Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
|
|
- Washington Pinto Sá
- 6 Há anos
- Visualizações:
Transcrição
1 Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard
2 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja X: nº que sa na jogada de um dado A partr da amostra abaxo, exste evdênca estatístca para afrmar que o dado é honesto, ou seja, que X tem Dstrbução Equprovável??? Total f = O UNESP FEG DPD Prof. Edgard
3 Método de solução de Problemas: Teste de hpóteses H 0 : Hpótese a ser testada Hpótese Básca H 1 : Hpótese Alternatva (negação de H 0 ) Resultados de Teste de Hpóteses acerca de Parâmetros e suas probabldades ( e ) condconadas à realdade: REALIDADE H 0 Verdadera H 0 Falsa D E C I S Ã O Acetar H 0 Rejetar H 0 Decsão Correta (1-) Erro Tpo I () Erro Tpo II () Decsão Correta (1-) : Probabldade cometer Erro Tpo I Rejetar H 0, sendo H 0 Verdadera Rsco do Vendedor (Produtor) : Probabldade cometer Erro Tpo II Acetar H 0, sendo H 0 Falsa Rsco do Comprador (Consumdor) UNESP FEG DPD Prof. Edgard
4 Método de Solução do Problema TESTE DE HIPÓTESES: H 0 : X tem Dstrbução Equprovável H 1 : Tal não ocorre Crtéro: Rejetar H 0 se...???... Consderando: X equprovável então p Pr(X ) Logo, espera-se que em 100 jogadas saa 00 vezes cada número: 1 E np Total f = O E O - E ,13 7,61 0,18 0,7 3,38 0,3 13, (O E E ) k 1 (O E E ) Calculado Crtéro: Rejetar H 0 se Calculado for grande! UNESP FEG DPD Prof. Edgard
5 Teste de Aderênca H 0 : X tem Dstrbução Equprovável H 1 : Tal não ocorre Crtéro: Rejetar H 0 se ou seja: Calculado for grande! onde: : Tabelado ν k 1m Rejetar H 0 se Crítco Calculado ; Tabelado nível de sgnfcânca (próxmo slde) k : número de classes m : número de parâmetros estmados, a partr da amostra No caso: ν k 1m ν UNESP FEG DPD Prof. Edgard
6 : nível de sgnfcânca Problema: H 0 : X tem Dstr. Equprovável (dado honesto) H 1 : Tal não ocorre (dado vcado) Rejetar H 0 se Possbldades: Calculado H 0 : Falsa Crítco Decsão Correta Decsão Rejetar H 0 Acetar H 0 H 0 : Verd. H 0 : Falsa Erro Tpo I Erro Tpo II : H 0 : Verd. Probabldade admssível de se cometer o erro de Rejetar H 0 e H o é Verdadera Decsão Correta No Problema acma: pode-se consderar admssível correr um rsco de 5% de decdr que o dado é não honesto quando de fato ele é honesto, ou seja admtr uma probabldade de 5% de se errar ao tomar tal decsão. UNESP FEG DPD Prof. Edgard
7 ESQUEMA PARA TOMADA DE DECISÃO H 0 : hpótese básca H 1 : hpótese alternatva é o nível de sgnfcânca do teste = Pr(Rejetar H 0 H 0 é verdadera) Rejetar Ho 5% % Acetar Ho 10% 1% 0% Valor-p é o nível de sgnfcânca calculado a partr da amostra 0,5% 50% Exste FORTÍSSIMA evdênca estatístca p/ Rejetar Ho (valor-p<0,5%) Exste MUITO FORTE evdênca estatístca p/ Rejetar Ho (valor-p<1%) Exste FORTE evdênca estatístca p/ Rejetar Ho (valor-p<%) Exste RAZOÁVEL evdênca estatístca p/ Rejetar Ho (valor-p<5%) Exste RAZOÁVEL evdênca estatístca p/ Acetar Ho (valor-p>5%) Exste FORTE evdênca estatístca p/ Acetar Ho (valor-p>10%) Exste MUITO FORTE evdênca estatístca p/ Acetar Ho (valor-p>0%) Exste FORTÍSSIMA evdênca estatístca p/ Acetar Ho (valor-p>50%) UNESP FEG DPD Prof. Edgard
8 ESQUEMA PARA TOMADA DE DECISÃO H 0 : hpótese básca H 1 : hpótese alternatva Rejetar Ho 5% % Acetar Ho 0,5% 1% 0% 10% 50% Exste FORTÍSSIMA evdênca estatístca p/ Rejetar Ho (=0,5%) Exste MUITO FORTE evdênca estatístca p/ Rejetar Ho (=1%) Exste FORTE evdênca estatístca p/ Rejetar Ho (=%) Exste RAZOÁVEL evdênca estatístca p/ Rejetar Ho (=5%) Exste RAZOÁVEL evdênca estatístca p/ Acetar Ho (=5%) Exste FORTE evdênca estatístca p/ Acetar Ho (=10%) Exste MUITO FORTE evdênca estatístca p/ Acetar Ho (=0%) Exste FORTÍSSIMA evdênca estatístca p/ Acetar Ho (=50%) UNESP FEG DPD Prof. Edgard
