Apesar de ão ser objetvo do artgo, também é possível realzar teste de hpóteses da forma H : 0 0 versus H : 0, para j,..., k, com a utlzação do j coefcete de correlação parcal ao quadrado. Por exemplo, se desejamos testar H0: 0versus j H : 0, sera ecessáro calcular o coefcete de correlação parcal ao quadrado etre e X, [ r ; X X,..., Xk ] descosderado o efeto das demas varáves e cosderar que a varável aleatóra R ; X X,..., Xk possu dstrbução por amostragem Beta com parâmetros gual a / e (-k-)/. Para o cálculo do coefcete de correlação parcal etre e X, por exemplo, basta calcular a correlação 7
8 de Pearso etre os resíduos de, em fução X,...X k, e os resíduos de X em fução X,...X k. Em geral tal abordagem é bem compreedda pelos aluos, prcpalmete chamado a ateção de que os resíduos cotém a parte ão explcada da varável depedete em fução das varáves explcatvas. De maera geral, a explcação ateror pode ser utlzada para todos os testes do tpo H : 0 0 versus H : 0. Além dsso, podemos utlzar os coefcetes de correlação parcal para realzar testes de hpóteses para quasquer submodelos com a hpótese ula formulada como j j H : j em que j<k. Neste caso, o coefcete de correlação parcal ao quadrado ; X,..., X j X j,..., Xk R possu dstrbução por amostragem Beta com parâmetros guas a j/ e (-k-)/. Quato ao j>, devemos eteder a correlação o setdo múltplo. Maores detalhes sobre esta seção podem ser obtdos em Weatherbur (96). 4. Exemplo Numérco O exemplo descrto esta seção fo retrado de Aderso et al. (00) e será resolvdo por meo da plalha eletrôca Mcrosoft Excel00. Poderíamos utlzar softwares como o Mtab, R, Matlab, SPSS, SAS, etc., mas costatamos que mutas vezes o Excel é a úca opção dspoível. A Fgura 3 mostra a plalha com os dados da potêca (em HP), do peso (em lbras) e da velocdade (em mlhas por hora), após percorrda ¼ de mlha, para 6 carros GT e esporte (998 Road & Track Sports & GT Cars). O objetvo é avalar se a velocdade (V) do carro está relacoada ao seu peso e à sua potêca. Para sso, podemos calmete cosderar o modelo V Peso Pot, 0 para o qual desejamos realzar o teste das hpóteses H0 : 0 versus H : caso cotráro. Vamos assumr que as suposções clásscas do modelo de regressão estão satsfetas. Prmeramete, obtemos os estmadores de mímos quadrados ˆ 0, ˆ e ˆ. Na célula E4 sermos a fução =PROJ.LIN(D:D7;B:C7;;). Selecoamos um úmero de células gual ao úmero de parâmetros a serem estmados, E4:G4. Em 8
9 seguda, apertamos F, segudo por CTRL+SHIFT+ENTER, e obtemos as estmatvas de mímos quadrados. A velocdade estmada (VE) é obtda como VE ˆ ˆ Peso ˆ Pot. No Excel sermos a célula H a fórmula 0 =$G$+$F$*B+$E$*C e arrastamos até a célula H7. O valor de r é obtdo dvddo-se a varâca da velocdade estmada pela varâca da velocdade observada. No Excel, sermos a célula I a fórmula =VAR(H:H7)/VAR(D:D7) obtedo Adotado que R possu dstrbução Beta com parâmetros [k/] e 6.5 [(-k-)/] e cosderado um ível de sgfcâca de 5%, podemos obter L com ajuda da fução BETA.ACUM.INV(0,95;;6.5). Cosderado que r =0,8804 e L=0,3693, rejetamos H 0 e cosderamos que o modelo é útl para explcar velocdade por, ao meos, uma das varáves explcatvas ao ível de sgfcâca de 5%. Fgura 3: Plalha com dados de potêca, peso e velocdade para 6 carros GT e esporte. A Fgura 4 lustra a regão de rejeção em fução do L. A probabldade de sgfcâca (valor p) pode ser obtda como PR ( ) e o Excel por meo da fórmula =-DISTBETA(I;;6,5). A Fgura 5 apreseta a plalha com os resultados umércos obtdos para avalação da utldade do modelo de regressão lear múltpla, explcados esta seção. 9
10 Fgura 4: Regão de rejeção do teste do exemplo. Fgura 5: Cálculos realzados para avalação da utldade do modelo. Destacamos que todos os resultados obtdos esta seção seram guas se fosse utlzado a estatístca F para aálse. 0
11 5. Tabela para Avalação do r Esta seção apreseta a Tabela, com valores crítcos para comparação com com r, com objetvo de avalar a utldade de um modelo geral X X X cosderado o úmero de regressores k varado 0... k k etre e 0 e o tamaho amostral varado etre 3 e 5. Tal escolha de e k cotempla a maora dos exemplos e exercícos cotdos em lvros ddátcos. O ível de sgfcâca adotado será o 5% o setdo de que é o mas usual. Assm, pretedemos permtr aos aluos uma rápda tomada de decsão sob a utldade do modelo ao ível de 5% de sgfcâca. Fxados o úmero de regressores (k) e o tamaho amostral (), temos o meor r para cosderamos o modelo útl (pelo meos um dos parâmetros (,,..., k ) é dferete de zero ao ível de sgfcâca 5%). Por exemplo, a aplcação da