Matriz de Variância e Covariância e o Teorema de Gauss-Markov
|
|
- Rubens Faro Malheiro
- 6 Há anos
- Visualizações:
Transcrição
1 Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais regi@matufmgbr 26 de setembro de 2001 Seja X = [x 1 x n ] t um vetor de variáveis aleatórias x 1,, x n A operação de tomar a esperança será denotada por E Definimos E(X) como sendo o vetor dos valores esperados de cada elemento de X, ou seja, E(X) = E x 1 x 2 x n = E(x 1 ) E(x 2 ) E(x n ) 1 Matriz de Variância e Covariância Sejam x 1,, x n variáveis aleatórias com variâncias σ 2 1,, σ 2 n e covariâncias σ 12, σ 13,, σ (k 1)k Ou seja, σ 2 i = E[(x i E(x i )) 2 ], σ ij = E[(x i E(x i ))(x j E(x j ))], para i j Reunindo as variâncias e covariâncias em uma matriz, ficamos com σ1 2 σ 12 σ 1n σ 12 σ2 2 σ 2n Var(X) = V = σ 1n σ 2n σn 2 que é chamada de matriz de variância e covariância ou matriz de dispersão das variáveis aleatórias x 1,, x n Ela é simétrica (V t = V ) e o elemento de posição i, i é a variância da variável x i e o elemento de posição i, j, para i j, é a covariância, entre as variáveis x i e x j Assim, podemos expressar V como V = Var(X) = E[(X E(X))(X E(X)) t ] (1) 1
2 Seja A uma matriz m n Então, E(AX) = AE(X), (2) pois E(AX) = E = a 11 x 1 + a 12 x a 1n x n a 21 x 1 + a 22 x a 2n x n a m1 x 1 + a m2 x a mn x n a 11 E(x 1 ) + a 12 E(x 2 ) + + a 1n E(x n ) a 21 E(x 1 ) + a 22 E(x 2 ) + + a 2n E(x n ) a m1 E(x 1 ) + a m2 E(x 2 ) + + a mn E(x n ) = AE(X) De forma análoga podemos mostrar que se B é uma matriz n m, então De (2) e (3) segue que E(XB) = E(X)B e E(AXB) = AE(X)B (3) Var(AX) = E[(AX E(AX))(AX E(AX)) t ] = E[(AX AE(X))(AX AE(X)) t ] = E[A(X E(X))(X E(X)) t A t ] = AE[(X E(X))(X E(X)) t ]A t = AVar(X)A t 2 Introdução à Análise de Regressão Vamos supor que um vetor de variáveis aleatórias Y = [y 1,, y m ] t seja tal que a sua esperança seja uma combinação linear de outros vetores, ou seja, que E(y 1 ) x 11 x 1n E(y 2 ) x 21 x 2n E(y m ) = E(Y ) = b 1X b n X n = b 1 A equação (5) pode ainda ser escrita de duas outras formas: x m1 + + b n x mn (4) (5) E(y i ) = b 1 x i1 + + b n x in, para i = 1,, m ou simplesmente onde X = x 11 x 12 x 1n x 21 x 22 x 2n x m1 x m2 x mn E(Y ) = XB, (6) 2, e B = b 1 b 2 b n
3 O problema aqui é determinar os parâmetros b i a partir de observações y i, para i = 1,, m Para cada i, a diferença y i E(y i ) é o desvio do valor observado y i em relação ao valor esperado E(y i ) e é escrito como ε i = y i E(y i ), para i = 1,, m (7) Assim, em termos das observações e dos erros, o nosso modelo pode ser escrito como y i = b 1 x i1 + + b n x in + ε i, ou de forma mais compacta, simplesmente onde Y = y 1 y 2 y m X = x 11 x 12 x 1n x 21 x 22 x 2n x m1 x m2 x mn para i = 1,, m Y = XB + ε, (8), B = b 1 b 2 b n e ε = A equação (8) é chamada de equação do modelo Ela é a base para estimar B a partir dos dados obtidos armazenados em X e Y Os erros ε i por definição, têm média zero, pois de (7) temos que E(ε) = E(Y E(Y )) = E(Y ) E(Y ) = 0 Vamos assumir também que os erros ε i têm a mesma variância σ 2 e que cada um deles é não correlacionado (tem covariância zero) com os outros Assim a matriz de variância-covariância dos ε i s é σ 2 I n Portanto, σ 2 I n = Var(ε) = E[(ε E(ε))(ε E(ε)) t ] = E(εε t ) (9) É usual se tomar como estimador do vetor de parâmetros B, a solução de quadrados mínimos, ou seja, a solução de n min ε i = min XB Y 2 Este problema é equivalente a resolver as equações normais i=1 X t XB = X t Y A solução de quadrados mínimos foi usada por Gauss em 1801 para predizer a trajetória do asteróide Ceres Dias após o asteróide ter sido descoberto, o seu rastreamento foi perdido Vários astrônomos publicaram artigos fazendo a previsão da trajetória do asteróide Entretanto, quando o asteróide foi novamente localizado, a sua posição era muito próxima daquela prevista por Gauss e diferia muito das previsões feitas pelos outros Na maioria dos casos a matriz X tem posto máximo, ou equivalentemente X t X é não singular Nestes casos temos uma fórmula para o estimador ˆB ˆB = (X t X) 1 X t Y (10) O estimador de quadrados mínimos é não viciado, ou seja, E( ˆB) = B, pois de (10) e (6), temos E( ˆB) = E[(X t X) 1 X t Y ] = (X t X) 1 X t E(Y ) = (X t X) 1 X t XB = B Este estimador, que vamos chamar de ˆB é o melhor estimador linear não viciado, como mostra o próximo teorema 3 ε 1 ε 2 ε m
4 Teorema 21 (Gauss-Markov) Considere o modelo linear Y = XB + ε, com as hipóteses E(ε) = 0 e Var(ε) = σ 2 I n Seja ˆB = (X t X) 1 X t Y o estimador de quadrados mínimos Se B é um outro estimador de B tal que B = CY, onde C é uma matriz n n, e E( B) = B (não viciado), então: Z t Var( B)Z Z t Var( ˆB)Z, para todo Z R n Demonstração Vamos demonstrar para o caso em que a matriz X tem posto máximo, ou equivalentemente X t X é não singular Por (4), temos que Mas, por (1), (6) e (9) a variância de Y é dada por Substituindo (12) em (11) obtemos Var( ˆB) = (X t X) 1 X t Var(Y )X(X t X) 1 (11) Var(Y ) = E[(Y E(Y ))(Y E(Y )) t ] = E(εε t ) = σ 2 I n (12) Por outro lado, por (4) e usando (12), obtemos Agora, como por hipótese E( B) = B, segue que Var( ˆB) = σ 2 (X t X) 1 (13) Var( B) = CVar(Y )C t = σ 2 (CC t ) (14) B = E( B) = E(CY ) = CE(Y ) = CXB, para todo B R n O que implica que I n = CX (15) Assim, usando (13), (14) e (15) segue que Var( B) Var( ˆB) = σ 2 [CC t CX(X t X) 1 X t C t ] = σ 2 C[I n X(X t X) 1 X t ]C t (16) A matriz M = I n X(X t X) 1 X t é simétrica e tal que M 2 = M (idempotente) Assim, Z t Var( B)Z Z t Var( ˆB)Z = Z t [Var( B) Var( ˆB)]Z = σ 2 Z t (CMC t )Z = σ 2 (Z t CM)(M t C t Z) = σ 2 Z t CM 2 0, o que prova o resultado 4
5 Referências [1] David C Lay Linear Algebra and its Applications Addison-Wesley, Reading, 2a edition, 1997 [2] Steven J Leon Álgebra Linear com Aplicações Livros Técnicos e Científicos Editora SA, Rio de Janeiro, 5a edition, 1998 [3] Reginaldo J Santos Geometria Analítica e UFMG, Belo Horizonte, 2000 Álgebra Linear Imprensa Universitária da [4] Shayle R Searle Matrix Algebra Useful for Statistics John Wiley and Sons, New York, 1982 [5] S D Silvey Statistical Inference Penguin, Harmondsworth,
