ANÁLISE DISCRIMINANTE (MÓDULO I)

Tamanho: px
Começar a partir da página:

Download "ANÁLISE DISCRIMINANTE (MÓDULO I)"

Transcrição

1 Universidade Federal do Pará Instituto de Ciências Exatas e Naturais Faculdade de Estatística Estatística Aplicada ANÁLISE DISCRIMINANTE (MÓDULO I) Franciely Farias da Cunha ( ), aluna do curso de bacharelado em Estatística pela Universidade Federal do Pará. Belém 2014

2 1. O que é a Análise Discriminante? É uma técnica multivariada utilizada quando a variável dependente é categórica, ou seja, qualitativa (não métrica) e as variáveis independentes são quantitativas (métricas). 1.1 Qual seu objetivo? O objetivo principal da AD é identificar as variáveis que discriminam os grupos e, assim, elaborar previsões a respeito de uma nova observação, identificando o grupo mais adequado a que ela deverá pertencer, em função de suas características. Para alcançar esse objetivo, a AD gera funções discriminantes (combinações lineares das variáveis) que ampliam a discriminação dos grupos descritos pelas variáveis dependentes (FÁVERO et al., 2009). 2. Tipos de Análise Discriminante Quando o pesquisador estiver interessado em estudar somente dois grupos de variáveis dependentes, a técnica é chamada de Análise Discriminante Simples. No entanto, em muitos casos, há o interesse na discriminação entre mais de dois grupos, sendo a técnica, assim, denominada de Análise Discriminante Múltipla (MDA). 2.1 Objetivos Os objetivos principais desses dois tipos de análises são parecidos: (i) identificar as variáveis que melhor discriminam dois ou mais grupos; (ii) utilizar estas variáveis para desenvolver funções discriminantes que representem as diferenças entre os grupos; (iii) fazer uso das funções discriminantes para o desenvolvimento de regras de classificação de futuras observações nos grupos. 3. Modelagem da Análise Discriminante Antes de iniciar a modelagem da AD propriamente dita, é pertinente esclarecer os pressupostos inerentes a está técnica. As suposiçoes em AD, de acordo Hair et al. (2005) e Fávero et al. (2009), são: Normalidade multivariada das variáveis explicativas: a violação desse pressuposto poderá causar distorções nas avaliações do pesquisador;

3 Homogeneidade das Matrizes de variância e covariância: este pressuposto é verificado por meio da estatística Box s M, que pode ser sensível ao tamanho da amostra; Inexistência de outliers; Presença de linearidade das relações; Ausência de problemas relacionados à multicolinearidade das variáveis explicativas. 4. Tamanho da Amostra Hair et al. (2005), destaca que é essencial definir o tamanho correto da amostra que será estudada, já que esta técnica é muito sensível à proporção do tamanho da amostra em relação ao número de variáveis preditoras. Assim, como regra geral, utiliza-se no mínimo 20 observações para cada variável explicativa, mesmo que o número final das variáveis preditoras a serem incluídas no modelo seja reduzido (método stepwise). 5. Composições das Funções Discriminantes Apresentados os pressupostos, pode-se começar os passos para a composição das funções discriminantes. Portanto, esta etapa consiste na seleção da varável dependente (categórica) e das variáveis explicativas (métricas). A AD permite o conhecimento das variáveis que mais se destacam na discriminação dos grupos, a partir de testes estatísticos, como o lambda de Wilks, a correlação canônica, o qui-quadrado e o eigenvalue. O lambda de Wilks, que varia de 0 a 1, propicia a avaliação da existência de diferenças de médias entre os grupos para cada variável. Os valores elevados desta estatística indicam ausência de diferenças entre os grupos, e sua expressão é dada por SQ dg SQT, em que SQ dg representa a soma dos erros (dentro dos grupos) e SQT, a soma dos quadrados total. Com a seleção das variáveis discriminantes (explicativas) para formação dos grupos, o próximo passo é a identificação das funções discriminantes. Desta forma, a função geral discriminante pode ser representada pela seguinte equação linear, X X... Zn n n, em que Z é a variável dependente, α é o intercepto, X i são as variáveis explicativas e β 1 são os coeficientes discriminantes para cada variável explicativa. 1 X

4 Fávero et al. (2009), afirmam que é importante ressaltar que esta função discriminante é diferente da função discriminante linear de Fisher, uma vez que, enquanto a primeira é utilizada como um meio de facilitar a interpretação dos parâmetros das variáveis explicativas, a função discriminante linear de Fisher é utilizada para classificar as observações nos grupos, assim os valores das variáveis explicativas de uma observação são inseridos nas funções de classificação e, consequentemente, um escore de classificação é calculado para cada grupo, para aquela observação. Dadas as p variáveis e g grupos, é possível estabelecer m = min(g - 1; p) funções discriminantes que são combinações lineares das p variáveis, de modo que a função linear de Fisher seja dada por n n, em que Wi representa o vetor de pesos das variáveis para as funções discriminantes e são estimados de modo que a variabilidade dos escores da função discriminante seja máxima entre os grupos e mínima dentro dos grupos (MAROCO, 2007). Em termos matriciais, Sharma (1996) apresenta a função discriminante como, ' X, Em que X (px1) e a transposta da matriz com p variáveis e representa o vetor de pesos das variáveis. A soma dos quadrados totais dos escores pode ser ' ' ' ' ' ' ( X ) (X ) XX XX ' Sendo T a matriz da soma dos definido como quadrados e produtos cruzados totais da matriz X com p variáveis. Fazendo T = B + W, em que B e W representam, respectivamente, as matrizes das somas dos quadrados entre os grupos e dentro dos grupos, a soma dos quadrados totais para a função discriminante pode agora ser escrita como (MAROCO, 2007), Uma vez que B e W são respectivamente a soma dos quadrados entre os grupos e dentro dos grupos para a função, a obtenção da função discriminante resume-se, segundo Maroco (2007), a encontrar o vetor, de modo que Seja máximo. 6. Escore de Corte Zn W 1X W X... W X ' ' ' T '( B W) ' B ' W ' B, ' W Após a função discrimante ser definida, será calculado o escore discriminante da variável dependente (Z) para cada observação. Segundo Hair