Seção 3, temos =6 e k=, resultado que o mímo valor de cosderar o modelo útl ao ível de sgfcâca 5%, é 0,3693. r, para Para outros íves de sgfcâca, úmero de regressores e tamaho amostral, tabelas adcoas podem ser faclmete costruídas utlzado a fução BETA.ACUM.INV(-alfa;k/;(-k-)/) do Excel ou fução equvalete de softwares estatístcos. Observe que os valores crítcos da dstrbução Beta (L) podem também ser obtdos por meo da relação L F F * * / ( ), em que * F Fk k / ( ) e F é o valor crítco da dstrbução F de Fsher. Assm, caso seja ecessáro, o professor poderá utlzar as tradcoas tabelas F para obter os valores crítcos da dstrbução Beta. Etretato, recomedamos o uso da tabela Beta uma vez que esta opção mostrou-se mas compreesível e teressate aos aluos.
12 Tabela : Valor mímo de r para cosderar o modelo útl, ao ível de sgfcâca 5%. 6. Obtedo o r com uma Calculadora com o Módulo Regressão Lear Smples Mutas vezes ão dspomos de um laboratóro com computadores para serem usados os cálculos desevolvdos a Seção 4. Apesar de podemos forecer tabelas da dstrbução Beta como a lustrada a seção ateror ada temos o problema do cálculo do valor amostral de r que ão é pratcável de ser realzado maualmete durate o tempo de uma aula usual. Em geral a maora dos aluos dos prmeros aos de graduação possuem calculadoras que realzam apeas regressão lear smples e correlação lear de Pearso. Esta seção objetva mostrar como utlzar este recurso para o cálculo de r. A capacdade do método de regressão lear smples ser usado em problemas que demadam regressão lear múltpla com varáves Dummy s fo tratado por Lev et. al. (989) para o caso de aálse de varâca. Etretato, o artgo ão tratou da regressão lear múltpla o caso geral. Se as varáves explcatvas são ão correlacoadas etão r r r... r e o cálculo demadara smplesmete calcular o coefcete de yx yx yx k correlação lear etre e cada uma das varáves explcatvas X, X,..., X k.
13 Etretato, a prátca as varáves depedetes quase sempre possuem algum grau de correlação, o que complca o cálculo. Assm, o objetvo sera gerar varáves ão correlacoadas * * * X, X,..., X k a partr de X, X,..., X k e cosequetemete utlzarmos r r * r *... r * Sem yx yx yx k perda de geeraldade usaremos o caso k=4 para uma melhor explcação. Numa prmera etapa calculamos os resíduos da regressão lear smples etre X e X 4 e deotamos por R ; calculamos os resíduos etre X e X 4 e deotamos por R ; calculamos os resíduos etre X 3 e X 4 e deotamos por R 3. Agora calculamos os resíduos etre R e R 3 e deotamos por R 4 e calculamos os resíduos etre R e R 3 e deotamos por R 5. A varável * X será gual aos resíduos etre R 4 e R 5. A varável * X será gual ao resíduo etre R e R 3 ; a varável * X 3 será gual a R 3 e * X 4 = X 4. Para o exemplo descrto a Seção 4, temos que r r r * yx * yx Nossa sugestão é que o professor solcte um exercíco em sala de aula com duas ou três varáves explcatvas, com aproxmadamete gual a cco. Para o caso de três varáves explcatvas, o tempo para resolução, cludo o teste de hpóteses dscutdo este artgo, varou etre quze e vte mutos. 7. Coclusões O objetvo deste trabalho fo expor a mportâca de apresetar o teste de hpóteses baseado o coefcete de determação R e em sua dstrbução amostral Beta, como alteratva para testar a sgfcâca de um modelo de regressão lear múltpla. Este procedmeto se mostrou, pela ossa experêca em sala de aula, mas compreesível e tutvo aos aluos em relação ao equvalete e tradcoal teste F. No osso eteder, a prcpal explcação é que o valor de r pode ser terpretado como um ídce percetual de uso comum aos aluos dferetemete do valor F. O uso da dstrbução Beta também ão apreseta problemas, estado dspoível clusve em plalhas como o Excel. A Tabela 3 apresetou grade acetabldade e compreesão dos aluos, permtdo-lhes uma rápda tomada de 3
14 decsão em relação à utldade do modelo. Além dsso, o valor de r pode ser obtdo utlzado o módulo de regressão lear smples roteramete presetes em calculadoras báscas e acessíves. Falmete, efatzamos que é ecessáro que os aluos etedam que o teste realzado só será acetável se as hpóteses clásscas relatvas ao compoete erro sejam julgadas satsfatóras. 