Matriz de Variância e Covariância e o Teorema de Gauss-Markov
1 Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 26 de setembro de 2001
Leia maisTeorema da Triangularização de Schur e Diagonalização de Matrizes Normais
Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 16 de novembro
Leia maisAjuste de Splines a um Conjunto de Dados
Ajuste de Splines a um Conjunto de Dados Reginaldo J. Santos Departamento de Matemática-ICE Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi regi@mat.ufmg.br 7 de junho de Seja C (I) o
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Leia maisUnicidade da Forma Escalonada Reduzida de uma Matriz
1 Unicidade da Forma Escalonada Reduzida de uma Matriz Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 1 de maio de 24 Definição 1 Uma
Leia maisLista de Exercícios #3 Assunto: Variáveis Aleatórias Multidimensionais Discretas
1. ANPEC 2018 - Questão 07 Em um problema envolvendo variáveis aleatórias independentes, um estudante calculou corretamente que E(Y) = 2, E(X 2 )E(Y) = 6, E(X)E(Y 2 ) = 8 e E(X) 2 E(Y) 2 = 24. Avalie as
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisAula 7 - Revisão de Álgebra Matricial
23 de Abril de 2018 // 26 de Abril de 2018 Introdução Objetivo da revisão: revisar a notação matricial, técnicas de álgebra linear e alguns resultados importantes Conteúdos: 1 Vetores e matrizes 2 Operações
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância Variáveis Contínuas 10/13 1 / 1 Esperança Definição 2.1:(Valor Esperado
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisGuia-1. a 11 a a 1n a 21 a a 2n A = a m1 a m2... a mn
Guia-1 Revisão de Matrizes, Determinantes, Vetores e Sistemas Lineares SMA00 - Complementos de Geometria e Vetores Estagiária PAE: Ingrid Sofia Meza Sarmiento 1 Introdução Este texto cobre o material sobre
Leia maisAmostras não Uniformes e Reconstrução em Espaços
Amostras não Uniformes e Reconstrução em Espaços de Translações Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi 9 de novembro de 00
Leia mais1 Cônicas Não Degeneradas
Seções Cônicas Reginaldo J. Santos Departamento de Matemática-ICE Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi regi@mat.ufmg.br 11 de dezembro de 2001 Estudaremos as (seções) cônicas,
Leia maisAnálise de Regressão Linear Múltipla III
Análise de Regressão Linear Múltipla III Aula 6 Hei et al., 4 Capítulo 3 Suposições e Propriedades Suposições e Propriedades MLR. O modelo de regressão é linear nos parâmetros O modelo na população pode
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisUniversidade Nova de Lisboa FACULDADE DE ECONOMIA
Universidade Nova de Lisboa FACULDADE DE ECONOMIA Exame de Econometria I 1998/1999 (150 minutos) 12 de Janeiro de 1999 Nome ou nº por extenso: Na folha existem espaços para apresentar as suas respostas.