9 : Problema: H 0 : X tem Dstr. Equprovável (dado honesto) H 1 : Tal não ocorre (dado vcado) Rejetar H 0 se onde: nível de sgnfcânca Calculado Crítco 13,33 (vde slde 10-3) Para: 5% 1% Calculado Crítco ; ν ; Logo: Portanto: 11,07 15,08 Calculado Calculado Crítco Rejetar H 0 Acetar H 0 Comentáro: exste razoável ( = 5%) evdênca estatístca para Rejetar H 0, para afrmar que X não tem Dstr. Equprovável, sto é, que o dado não é honesto. Por outras palavras: pode-se decdr que o dado não é honesto, se consderar admssível correr um rsco de 5% de errar ao tomar tal decsão. Crítco UNESP FEG DPD Prof. Edgard
10 Teste de Aderênca H 0 : H 1 : Dstrbução da População é Normal, ou Exponencal, ou Bnomal, etc., etc. Tal não ocorre Teste de Aderênca pelo Método Varável de Teste: Onde: k O = Freqüênca observada O E E 1 1 k O E n E = Freqüênca esperada (segundo a Dstrbução testada) E = n * p E 5 (aproxmação Bnomal Normal) p = probabldade (segundo a dstrbução testada) de se obter um valor da Varável Aleatóra na classe n k 1 k O E 1 = k - 1 m ( Graus de Lberdade da ) k = número de classes, tal que E 5 m = número de parâmetros estmados ndependentemente, a partr da amostra Método mas ndcado para Dstrbuções Dscretas UNESP FEG DPD Prof. Edgard
11 Teste de Aderênca pelo Método H 0 : Dstrbução da População é Normal, ou Exponencal, ou Bnomal, etc., etc. H 1 : Tal não ocorre CRITÉRIO ou REGRA DE DECISÃO: Rejetar H 0 se calculado CRÍTICO Onde: calc k O E E 1 1 k O E n, CRÍTICO ( Tabelado) UNESP FEG DPD Prof. Edgard
12 Teste de Aderênca pelo Método Exemplo: amostra de tamanho n = 100 Nº de defetos (x ) Nº de aparelhos (f ) Testar: H 0 : Dstrbução do nº de defetos é Posson H 1 : Tal não ocorre Crtéro: Rejetar Ho se CRÍTICO Dstrbução Posson: p r Pr( X r) r * e r! (r 0,1,,...) Parâmetro da Posson estmado por: x x x n * f 0 * 5 1* 35 * 18 3* 13 4 * 4 5 * 6 * 7 * , Logo: 0 1,55 1,55 (1,55) * e 1* e p0 Pr( X 0) 0! 1 0,1 1 1,55 (1,55) * e 1,55 p Pr( X 1) 1,55* e 1 1! e assm por dante... 0,39 UNESP FEG DPD Prof. Edgard
13 Teste de Aderênca pelo Método Exemplo: amostra de tamanho n = 100 Nº de defetos (x ) Nº de aparelhos (f ) x f = O x * f p E = n*p O - E (O E ) (O E ) / E ,1 1, 3,8 14,44 0, ,39 3,9,1 4,41 0, ,55 5,5-7,5 56,5, ,13 13, -0, 0,04 0, ,051 5, ,016 1,6 7, 1,8 3,4 0, ,004 0, ,001 0, , ,474 = Determnação de, (crítco) = k m = = classes E 5 (exgênca) 1 só parâmetro estmado Para = 5%, tem-se: 3, 5% = 7,815 (Tabelado) Logo: <, (crítco) ACEITA-SE H 0 (3,474 < 7, 815) Conclusão: para um nível de sgnfcânca de 5%, não pode-se rejetar que o número de defetos por aparelho ADERE à Dstrbução de Posson. No entando, nada nos garante que de fato a Dstrbução seja Posson!!! UNESP FEG DPD Prof. Edgard
14 Teste de Aderênca pelo Método Exemplo : (Exercíco 04, p.148, COSTA NETO): H 0 : Dstrbução dos pontos é unforme (proporconal à área do alvo) R 1 R Oscloscópo H 1 : Tal não ocorre 16 Crtéro: Rejetar Ho se E = n * p onde: p = Prob. de exstr pontos na regão Dstrbução Unforme: p p 1 5 p p 6 p 3 p 7 p 4 p 8 A A T A A T CRÍTICO 1 4 R R R 1 4 R R R 5 R R 7 R R 3 R Regão f = O p E =n.p (O - E ) (O - E ) /E /16,5-6,5 1, /16,5-8,5 3, /16,5-3,5 0, /16,5-1,5 0, /16 7,5 0,5 0, /16 7,5 4,5, /16 7,5 5,5 4, /16 7,5 9,5 1,03 Total ,53 Determnação de, (crítco) com = k-1-m = = 7 Para = 5%: 7, 5% = 14,067 (Tabela) Logo: >, (crítco) (4,79 > 14,067) REJEITA-SE H 0 UNESP FEG DPD Prof. Edgard 011 Para um nível de sgnfcânca de 5%, o número de pontos por regão NÃO ADERE à Dstrbução Unforme 8-14