5 et al. (2005), o escore de corte é o critério em relação ao qual o escore discriminante de cada objeto é comparado para determinar em qual grupo o objeto deve ser classificado. Para os grupos de mesma dimensão amostral (tamanho), o cálculo do escore de corte é f d1 d2 2 em que d1 e d 2 representam as médias das funções discriminantes (centróides) nos grupos 1 e 2, respectivamente. Já para o grupos de tamanhos diferentes, têm-se n f n n 1d1 n2d2 em que n 1 e n 2 são os tamanhos dos grupos 1 e 2, respectivamente. Sharma (1996) destaca que o valor do corte selecionado é aquele que minimiza o número de classificação incorreta Métodos: Simultâneo e Stepwise Simultâneo: considera a inclusão de todas as variáveis explicativas conjuntamente no modelo, mesmo quando 1 ou mais delas não forem significativas. Stepwise: considera a inclusão passo a passo apenas das variáveis significantes. O procedimento de stepwise oferece diversos métodos de inclusão ou exclusão de variáveis discriminantes na função discriminante. Dentre eles podemos citar: Método de lambda de Wilks D 2 de Mahalanobis Razão F entre os grupos V de Rao Método Unexplained Variance 8. Aplicação EXEMPLO: Um agrônomo deseja estudar a qualidade do solo de uma área particular de plantio de Açaí. Porém, neste momento, para cada amostra de solo foi atribuído um índice e, então a amostra de solo foi classificada

6 (categorizada) de acordo com esse índice, sendo estabelecido o seguinte critério: valor do índice igual ou superior a 0,70 é considerados bom; valor situado de 0,35 e 0,69 é regular; valor inferior a 0,35 é considerado ruim. As variáveis explicativas que poderão formar a função discriminante, a fim de que as amostras sejam distribuídas nos grupos corretos são: potencial hidrogeniônico (ph), matéria orgânica (MO), fósforo (P), potássio (K), cálcio (Ca), magnésio (Mg), alumínio, (Al), acidez potencial (H+Al) e saturação por base (V). Para aplicar a técnica podemos utilizar o software SPSS, após abrir o banco de dados, é necessário clicar em Analisar Classificar Discriminante. Insira a variável Grupo na caixa Variável de Agrupamento e defina a amplitude dos grupos, clicando em Definir faixa. Digite 1 e 3 em Mínimo e Máximo, respectivamente, a fim de que todas as categorias da variável dependente sejam selecionados para a formação dos grupos (3 grupos). Posteriormente clique em Continuar.

7 Após definir as variáveis explicativas e a variável dependente, deve-se selecionar a opção Usar método por etapa. Em Método, selecione o tipo de teste a ser aplicado quando da elaboração do procedimento stepwise na AD. Nesse exemplo, será utilizado o método lambda de Wilks. Em Exibir, clique na opção Resumo das etapas, que propicia a apresentação das tabelas com as variáveis inseridas e removidas do modelo e os respectivos valores de lambda de Wilks. O critério de inclusão ou exclusão de variáveis será mantido de acordo com o padrão do software. Em critérios use a probabilidade de F, porteriormente clique em Continuar. Clique em Estatística para selecionar as opções referentes às estatísticas que serão geradas para a análise. Marque todas as opções e clique em Continuar.

8 Em Classificação, selecione a opção Calcular a partir de tamanhos de grupo e clique na opção Tabela de resumo em exibir. Selecione a opção Dentro dos grupos em Usar Matriz de Covariância. Por fim, em Diagramas, selecione grupos combinados e Territorial Map, depois clique em Continuar e em OK. A Figura a seguir apresenta a análise descritiva das variáveis, em que pode-se ver as médias, os desvio padrão e o número de observações em cada grupo, com o total de 45 observações. Group Statistics Grupo Mean Std. Deviation Valid N (listwise) Unweighted Weighted ph 4,7267, ,000 MO,9416, ,000 P 1,0841, ,000 K -,8594, ,000 Ruim Ca,4747, ,000 Mg -,4135, ,000 Al,9972, ,000 HeAl 5,2593, ,000 V 17,4638 5, ,000 ph 5,5305, ,000 MO,8844, ,000 P 1,1743, ,000 K -,7500, ,000 Regular Ca 1,5406, ,000 Mg -,2425, ,000 Al,5024, ,000 HeAl 3,6032 1, ,000 V 42, , ,000 ph 6,4850, ,000 MO,8534, ,000 P 1,3490, ,000 K -,5811, ,000 Bom Ca 2,5437, ,000 Mg -,2139, ,000 Al,1250, ,000 HeAl 1,5741, ,000 V 68,8069 9, ,000 ph 5,3362, ,000 MO,9031, ,000 Total P 1,1615, ,000 K -,7713, ,000 Ca 1,2480, ,000

9 Mg -,3071, ,000 Al,6500, ,000 HeAl 3,9951 1, ,000 V 35, , ,000 O teste de igualdade de médias dos grupos para cada variável explicativa é apresentado na próxima Figura, que mostra a ANOVA One Way das variáveis em estudo. Nela, também pode-se identificar as variáveis que são as melhores discriminantes dos níveis de qualidade (bom, regular e ruim). O lambda de Wilks, que varia de 0 a 1, testa a existência de diferenças de médias entre os grupos para cada variável. É importante lembrar que valores elevados desta estatística indicam ausência de diferenças entre os grupos. Pode-se perceber por meio dessa mesma Figura que as variáveis Saturação por Base (V), Potencial Hidrogeniônico (ph) e Cálcio (Ca) são as que mais discriminam os grupos, ou seja, seu poder de diferenciação dos grupos é superior, se comparado com as outras variáveis. Por outro lado, as variáveis Matéria Orgânica (MO) e Magésio (Mg) apresentam os valores mais elevados, demonstrando serem a pior em termos de discriminação dos grupos. O sig. F expressa as diferenças entre as médias, sendo que os valores mais próximos de 0 indicam médias mais distintas. Assim, pode-se assumir, que para a maioria das variáveis explicativas em análise, existe pelo menos um grupo em que as médias são diferentes. Tests of Equality of Group Means Wilks' Lambda F df1 df2 Sig. ph,232 69, ,000 MO,993, ,869 P,801 5, ,009 K,827 4, ,019 Ca,248 63, ,000 Mg,927 1, ,202 Al,416 29, ,000 HeAl,468 23, ,000 V,214 76, ,000 As próximas Figuras apresentam as matrizes de covariância e de correlações. Estas figuras contribuem para a avaliação da relação entre as variáveis, e é a partir delas que pode-se notar a presença de multicolinearidade entre os elementos. Caso ocorram correlações muito elevadas entre duas variáveis, recomenda-se a exclusão de uma delas.