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisUFPB PRG X ENCONTRO DE INICIAÇÃO À DOCÊNCIA
4CCENDMMT0 MÉTODO DOS MÍNIMOS QUADRADOS Vivyane Coelho Caires (), Hélio Pires de Almeida (3) Centro de Ciências Exatas e da Natureza/Departamento de Matemática/MONITORIA Resumo: Geralmente aplicações de
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisDistribuições de Probabilidade. Variáveis aleatórias contínuas
Distribuições de Probabilidade Variáveis aleatórias contínuas 1 Variáveis contínuas Uma variável aleatória contínua toma um nº infinito não numerável de valores (intervalos de números reais), os quais
Leia maisMATRIZES VETORES E GEOMETRIA. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais
MATRIZES VETORES E GEOMETRIA ANALÍTICA Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi Março 2002 Matrizes Vetores e Geometria Anaĺıtica Copyright c 2002
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisO teorema do ponto fixo de Banach e algumas aplicações
O teorema do ponto fixo de Banach e algumas aplicações Andressa Fernanda Ost 1, André Vicente 2 1 Acadêmica do Curso de Matemática - Centro de Ciências Exatas e Tecnológicas - Universidade Estadual do
Leia maisEconometria. Econometria: Paradigma. Porque usar econometria? Porque usar econometria?
Econometria: Paradigma Econometria 1. O Paradigma da Econometria 19/8 Fundamentos teóricos Microeconometria e macroeconometria Modelagem comportamental: otimização, oferta de trabalho, equações de demanda,
Leia maisGeometria anaĺıtica e álgebra linear
Geometria anaĺıtica e álgebra linear Francisco Dutenhefner Departamento de Matematica ICEx UFMG 22/08/13 1 / 24 Determinante: teorema principal Teorema: Se A é uma matriz quadrada, então o sistema linear
Leia maisModelos de Regressão Múltipla - Parte I
Modelos de Regressão Múltipla - Parte I Erica Castilho Rodrigues 4 de Outubro de 2016 2 3 Introdução 4 Quando há apenas uma variável explicativa X, temos um problema de regressão linear simples onde ǫ
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisSME0819 Álgebra Matricial Aplicada à Estatística 1 o semestre de Prof. Cibele Russo
SME0819 Álgebra Matricial Aplicada à Estatística 1 o semestre de 2015 Prof. Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/ cibele Sala 3-139 23 de fevereiro de 2015 1 / 19 Principais objetivos
Leia maisANÁLISE DE REGRESSÃO. Ralph S. Silva. Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
ANÁLISE DE REGRESSÃO Ralph S. Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Elasticidade Elasticidade Em economia, o termo elasticidade refere-se
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisNós estudamos isso em nossa aula extra de Regressão Múltipla!
E aí pessoal? Vamos à resolução de nossa prova? A CESPE pegou muito pesado, conforme eu tinha alertado em vídeos e no nosso pdf. Ela utilizou conceitos de Estatística muito avançados para uma matéria de
Leia maisDiferenciais em Série de Potências
Existência de Soluções de Equações Diferenciais em Série de Potências Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://www.mat.ufmg.br/ regi 0 de julho de
Leia maisEstimação de Estados em Sistemas de Potência
Estimação de Estados em Sistemas de Potência Antonio Simões Costa LABSPOT A. Simões Costa (LABSPOT) EESP 1 / 16 Estimação de Estados em Sistemas de Potência (I) Objetivo: A partir de telemedidas redundantes
Leia maisAjustamento de Observações
Ajustamento de Observações Teoria dos Erros Prof. Dr. Marcos Aurélio Basso IFSULDEMINAS Campus Incondentes MG Teoria dos Erros - Introdução Observações e erros de observação; Factores que caracterizam
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisRedução de Variância: Amostragem Antitética
Redução de Variância: Amostragem Antitética Frederico Almeida & Guilherme Aguilar Universidade Federal de Minas Gerais September 20, 2018 Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de
Leia maisVetores e Geometria Analítica
Vetores e Geometria Analítica ECT2102 Prof. Ronaldo Carlotto Batista 23 de fevereiro de 2016 AVISO O propósito fundamental destes slides é servir como um guia para as aulas. Portanto eles não devem ser