8. Referêcas Aderso, D. R.; Sweeey, D. J. & Wllams, T. A. Essetals of statstcs for busess ad ecoomcs. Thomso Learg, 00. Ascombe, F.J. Graphs Statstcal Aalyss. The Amerca Statstca,.7, p.7-, 973. Camero, S. Why s the R square Adjusted Reposted?. Joural of Quattatve Ecoomcs, v.9,., p.83-86, 993. Foster, F. D; Smth, T. & Whaley, Robert E. Assessg Goodess-of-Ft of Asset Prcg Models: The Dstrbuto of the maxmal R. The Joural of Face, V. LII,., p , 997. Goldberg, A. S. A Course e Ecoometrcs. Cambrdge, Mass: Havard Uversty, Press, 99. Gujarat, D. N. Basc Ecoometrcs, 4 th ed. McGraw-Hll Compaes, Ic, 003. Lev, J. R.; Serl, R. C. & Webe-Berma, L. Aalyss of varace though smple correlato. The Amerca Statstca,.43, p.3-34, 989. Motgomery, D. C.; Peck, E. A & Vg, G. G. Itroducto to lear regresso aalyss, 3d ed, Wley-Iterscece, 006. Saha, H. & Msra, S. Deftos of sample varace: some teachg problems to be overcome. The Statstca,.4, p.55-64, 99. Weatherbur, C. E. A Frst Course Mathematcal Statstcs. Cambrdge at The Uversty Press, 96. Mcrosoft ad Excel are regstered trademarks of Mcrosoft Corporato the Uted States ad other coutres. 4
Estatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se
Leia mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisProbabilidades e Estatística
Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisRegressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia mais9 Medidas Descritivas
1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisEstatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
Leia mais50 Logo, Número de erros de impressão
Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores
Leia maisLista de Exercícios #9 Assunto: Análise de Regressão Método de Mínimos Quadrados
Lsta de Exercícos #9 Assuto: Aálse de Regressão Método de Mímos Quadrados ANPEC 8 Questão 4 Cosdere o segute modelo de regressão lear smples: () y = β + β x + u Para uma amostra com 3 observações, foram
Leia mais3. TESTES DE QUALIDADE DE AJUSTAMENTO
Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução
Leia maisOrganização; Resumo; Apresentação.
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisControle Estatístico de Qualidade. Capítulo 6 (montgomery)
Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem
Leia maisA análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia maisModelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
Leia maisEstatística Básica - Continuação
Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas
Leia maisModelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora)
Modelos de Regressão Lear Smples e Múltpla Fabo Atoo Avlla (Matemátca) Profª Dra. Care Savall Redígolo (Oretadora) Resumo Dversas áreas do cohecmeto cetífco procuram valdar suas hpóteses por meo de pesqusas
Leia maisRegressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia mais3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento:
Lsta de Exercícos #9 Ass uto: Aáls e de Re gres s ão Mé todo de Mímos Quadrados. ANPEC 99 - Questão 8 A capacdade de produção stalada (Y), em toeladas, de uma frma, pode ser fução da potêca stalada (X),
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val/ ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisDESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS
DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia maisAVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR. José Antonio Stark Ferreira
1 AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR José Atoo Stark Ferrera I - INTRODUÇÃO O presete estudo fo desevolvdo objetvado mesurar os gahos e perdas patrmoas
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisProf. Janete Pereira Amador 1
Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.
Leia maisIntrodução à Correlação e Regressão Linear
Itrodução à Correlação e Regressão Lear Ru Carvalho Olvera rolv@st.utl.pt Estatístca Descrtva amostras bvaradas Amostras bvaradas: cada etdade (dvíduo/objecto é caracterzado por um par de varáves (atrbutos
Leia maisMEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisAnálise Exploratória de Dados
Aálse Eploratóra de Dados Objetvos Aálse bvarada: uma varável qualtatva e uma quattatva: represetar grafcamete as duas varáves combadas; defr e calcular uma medda de assocação etre as varáves. Eemplo 1
Leia maisCaracterização de Partículas. Prof. Gerônimo
Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065
Leia mais3 Experimento com Mistura com Respostas Não-Normais
Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,
Leia maisRegressão Linear Simples uma revisão
Regressã Lear mples uma revsã A regressã lear é útl quad a varável de teresse (depedete se relaca e é afetada pr uma u mas varáves (depedetes. Cmecems pel mdel que da frma mas smples pssível pde represetar
Leia maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia maisn. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia mais