10 Pooled Within-Groups Matrices a ph MO P K Ca Mg Al HeAl V ph,111,006,015,014,082 -,003 -,022 -,104 1,624 MO,006,173,017,003,006,004,021 -,049,305 P,015,017,031,016,031 -,008,007,037,197 K,014,003,016,042,009 -,010,002,078 -,211 Covariance Ca,082,006,031,009,178 -,016 -,015 -,037 2,020 Mg -,003,004 -,008 -,010 -,016,103,027,021,899 Al -,022,021,007,002 -,015,027,073,079 -,416 HeAl -,104 -,049,037,078 -,037,021,079 1,404-7,888 V 1,624,305,197 -,211 2,020,899 -,416-7,888 87,886 ph 1,000,042,263,208,582 -,033 -,250 -,264,521 MO,042 1,000,226,040,037,031,189 -,100,078 P,263,226 1,000,441,424 -,138,140,180,120 K,208,040,441 1,000,100 -,153,033,323 -,110 Correlation Ca,582,037,424,100 1,000 -,120 -,131 -,073,510 Mg -,033,031 -,138 -,153 -,120 1,000,308,056,298 Al -,250,189,140,033 -,131,308 1,000,247 -,165 HeAl -,264 -,100,180,323 -,073,056,247 1,000 -,710 V,521,078,120 -,110,510,298 -,165 -,710 1,000 a. The covariance matrix has 42 degrees of freedom. A seguir mostra-se a matriz de covariância para cada um dos grupos auxilia quanto à percepção de homogeneidade de covariância. É importante lembrar que a presença de homogeneidade das matrizes de covariância é um dos pressupostos da AD. Entretanto é a partir da estatística Box M que será verificado se as diferentes dispersões observadas são ou não estatisticamente significativas. Este teste tem como hipótese nula que não há diferenças significativas entre os grupos, ou seja, que há homogeneidade das matrizes de covariância para os grupos em análise. Covariance Matrices a Grupo ph MO P K Ca Mg Al HeAl V ph,074,005 -,001,018,018 -,004 -,040,008,321 MO,005,192,003,005 -,016,017 -,012 -,050,045 P -,001,003,021,004,008 -,003 -,002,027,094 K,018,005,004,039,013 -,025 -,012,028,073 Ruim Ca,018 -,016,008,013,081 -,025 -,028 -,040 1,117 Mg -,004,017 -,003 -,025 -,025,111,000 -,004,892 Al -,040 -,012 -,002 -,012 -,028,000,040,031 -,554 HeAl,008 -,050,027,028 -,040 -,004,031,466-1,566 V,321,045,094,073 1,117,892 -,554-1,566 35,221

11 ph,140,008,034,024,108 -,014 -,013 -,214 2,643 MO,008,184,024,001,011 -,005,054 -,059,515 P,034,024,039,026,054 -,008,015,045,510 K,024,001,026,048,020,005,014,131 -,282 Regular Ca,108,011,054,020,212 -,030 -,008 -,021 2,378 Mg -,014 -,005 -,008,005 -,030,105,056,063,647 Al -,013,054,015,014 -,008,056,119,141 -,419 HeAl -,214 -,059,045,131 -,021,063,141 2,504-14,354 V 2,643,515,510 -,282 2,378,647 -,419-14, ,592 ph,122,001 -,003 -,035,193,040 -,001 -,047 1,983 MO,001,062,032,009,065 -,003,005 -,008,352 P -,003,032,032,018,021 -,026,002,042 -,702 K -,035,009,018,027 -,050 -,019,000,040 -,888 Bom Ca,193,065,021 -,050,372,070,002 -,087 3,654 Mg,040 -,003 -,026 -,019,070,071 -,002 -,060 1,929 Al -,001,005,002,000,002 -,002,001 -,006,064 HeAl -,047 -,008,042,040 -,087 -,060 -,006,195-3,519 V 1,983,352 -,702 -,888 3,654 1,929,064-3,519 84,122 ph,456 -,014,065,067,501,044 -,204 -,830 11,914 MO -,014,166,013,000 -,017,001,031 -,007 -,281 P,065,013,037,023,089 -,001 -,019 -,069 1,654 K,067,000,023,048,073 -,003 -,026 -,038 1,384 Total Ca,501 -,017,089,073,684,044 -,237 -,917 14,495 Mg,044,001 -,001 -,003,044,107 -,001 -,078 2,282 Al -,204,031 -,019 -,026 -,237 -,001,167,456-5,836 HeAl -,830 -,007 -,069 -,038 -,917 -,078,456 2,867-29,161 V 11,914 -,281 1,654 1,384 14,495 2,282-5,836-29, ,340 a. The total covariance matrix has 44 degrees of freedom. Resultado do teste Box M Test Results Box's M 8,450 Approx. 1,259 F df1 6 df2 1762,804 Sig.,273 Tests null hypothesis of equal population covariance matrices. A Figura a seguir fornece as variáveis discriminantes em cada passo da análise. Pode-se perceber que apenas a variável V é incluída no modelo no passo 1. Já no passo 2, são incluídas as variáveis V e ph. Por mais que as variáveis P, K, Ca, Al e H + Al tenham se mostrado significante, isto é,

12 apresentam diferenças significativas nos três grupos, eles não foram incluídos na análise. Como pode ser observado por meio da matriz de correlações totais, obtida por meio do procedimento Analisar Correlação Bivariada, essas variáveis apresentam altas correlações com as variáveis V e ph selecionados na análise. Portanto, ficaram no modelo apenas os atributos com menores valores de lambdas de Wilks. Variables Entered/Removed a,b,c,d Step Entered Wilks' Lambda Statistic df1 df2 df3 Exact F Statistic df1 df2 Sig. 1 V, ,000 76, ,000,000 2 ph, ,000 28, ,000,000 At each step, the variable that minimizes the overall Wilks' Lambda is entered. a. Maximum number of steps is 18. b. Maximum significance of F to enter is.05. c. Minimum significance of F to remove is.10. d. F level, tolerance, or VIN insufficient for further computation. Variáveis discriminantes em cada passo (stepwise) Variables in the Analysis Step Tolerance Sig. of F to Remove Wilks' Lambda 1 V 1,000,000 2 V,729,004,232 ph,729,021,214