Leia maisPARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES
PARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES 2.1 DEFINIÇÃO DO MODELO DE REGRESSÃO SIMPLES Duas variáveis: y e x Análise explicar y em termos de x
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Leia maisProduto Interno - Mauri C. Nascimento - Depto. de Matemática - FC UNESP Bauru
1 Produto Interno - Mauri C. Nascimento - Depto. de Matemática - FC UNESP Bauru Neste capítulo vamos considerar espaços vetoriais sobre K, onde K = R ou K = C, ou seja, os espaços vetoriais podem ser reais
Leia maisÁlgebra Linear e Geometria Anaĺıtica. Matrizes e Sistemas de Equações Lineares
universidade de aveiro departamento de matemática Álgebra Linear e Geometria Anaĺıtica Agrupamento IV (ECT, EET, EI) Capítulo 1 Matrizes e Sistemas de Equações Lineares Geometria anaĺıtica em R 3 [1 01]
Leia maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
Leia maisTransformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisProbabilidade. Variáveis Aleatórias e Distribuição de Probabilidades
Probabilidade Variáveis Aleatórias e Distribuição de Probabilidades Na aula de hoje, vamos 1 - Estender o conceito de variável, definindo o conceito de variável aleatória; 2 Entender porque as variáveis
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisO Teorema de Peano. f : D R n. uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e uma função ϕ : I R n tais que
O Teorema de Peano Equações de primeira ordem Seja D um conjunto aberto de R R n, e seja f : D R n (t, x) f(t, x) uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisUMA NOTA SOBRE AS PROPRIEDADES DOS ESTIMADORES Paula Pereda Denisard Alves
UMA NOTA SOBRE AS PROPRIEDADES DOS ESTIMADORES Paula Pereda Denisard Alves X é uma varável aleatória caracterizada, entre outros aspectos de sua distribuição, por um parâmetro θ. A distribuição de X pode
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisO parâmetro β1 indica a mudança ocorrida na esperança de Y a cada unidade de mudança em X 1 quando X2 é mantida fixa.
Outras informações para ajudar na interpretação das análises de Regressão 1. Interpretação dos parâmetros na ausência de interações Considere o modelo E(Y x) = β0 + β1 x1 + β2 x2. O parâmetro β0 é o intercepto
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisSME0812 Modelos Lineares. Álgebra Matricial. 17 de março de / 1
SME0812 Modelos Lineares Álgebra Matricial 17 de março de 2015 1 / 1 Notação Escreveremos A = A n m para denotar uma matriz de dimensão n m, ou seja, uma matriz com n linhas e m colunas: a 11 a 12 : :
Leia maisGeometria Analítica e Álgebra Linear
UNIFEI - Universidade Federal de Itajubá campus Itabira Geometria Analítica e Álgebra Linear Parte 1 Matrizes 1 Introdução A teoria das equações lineares desempenha papel importante e motivador da álgebra
Leia maisProva de Estatística
Prova de Estatística 1. Para um número-índice ser considerado um índice ideal, ele precisa atender duas propriedades: reversão no tempo e o critério da decomposição das causas. Desta forma, é correto afirmar
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisMétodo de eliminação de Gauss
Matrizes - Matemática II - 00/0 Método de eliminação de Gauss Seja A = [a ij ] uma matriz de tipo m n. a FASE - ELIMINAÇÃO DESCENDENTE Esta fase permite obter uma matriz em forma de escada a partir da
Leia maisProcessamento de erros grosseiros - Identiمحcaچcﷺao
Processamento de erros grosseiros - Identiمحcaچcﷺao Método ˆb Base: variável ˆβ interpretada como uma estimativa do erro associado à medida; verificação da magnitude do erro com relação a faixa esperada
Leia maisÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA. Maria da Graça Marcos Marisa João Guerra Pereira de Oliveira Alcinda Maria de Sousa Barreiras
ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA Maria da Graça Marcos Marisa João Guerra Pereira de Oliveira Alcinda Maria de Sousa Barreiras EDIÇÃO, DISTRIBUIÇÃO E VENDAS SÍLABAS & DESAFIOS - UNIPESSOAL LDA. NIF:
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades 01 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções de probabilidade
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisNotas em Álgebra Linear
Notas em Álgebra Linear 1 Pedro Rafael Lopes Fernandes Definições básicas Uma equação linear, nas variáveis é uma equação que pode ser escrita na forma: onde e os coeficientes são números reais ou complexos,
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisNota importante: U é a matriz condensada obtida no processo de condensação da matriz
Decomposição P T LU A denominada decomposição P T L U é um processo que pode ser extremamente útil no cálculo computacional, na resolução de sistemas de equações lineares. Propriedade Seja A uma matriz
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisDepartamento de Matemática
Departamento de Matemática ALGA e Álgebra Linear Folhas Práticas - /6 EAmb/EC/EGI/EM Determinantes (*) Calcule o valor do determinante das seguintes matrizes A = + i, B = i, C = 6 i, D = 6 i i E = 6, F
Leia maisVARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL
VARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1
Leia maisAnálise multivariada
UNIFAL-MG, campus Varginha 6 de Setembro de 2018 Matriz inversa Já discutimos adição, subtração e multiplicação de matrizes A divisão, da forma como conhecemos em aritmética escalar, não é definida para
Leia maisUniversidade Federal de São Carlos Departamento de Estatística. Plano de Ensino (B) - Teoria de Matrizes para Estatística
Universidade Federal de São Carlos Departamento de Estatística Plano de Ensino 15.850-0 (B) - Teoria de Matrizes para Estatística São Carlos - SP Março de 2017 Sumário 1 Caracterização complementar da
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisVARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL
VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1 dado
Leia maisVARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL
VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL Variável Aleatória Uma função X que associa a cada elemento ω do espaço amostral Ω um valor x R é denominada uma variável aleatória. A variável aleatória pode
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisMétodo dos Mínimos Quadrados Lineares
Método dos Mínimos Quadrados Lineares Orientando: Alex Rogger Cardoso Ventura alexrogger@hotmailcom Orientador: Max Leandro Nobre Gonçalves maxlng@ufgbr Co-orientador: Ademir Alves Aguiar ademiraguia@gmailcom
Leia maisÁlgebra Linear e Geometria Anaĺıtica. Espaços Vetoriais Reais
universidade de aveiro departamento de matemática Álgebra Linear e Geometria Anaĺıtica Agrupamento IV (ECT, EET, EI) Capítulo 4 Espaços Vetoriais Reais Definição de espaço vetorial real [4 01] O conjunto
Leia maisEconometria. Econometria. Algumas considerações. Algumas considerações MQO. Derivando as Propriedades
Ecoometria. Propriedades fiitas dos estimadores MQO. Estimação da Variâcia do estimador de MQO 3. Revisão de Iferêcia (testes em ecoometria) Ecoometria. Propriedades fiitas dos estimadores MQO Algumas
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisDefine-se o regressor,ϕ,como. e o vector de parâmetros a estimar, θ,como. O modelo escreve-se:
22 Mínimos Quadrados - Notação matricial Se quisermos resolver o problema de estimação para um número arbitrário de parâmetros temos de usar a notação matricial. Define-se o regressor,,como [ ] e o vector
Leia maisAnálise da Regressão múltipla: Inferência. Aula 4 6 de maio de 2013
Análise da Regressão múltipla: Inferência Revisão da graduação Aula 4 6 de maio de 2013 Hipóteses do modelo linear clássico (MLC) Sabemos que, dadas as hipóteses de Gauss- Markov, MQO é BLUE. Para realizarmos
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia mais1 NOTAS DE AULA FFCLRP-USP - VETORES E GEOMETRIA ANALÍTICA. Professor Doutor: Jair Silvério dos Santos
FFCLRP-USP - VETORES E GEOMETRIA ANALÍTICA 1 NOTAS DE AULA Professor Doutor: Jair Silvério dos Santos (i) Matrizes Reais Uma matriz real é o seguinte arranjo de números reais : a 11 a 12 a 13 a 1m a 21
Leia mais