15 Teste de Aderênca pelo Método K-S Método devdo à Kolmogorov - Smrnov H 0 : Dstrbução da População é Normal, ou Exponencal, ou Bnomal, etc., etc. H 1 : Tal não ocorre CRITÉRIO: REJEITAR H 0 se d > d Crítco (slde 10-14) d max F( x) G( x) onde: F (x) = P (X x) : Função Dstrbução Acumulada da Dstrbução consderada na hpótese básca (H 0 ) G (x) : Função Dstrbução Acumulada da amostra (freqüêncas relatvas acumuladas) Método K-S é exato para Dstrbuções contínuas de parâmetros conhecdos, não dependendo do tamanho da amostra, como é o caso do Método Qu-quadrado. Método K-S é mas sensível no entorno do centro da Dstrbução do que nas extremdades Método K-S é aproxmado para Dstrbuções dscretas, Dstrbuções com parâmetros desconhecdos, ou quando os dados estão agrupados em classes. Nesses casos utlzar o Método Qu-quadrado UNESP FEG DPD Prof. Edgard
16 Teste de Aderênca pelo Método K-S Valores Crítcos: d CRÍTICO Para n>40, os Valores Crítcos ( d CRÍTICO ) podem ser aproxmados pelas seguntes expressões: UNESP FEG DPD Prof. Edgard
17 Teste de Aderênca pelo Método K-S Exemplo: (Exemplo 01, p , COSTA NETO) Amostra: n = 10, apresentou os seguntes valores: 7,8 9, 30,6 7,0 33,5 9,5 7,3 5,4 8,0 30, H 0 : Dstrbução dos valores é Normal de = 30 e = H 1 : Tal não ocorre Crtéro: Rejetar Ho se d> d CRÍTICO) onde: d max F( x) x z = (x - )/ F (x) G (x) F (x) - G (x) (A 6.) ESQ. DIR. 0,00 5,4 -,30 0,0107 0,10 0,0107 0,0893 7,0-1,50 0,0668 0,0 0,033 0,133 7,3-1,35 0,0885 0,30 0,1115 0,115 7,8-1,10 0,1357 0,40 0,1643 0,643 8,0-1,00 0,1587 0,50 0,413 0,3413 9, - 0,40 0,3446 0,60 0,1554 0,554 9,5-0,5 0,4013 0,70 0,1987 0,987 30, 0,10 0,5398 0,80 0,160 0,60 30,6 0,30 0,6779 0,90 0,11 0,1 33,5 1,75 0,9959 1,00 0,0599 0,0401 G( x d max F( x) G( x) = 0,3413 < d Crítco = 0,369 (tab. 6., = 10%) ACEITA-SE H 0 Conclusão: para um nível de sgnfcânca de 10%, pode-se consderar que os valores obtdos ADEREM à Dstrbução Normal, logo há forte evdênca estatístca que a Dstrbução seja Normal de = 30 e = UNESP FEG DPD Prof. Edgard
18 Teste de Aderênca pelo Método A-D Método de Anderson-Darlng (A-D): Varável de teste: A n S Onde: S n ( 1) ln( F( Y ) ln( 1F( Yn 1 n 1 F (Y ) : Função Dstrbução Acumulada da amostra (freqüêncas relatvas acumuladas) CRITÉRIO: REJEITAR H 0 se A > Valor Crítco (Tabelado) Os valores crítcos dependem da específca Dstrbução que está sendo testada Método A-D é mas sensível nas extremdades da Dstrbução )) (acesso: 05/08/004) UNESP FEG DPD Prof. Edgard
Testes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisTeste Exacto de Fisher
Teste Exacto de Fsher O teste deal para aplcar com tabelas de contngênca de dados pequenos esparsos e não balanceados. Embora seja aplcável noutras stuações, vamos sempre usar em tabelas x. É um teste
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
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 maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
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 maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisAnálise de Variância (ANOVA) de 1 via
varâncas guas guas? populaconas conhecdas? varâncas dferentes Teste Z varâncas guas guas? Amostras pequenas? (n
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
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 entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisOcorrência (i) Total Freq. Observada (n i )
apítulo 4 Problema H L : p p p6 / 6 Ocorrênca ( 3 4 5 6 Total Freq. Observada (n 43 49 56 45 66 4 3 Freq. Esperada ( n * 5 5 5 5 5 5 3 ( n / n n,98,,7,5 5,,6 8,96 8,96 ; s 6; g.l. 5. ˆ 5 α P ( χ > 8,96,.