13 Após a definição das variáveis discriminantes, procedeu-se a determinação das funções discriminantes importantes na análise das contribuições desses atributos. Neste estudo, como há três grupos, duas funções discriminantes são definidas para representar 100% da variância total, conforme apresenta a Figura a seguir, nela nota-se que houve grande predominância da primeira função discriminante, que representa 99,9% da variância total explicada. Além disso, o valor alto do coeficiente de correlação canônica da primeira função indica alto grau de associação entre a primeira função discriminante e os grupos. Eigenvalues Function Eigenvalue % of Variance Cumulative % Canonical Correlation 1 4,591 a 99,9 99,9,906 2,007 a,1 100,0,081 a. First 2 canonical discriminant functions were used in the analysis. Na Figura a seguir, inicialmente na primeira linha, são testadas as duas funções em conjunto, podendo-se concluir que pelo menos a primeira função discriminante é altamente significativa. A linha seguinte é referente à segunda função discriminante, sendo que não é possível rejeitar H 0 de que as médias dos grupos nesta função são iguais. Além disso, há um decréscimo no poder discriminatório por conta do aumento no valor do lambda de Wilks. Wilks' Lambda Test of Function(s) Wilks' Lambda Chi-square df Sig. 1 through 2,178 71,704 4,000 2,993,272 1,602 A Figura a seguir apresenta os coeficientes não padronizados das funções discriminantes para cada uma das variáveis explicativas. Canonical Discriminant Function Coefficients Function 1 2 ph 1,582 3,144 V,066 -,106 (Constant) -10,819-12,958 Unstandardized coefficients Os coeficientes padronizados das funções discriminantes são obtidos pela multiplicação dos coeficientes não padronizados pelas respectivas raízes de covariâncias para cada variável. Os valores dos coeficientes padronizados das funções discriminantes, são apresentados na Figura abaixo. Segundo Maroco (2007), esses coeficientes, que também são chamados de pesos

14 discriminantes, podem ser utilizados para avaliar a importância relativa de cada variável explicativa para a função discriminante. Assim, variáveis explicativas com grande poder discriminante geralmente apresentam grandes pesos, porém a presença de multicolinearidade pode gerar certa igualdade na magnitude dos pesos discriminantes. A matriz de estrutura apresentada abaixo auxilia na interpretação da contribuição que cada variável forneceu para cada função discriminante, uma vez que apresenta as correlações entre as variáveis explicativas e as funções discriminantes canônicas padronizadas. As variáveis cujos valores apresentam-se com o asterico são as mais relevantes para a determinação de cada função discriminante, uma vez que oferecem maiores correlações com essas funções. Porém, apenas as variáveis com maior correlação com cada função canônica serão incluídos no modelo final, ou seja, V e ph na primeira função discriminante. Standardized Canonical Discriminant Function Coefficients Function 1 2 ph,527 1,046 V,619 -,994 Structure Matrix Function 1 2 V,893 * -,450 ph,849 *,529 Ca b,622 *,101 HeAl b -,579 *,429 Al b -,234 * -,098 P b,212 *,156 MO b,071 * -,034 Mg b,167 -,330 * K b,041,327 * A definição do ponto de corte auxilia na classificação de novos elementos. A Figura abaixo apresenta os coeficientes das funções de classificação, que servem apenas para classificar observações e não têm qualquer interpretação discriminante. Classification Function Coefficients Grupo Ruim Regular Bom ph 54,545 58,771 64,570 V -,809 -,603 -,410 (Constant) -122, , ,263 Fisher's linear discriminant functions

15 Como exemplo, considere uma amostra de solo com o grau de reação do potencial hidrogeniônico (ph) igual a 6,57 e percentual de saturação por bases (V) igual a 75,18%. Qual o possível grupo que pertenceria essa amostra de solo? Bom = 64; 57 x 6; 57 0,41 x 75,18 197,26 = 196,11; Regular = 58; 77 x 6; 57 0,60 x 75,18 150,47 = 190,34; Ruim = 54; 54 x 6, 57 0,81 x 75,18 122,76 = 174,75. Dessa forma, essa nova amostra de solo, com as características mencionadas, pertenceria ao grupo bom do índice de qualidade do solo, visto que é neste grupo que se observa o maior valor das funções de classificação. A Figura abaixo mostra o resultado da classificação das amostras de solo pelo procedimento stepwise. Observa-se que 91,11% das amostras de solo foram classificadas corretamente e que apenas 4 amostras foram classificadas de forma errada. Classification Results a Grupo Predicted Group Membership Ruim Regular Bom Total Ruim Count Regular Original Bom Ruim 100,0,0,0 100,0 % Regular 4,8 85,7 9,5 100,0 Bom,0 16,7 83,3 100,0 a. 91,1% of original grouped cases correctly classified. No menu Analisar Classificar Discriminante, clique em Salvar e selecione a opção Associação de grupo prevista, clique em continuar e em OK.

16 Esta opção faz com que uma nova variável seja incluída no banco de dados, com os resultados dos grupos preditos. Este procedimento, realizado para cada observação, foi elaborado da mesma forma que o desenvolvido anteriormente quando do cálculo dos escores das funções de classificação para definição do grupo da nova amostra de solo. A Figura abaixo apresenta este novo banco de dados, por meio do qual é possível verificar quais foram as quatro observações classificadas de modo errado. REFERÊNCIAS [1] FÁVERO, L. P.; BELFIORE, P.; SILVA, F. L.; CHAN, B. L. Análise de dados: modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier, [2] HAIR, J. F.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W. C. Análise multivariada de dados. Porto Alegre: Bookman, [3] MAROCO, J. Análise estatística com utilização do SPSS. 3. ed. Lisboa: Edições Sílabo, [4] SHARMA, S. Applied multivariate techniques. New York: John Wiley & Sons, 1996.

Estatística Aplicada à Administração II

Estatística Aplicada à Administração II Estatística Aplicada à Administração II Tópico: Análise Discriminante (No SPSS e no Minitab) Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 1992 L.J. Corrar; E. Paulo;

Leia mais

Analise discriminante rácios Económico - Financeiros - VI Page 1

Analise discriminante rácios Económico - Financeiros - VI Page 1 Frequencies ANALISE DOS RÁCIOS Notes Missing Value Handling Syntax Definition of Missing Cases Used Userdefined missing values are treated as missing. Statistics are based on all cases with valid data.

Leia mais

Módulo 19 - Análise Discriminante Geração de Tabelas

Módulo 19 - Análise Discriminante Geração de Tabelas Módulo 19 - Análise Discriminante Geração de Tabelas Situação Problema Um banco deseja classificar seus clientes de acordo com seu perfil de investimento: investidor conservador, investidor moderado ou

Leia mais

Discriminant Rácios de Altman Output Created Comments Missing Value Handling

Discriminant Rácios de Altman Output Created Comments Missing Value Handling Discriminant Rácios de Altman Output Created Comments Missing Value Handling Syntax Definition of Missing Cases Used User-defined missing values are treated as missing in the analysis phase. In the analysis

Leia mais

UNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada

UNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada UNIVERSIDADE FEDERAL FLUMINENSE Programa de Mestrado e Doutorado em Engenharia de Produção Disciplina: Estatística Multivariada Aula: Análise Discriminante Professor: Valdecy Pereira, D. Sc. email: valdecy.pereira@gmail.com

Leia mais

Análise Multivariada Aplicada à Contabilidade

Análise 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 mais

Análise Discriminante

Análise Discriminante Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Análise Discriminante Análise Discriminante 1 Análise discriminante - A

Leia mais

Módulo 16- Análise de Regressão

Módulo 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 mais

IDENTIFICANDO O ENDIVIDAMENTO DOS ESTADOS BRASILEIROS: UMA PROPOSTA ATRAVÉS DE ANÁLISE DISCRIMINANTE

IDENTIFICANDO O ENDIVIDAMENTO DOS ESTADOS BRASILEIROS: UMA PROPOSTA ATRAVÉS DE ANÁLISE DISCRIMINANTE IDENTIFICANDO O ENDIVIDAMENTO DOS ESTADOS BRASILEIROS: UMA PROPOSTA ATRAVÉS DE ANÁLISE DISCRIMINANTE Autores GILMAR RIBEIRO DE MELLO Universidade Estadual do Oeste do Paraná FABRICIO DE QUEIROZ MACEDO

Leia mais

Testes de Hipóteses. : Existe efeito

Testes de Hipóteses. : Existe efeito Testes de Hipóteses Hipótese Estatística de teste Distribuição da estatística de teste Decisão H 0 : Não existe efeito vs. H 1 : Existe efeito Hipótese nula Hipótese alternativa Varia conforme a natureza

Leia mais

Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais. ESTATÍSTICA MULTIVARIADA 2º. Semestre 2006/07

Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais. ESTATÍSTICA MULTIVARIADA 2º. Semestre 2006/07 Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais ESTATÍSTICA MULTIVARIADA 2º. Semestre 2006/07 28.Maio.2007 José Filipe Rafael I Um colega seu está a tentar explicar o salário

Leia mais

Exame de Recorrência de Métodos Estatísticos. Departamento de Matemática Universidade de Aveiro

Exame de Recorrência de Métodos Estatísticos. Departamento de Matemática Universidade de Aveiro Exame de Recorrência de Métodos Estatísticos Departamento de Matemática Universidade de Aveiro Data: 6/6/6 Duração: 3 horas Nome: N.º: Curso: Regime: Declaro que desisto Classificação: As cotações deste

Leia mais

Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo. Disciplina: EAD 351. Técnicas Estatísticas de Agrupamento

Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo. Disciplina: EAD 351. Técnicas Estatísticas de Agrupamento Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo Disciplina: EAD 351 Técnicas Estatísticas de Agrupamento Análise Fatorial Tem o objetivo de obter um número menor de variáveis

Leia mais

Correlação e Regressão

Correlação 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 mais

UNIVERSIDADE 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: 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 mais

ESTATÍSTICA MULTIVARIADA. 2º. Semestre 2006/07

ESTATÍSTICA MULTIVARIADA. 2º. Semestre 2006/07 ESTATÍSTICA MULTIVARIADA º. Semestre 006/07.Março.007 José Filipe Rafael Fez um inquérito a 45 potenciais clientes de um novo produto pedindo-lhes que avaliassem nove características diferentes numa escala

Leia mais

INSTITUTO 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 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 mais

Capítulo 6 Estatística não-paramétrica

Capítulo 6 Estatística não-paramétrica Capítulo 6 Estatística não-paramétrica Slide 1 Teste de ajustamento do Qui-quadrado Testes de independência e de homogeneidade do Qui-quadrado Testes dos sinais e de Wilcoxon Teste de Mann-Whitney Teste

Leia mais

Universidade de Brasília - Y Instituto de Psicologia. Programa de Pós-graduação em Psicologia Social, do Trabalho e das Organizações.

Universidade de Brasília - Y Instituto de Psicologia. Programa de Pós-graduação em Psicologia Social, do Trabalho e das Organizações. Universidade de Brasília - Y Instituto de Psicologia Programa de Pós-graduação em Psicologia Social, do Trabalho e das Organizações. ROTEIRO PARA REALIZAÇÃO DO TESTE t de COMPARAÇÃO ENTRE MÉDIAS, CORRELAÇÕES

Leia mais

Estudo dirigido de Análise Multivariada

Estudo dirigido de Análise Multivariada Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto

Leia mais

Regression and Clinical prediction models

Regression 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 mais

ESTUDO COMPARATIVO DOS ESCORES FATORIAIS E DE COMPONENTES PRINCIPAIS EM DADOS ARQUEOMÉTRICOS.

ESTUDO COMPARATIVO DOS ESCORES FATORIAIS E DE COMPONENTES PRINCIPAIS EM DADOS ARQUEOMÉTRICOS. ESTUDO OMPRTIVO DOS ESORES FTORIIS E DE OMPONENTES PRINIPIS EM DDOS RQUEOMÉTRIOS. P.T.M.S. Oliveira, IME-USP,poliveir@ime.usp.br.. S. Munita, IPEN-NEN/SP, munita@curiango.ipen.br RESUMO: Em estudos arqueométricos

Leia mais

BIOESTATÍSTICA. Análise de regressão

BIOESTATÍSTICA. Análise de regressão BIOESTATÍSTICA Análise de regressão Análise de correlação Existe uma associação estatística entre duas variáveis? As duas variáveis são independentes ( ou seja, qual o grau da variação das duas juntas)?

Leia mais

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

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 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 mais

Análise estatística multivariada

Análise 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 mais

Módulo 18- Análise de Cluster Tutorial SPSS Análise dos Resultados Método Hierárquico e Não-Hierárquico

Módulo 18- Análise de Cluster Tutorial SPSS Análise dos Resultados Método Hierárquico e Não-Hierárquico Tutorial SPSS Módulo 8 Análise de Cluster Módulo 8- Análise de Cluster Tutorial SPSS Análise dos Resultados Método Hierárquico e Não-Hierárquico Situação Problema Apresentamos novamente a situação problema

Leia mais

variável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência

variável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência REGRESSÃO LOGÍSTICA É uma técnica recomendada para situações em que a variável dependente é de natureza dicotômica ou binária. Quanto às independentes, tanto podem ser categóricas ou não. A regressão logística

Leia mais

Capacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.

Capacitação 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 mais

Módulo 16- Análise de Regressão

Módulo 16- Análise de Regressão Módulo 16 Análise de Regressão 1 Módulo 16- Análise de Regressão Situação Problema Um grupo de investidores estrangeiros deseja aumentar suas atividades no Brasil. Considerando a conjuntura econômica de

Leia mais

Técnicas Multivariadas em Saúde

Técnicas Multivariadas em Saúde Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de

Leia mais

Bioestatística. Paulo Nogueira quarta-feira, 11 de Janeiro de 2012

Bioestatística. Paulo Nogueira quarta-feira, 11 de Janeiro de 2012 Bioestatística Paulo Nogueira quarta-feira, 11 de Janeiro de 2012 Bioestatística? Bioestatística Biologia + Estatística (Portmanteau) Biometria Estatística aplicada às ciências da saúde Para que serve

Leia mais

Variância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra)

Variância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra) Testes de Tendência Central (média, mediana, proporção) Classificação Variável 1 Variável 2 Núm ero Gru pos Dependência Teste Z Paramétrico Quantitativa - 1 - Premissas Variância pop. * conhecida Teste

Leia mais

GERAÇÃO DE UM ÍNDICE DE FERTILIDADE PARA DEFINIÇÃO DE ZONAS DE MANEJO EM AGRICULTURA DE PRECISÃO

GERAÇÃO DE UM ÍNDICE DE FERTILIDADE PARA DEFINIÇÃO DE ZONAS DE MANEJO EM AGRICULTURA DE PRECISÃO GERAÇÃO DE UM ÍNDICE DE FERTILIDADE PARA DEFINIÇÃO DE ZONAS DE MANEJO EM AGRICULTURA DE PRECISÃO ¹L.M.Gimenez, ²J.P. Molin (orientador): Departamento de Engenharia Rural ESALQ/USP RESUMO: A realização

Leia mais

ANÁLISE DISCRIMINANTE

ANÁLISE DISCRIMINANTE ANÁLISE DISCRIMINANTE 56 ª Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria 4 º Simpósio de Estatística Aplicada à Experimentação Agronômica Prof. Edwirde L. Silva 5 A 9 de Julho

Leia mais

ANÁLISE MULTIVARIADA APLICADA AS CIÊNCIAS AGRÁRIAS PÓS-GRADUAÇÃO EM AGRONOMIA CIÊNCIA DO SOLO: CPGA-CS

ANÁLISE MULTIVARIADA APLICADA AS CIÊNCIAS AGRÁRIAS PÓS-GRADUAÇÃO EM AGRONOMIA CIÊNCIA DO SOLO: CPGA-CS ANÁLISE MULTIVARIADA APLICADA AS CIÊNCIAS AGRÁRIAS PÓS-GRADUAÇÃO EM AGRONOMIA CIÊNCIA DO SOLO: CPGA-CS ANÁLISE DE VARIÁVEIS CANÔNICAS Carlos Alberto Alves Varella 1 ÍNDICE INTRODUÇÃO... 2 DIMENSIONALIDADE

Leia mais

ÍNDICE. Variáveis, Populações e Amostras. Estatística Descritiva PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 CAPÍTULO 2

ÍNDICE. Variáveis, Populações e Amostras. Estatística Descritiva PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 CAPÍTULO 2 COMO USAR ESTE LIVRO ÍNDICE PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 Variáveis, Populações e Amostras 1.1. VARIÁVEIS ESTATÍSTICAS E ESCALAS DE MEDIDA 27 1.2. POPULAÇÃO VS. AMOSTRA

Leia mais

1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27

1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27 Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4

Leia mais

Regressão linear múltipla. Regressão linear múltipla

Regressão 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 mais

Métodos Quantitativos Aplicados

Métodos Quantitativos Aplicados Métodos Quantitativos Aplicados Aula 10 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Análise Regressão: Avaliação de relações de dependência em que se explica o comportamento de uma/várias

Leia mais

Correlação e Regressão Linear

Correlação 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 mais

Estatística descritiva

Estatística descritiva Estatística descritiva Para que serve a estatística? Qual o seu principal objectivo? obter conclusões sobre a população usando uma amostra? População Amostragem Amostra Uma ou mais variáveis (X) são observadas

Leia mais

AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012

AULA 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 mais

Função prcomp. 1. Introdução

Função prcomp. 1. Introdução Função prcomp 1. Introdução Apresentamos alguns exemplos de utilização da função prcomp do pacote stats em R. Esta função permite realizar uma análise de componentes principais a partir de uma matriz de

Leia mais

Estatística de Teste: Decisão: p α Rejeita-se H 0. Hipóteses: Ǝ i,j σ 1 σ 2 i,j=1,,k. Estatística de Teste: Decisão: p >α Não se rejeita H 0

Estatística de Teste: Decisão: p α Rejeita-se H 0. Hipóteses: Ǝ i,j σ 1 σ 2 i,j=1,,k. Estatística de Teste: Decisão: p >α Não se rejeita H 0 Normalidade: H 0: Y i~n(µ i, σ i) H 1: Y i N(µ i, σ i) (i=1,,k) Estatística de Teste: (p=valor p-value) Se n < 50 Teste Shapiro-Wild Se n > 50 Teste Kolmogorov-Smirnov Homogeneidade p α Rejeita-se H 0

Leia mais

Seminário de Análise Multivariada

Seminário de Análise Multivariada Seminário de Análise Multivariada Capítulo 1 - Introdução Conteúdo 1 Introdução 1 11 Aplicações de Técnicas Multivariadas 2 12 Organização de Dados 3 121 Arranjos 3 122 Exemplo 11 - Seleção de recibos

Leia mais

Analysis of Variance. Wagner Oliveira de Araujo

Analysis of Variance. Wagner Oliveira de Araujo Analysis of Variance Wagner Oliveira de Araujo Technical Report - RT-MSTMA_001-09 - Relatório Técnico April - 2009 - Abril The contents of this document are the sole responsibility of the authors. O conteúdo

Leia mais

Professora: Cira Souza Pitombo. Disciplina: Aplicações de técnicas de análise de dados

Professora: Cira Souza Pitombo. Disciplina: Aplicações de técnicas de análise de dados UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA MESTRADO EM ENGENHARIA AMBIENTAL E URBANA Apresentação do Curso Introdução Professora: Cira Souza Pitombo Disciplina: Aplicações de técnicas de análise

Leia mais

i j i i Y X X X i j i i i

i j i i Y X X X i j i i i Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão

Leia mais

Les-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO. Junho de 2017

Les-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO. Junho de 2017 Les-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO AULA 4 02/06/17 Prof a Lilian M. Lima Cunha Junho de 2017 DEFINIÇÃO Análise de conglomerados (Cluster Analysis) é uma das técnicas de análise multivariada

Leia mais

5 Análise dos resultados

5 Análise dos resultados 5 Análise dos resultados Os dados foram analisados utilizando o software SPSS (Statistical Package for Social Sciences) base 18.0. Para Cooper e Schindler (2003) a análise de dados envolve a redução de

Leia mais

Predição do preço médio anual do frango por intermédio de regressão linear

Predição 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 mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO 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 mais

Análise Multivariada Aplicada à Contabilidade

Análise 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 mais

Mario de Andrade Lira Junior

Mario de Andrade Lira Junior Mario de Andrade Lira Junior www.lira.pro.br 1 Apenas uma breve apresentação Para não dizerem que nunca viram Um conjunto de técnicas de análise que usa diversas variáveis dependentes simultaneamente Mais

Leia mais

Associação entre duas variáveis

Associação 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 mais

Apostila de estatística básica Minitab Organizador: Daniel Magalhães Lima. Autores:

Apostila de estatística básica Minitab Organizador: Daniel Magalhães Lima. Autores: Apostila de estatística básica Minitab Organizador: Daniel Magalhães Lima Autores: Sumário Importando dados... 3 Explorando dados Tendência central, dispersão e gráficos... 3 Teste de normalidade... 3

Leia mais

CORRELAÇÃO. Flávia F. Feitosa

CORRELAÇÃO. Flávia F. Feitosa CORRELAÇÃO Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Junho de 2015 Revisão Inferência Estatística: Método científico para tirar conclusões sobre os parâmetros

Leia mais

Técnicas Multivariadas em Saúde

Técnicas Multivariadas em Saúde Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de

Leia mais

Exame Final de Métodos Estatísticos

Exame Final de Métodos Estatísticos Exame Final de Métodos Estatísticos Data: de Junho de 26 Duração: 3h. Nome: Curso: Declaro que desisto N. Mec. Regime: As cotações deste exame encontram-se na seguinte tabela. Responda às questões utilizando

Leia mais

Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação

Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas

Leia mais

INSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.

INSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total. INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo

Leia mais

Capítulo 6 Estatística não-paramétrica

Capítulo 6 Estatística não-paramétrica Capítulo 6 Estatística não-paramétrica Slide 1 Teste de ajustamento do Qui-quadrado Testes de independência e de homogeneidade do Qui-quadrado Algumas considerações Slide 2 As secções deste capítulo referem-se

Leia mais

i j i i Y X X X i j 1 i 2 i i

i j i i Y X X X i j 1 i 2 i i Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão

Leia mais

ANÁLISE DE DADOS ANÁLISE PARCIAL DOS RESULTADOS DOS EXAMES NACIONAIS DO ENSINO SECUNDÁRIO DE Sérgio Sobral Nunes

ANÁLISE DE DADOS ANÁLISE PARCIAL DOS RESULTADOS DOS EXAMES NACIONAIS DO ENSINO SECUNDÁRIO DE Sérgio Sobral Nunes ANÁLISE DE DADOS ANÁLISE PARCIAL DOS RESULTADOS DOS EXAMES NACIONAIS DO ENSINO SECUNDÁRIO DE 2001 Sérgio Sobral Nunes Análise de Dados Mestrado em Gestão de Informação, Setembro de 2002 Índice 1 DESCRIÇÃO

Leia mais

Função prcomp em R. 1. Introdução

Função prcomp em R. 1. Introdução Função prcomp em R 1. Introdução Apresentamos alguns exemplos de utilização da função prcomp do pacote stats em R. Esta função permite realizar uma análise de componentes principais a partir de uma matriz

Leia mais

Ralph S. Silva

Ralph S. Silva ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos

Leia mais

Análise da Regressão. Prof. Dr. Alberto Franke (48)

Análise 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 mais

6 Tratamento e análise dos dados

6 Tratamento e análise dos dados Tratamento e análise dos dados 58 6 Tratamento e análise dos dados Este capítulo apresenta as séries temporais das variáveis previdenciárias e dos indicadores apresentados na revisão de literatura. Relata

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que

Leia mais

IDENTIFICAÇÃO DE FATORES DA FERTILIDADE QUÍMICA DO SOLO INTERFERINDO NA PRODUTIVIDADE EM AGRICULTURA DE PRECISÃO

IDENTIFICAÇÃO DE FATORES DA FERTILIDADE QUÍMICA DO SOLO INTERFERINDO NA PRODUTIVIDADE EM AGRICULTURA DE PRECISÃO IDENTIFICAÇÃO DE FATORES DA FERTILIDADE QUÍMICA DO SOLO INTERFERINDO NA PRODUTIVIDADE EM AGRICULTURA DE PRECISÃO ¹L.M.Gimenez, ²J.P. Molin (orientador): Departamento de Engenharia Rural ESALQ/USP As tentativas

Leia mais

CAPÍTULO II. Descrevendo Dados: análise inicial dos dados

CAPÍTULO II. Descrevendo Dados: análise inicial dos dados CAPÍTULO II Descrevendo Dados: análise inicial dos dados Objetivo: O objetivo do presente trabalho é descrever a rotina básica de comandos para realização de uma inspeção inicial dos dados utilizando o

Leia mais

Planejamento de Experimentos

Planejamento de Experimentos Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação

Leia mais

Modelo de Regressão Múltipla

Modelo 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 mais

Apostila de estatística básica R Commander Organizador: Daniel Magalhães Lima. Autores:

Apostila de estatística básica R Commander Organizador: Daniel Magalhães Lima. Autores: Apostila de estatística básica R Commander Organizador: Daniel Magalhães Lima Autores: Sumário Importando dados... 3 Explorando dados Tendência central, dispersão e gráficos... 3 Teste de normalidade...

Leia mais

Testes de significância com dados multivariados

Testes de significância com dados multivariados Testes de significância com dados multivariados Hiron Pereira Farias e Talita T. Fernandes Wednesday, January 20, 2016 Hiron Pereira Farias e Talita T. Fernandes Testes de significância com dados multivariadoswednesday,

Leia mais

Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais. ESTATÍSTICA MULTIVARIADA 1º. Semestre 2004/05

Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais. ESTATÍSTICA MULTIVARIADA 1º. Semestre 2004/05 Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais ESTATÍSTICA MULTIVARIADA º. Semestre 2004/05 25.Outubro.2004 José Filipe Rafael I Uma empresa tem o seu mercado dividido

Leia mais

Exame de Recurso de Métodos Estatísticos. Departamento de Matemática Universidade de Aveiro

Exame de Recurso de Métodos Estatísticos. Departamento de Matemática Universidade de Aveiro Exame de Recurso de Métodos Estatísticos Departamento de Matemática Universidade de Aveiro Data: /7/6 Duração: 3 horas Nome: N.º: Curso: Regime: Declaro que desisto Classificação: As cotações deste exame

Leia mais

Regressão linear múltipla - Correlação parcial

Regressão linear múltipla - Correlação parcial Regressão linear múltipla - Correlação parcial trigo Matriz de correlações: trigo % matéria orgânica 40 103 32 1 58 192 45 28 50 300 39 5 72 420 46 11 61 510 34 14 69 630 38 2 63 820 32 12 % matéria orgânica

Leia mais

Regression and Clinical prediction models

Regression and Clinical prediction models Regression and Clinical prediction models Session 4 Introducing statistical modeling Part 1 (Analysis of variance) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Introduzir a ideia de

Leia mais

Disciplina de Modelos Lineares

Disciplina de Modelos Lineares Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique

Leia mais

'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV

'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV 69 'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV O presente capítulo objetiva entender o comportamento das séries de retorno financeiras para as carteiras de investimento elaboradas no capítulo anterior. Tal análise

Leia mais

Coeficiente de determinação R 2 no modelo de regressão linear normal

Coeficiente 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 mais

Mestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015

Mestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015 Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015 Análise Discriminante MANLY, Cap. 8 HAIR et al., Cap. 5 2 Objetivos o Construir

Leia mais

Enfoque: Reflexão Contábil ISSN: Universidade Estadual de Maringá Brasil

Enfoque: Reflexão Contábil ISSN: Universidade Estadual de Maringá Brasil Enfoque: Reflexão Contábil ISSN: 1517-9087 eduem@uem.br Universidade Estadual de Maringá Brasil Ribeiro de Mello, Gilmar; de Queiroz Macedo, Fabricio; Tavares Filho, Francisco; Slomski, Valmor IDENTIFICANDO

Leia mais

1 Introdução aos Métodos Estatísticos para Geografia 1

1 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 mais

Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito

Variável 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 mais

Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME:

Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME: DEPARTAMENTO DE MATEMÁTICA DA UNIVERSIDADE DE COIMBRA Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME: Observação: A resolução completa das perguntas inclui a justificação

Leia mais

Introdução à análise estatística com SPSS. Guião nº6: Medidas de associação

Introdução à análise estatística com SPSS. Guião nº6: Medidas de associação Introdução à análise estatística com SPSS Guião nº6: Medidas de associação Experiência sobre volume plasmático e o peso em 13 homens saudáveis Os investigadores pretendem descobrir se as variáveis volume

Leia mais

UNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada

UNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada UNIVERSIDADE FEDERAL FLUMINENSE Programa de Mestrado e Doutorado em Engenharia de Produção Disciplina: Estatística Multivariada Aula: Introdução a MVDA e Revisão Estatística Professor: Valdecy Pereira,

Leia mais

Análise de Regressão Linear Simples e

Análise 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 mais

AULA 06 Correlação. Ernesto F. L. Amaral. 04 de outubro de 2013

AULA 06 Correlação. Ernesto F. L. Amaral. 04 de outubro de 2013 1 AULA 06 Correlação Ernesto F. L. Amaral 04 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de

Leia mais

Técnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:

Técnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios: Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de

Leia mais

AULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013

AULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013 1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas

Leia mais

ANÁLISE DE AGRUPAMENTOS (Cluster Analysis) Flávia F. Feitosa

ANÁLISE DE AGRUPAMENTOS (Cluster Analysis) Flávia F. Feitosa ANÁLISE DE AGRUPAMENTOS (Cluster Analysis) Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 ANÁLISE DE AGRUPAMENTOS É uma técnica analítica pra identificar

Leia mais

Análise Fatorial Exploratória (AFE) Disciplina: Medidas em Psicologia Professora: Ana Carolina Rodrigues

Análise Fatorial Exploratória (AFE) Disciplina: Medidas em Psicologia Professora: Ana Carolina Rodrigues Análise Fatorial Exploratória (AFE) Disciplina: Medidas em Psicologia Professora: Ana Carolina Rodrigues O que é análise fatorial? É uma técnica de interdependência, cujo propósito principal é definir

Leia mais

Avaliação climatológica da cidade de Uberlândia por meio da Análise de Componentes Principais

Avaliação climatológica da cidade de Uberlândia por meio da Análise de Componentes Principais Avaliação climatológica da cidade de Uberlândia por meio da Análise de Componentes Principais Bruna Queiroz de Melo Prado 1 Heverton Rodrigues Fernandes 2 Tatiane Gomes Araújo 3 Nádia Giarette Biase 4

Leia mais

ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS

ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS Nível de significância No processo de tomada de decisão sobre uma das hipóteses levantadas num estudo, deve-se antes de tudo definir

Leia mais

29 e 30 de julho de 2013

29 e 30 de julho de 2013 Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.

Leia mais