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisTRANSPORTES. Sessão Prática 9 Modelos de Escolha Discreta Modelo Logit
Mestrado Integrado em Engenhara Cvl TRANSPORTES Prof. Responsável: Lus Pcado Santos Sessão Prátca 9 Modelos de Escolha Dscreta Modelo Logt Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes
Leia maisEXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS
EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisTabela 1. Porcentagem de crianças imunizadas contra DPT e taxa de mortalidade de menores de 5 anos para 20 países, 1992.
Regressão Lnear Algumas vezes estamos nteressados não apenas se exste assocação entre duas varáves quanttatvas x e y, mas nós temos também uma hpótese a respeto de uma provável relação de causa e efeto
Leia maisAnálise de Incertezas I.B De Paula
Um bom expermentalsta deve fazer todo o esforço possível para mnmzar os erros de seu expermento. Cabe ao expermentalsta a responsabldade de apresentar uma medda da confabldade de seus dados. amos defnr
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisEstatística Computacional A - Aula Geradores Geradores pseudoaleatórios a distribuição uniforme Prof. José Carlos Fogo
Estatístca Computaconal A - Aula Geradores Geradores pseudoaleatóros a dstrbução unforme Prof José Carlos Fogo Seja X uma va contínua, então X tem dstrbução unforme no ntervalo (a, b), a, b R, se a probabldade
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais4.1. Tábuas de mortalidade
42 4. Metodologa A verfcação da estênca de dferença na taa de mortaldade de partcpantes ue abandonam um plano de seguro de vda ou prevdênca complementar será realzada medante a comparação entre as probabldades
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisAtividade em Soluções Eletrolíticas
Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende
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 maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisEXERCÍCIOS SUPLEMENTARES
PROBABILIDADES E ESTATÍSTICA PROBABILIDADES E ESTATÍSTICA I EXERCÍCIOS SUPLEMENTARES Secção de Estatístca e Aplcações Departamento de Matemátca Insttuto Superor Técnco 2004/2005 Adenda A1. De um lote de
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisExame final de Estatística 2ª Época - 24 de Junho de 2004
xame fnal de statístca ª Época - de Junho de Faculdade de conoma José Antóno nhero Unversdade Nova de Lsboa Mara Helena Almeda Note bem:. Resolva grupos dferentes em folhas dferentes;. IDNTIFIQU todas
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisNº de pedidos: (n = 26) 5 ; 7 ; 8 ; 7 ; 6 ; 7 ; 8 ; 10 ; 6 ; 8 ; 7 ; 8 ; 7 ; 7 ; 8 ; 5 ; 6 ; 8 ; 7 ; 6 ; 7 ; 5 ; 6 ; 8 ; 7 ; 6
EXEMPLOS ADICIONAIS DA ENGENHARIA ELÉTRICA 1)Suponha que a probabldade de que um engenhero elétrco utlze estatístca em seu exercíco profssonal seja 0,20 Se durante a vda profssonal, um engenhero tver cnco
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisProf. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =
Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo
Leia maisIntrodução a Processos Estocásticos:Exercícios
lvroexerccos 2017/3/19 11:24 page #1 Introdução a Processos Estocástcos:Exercícos Luz Antono Baccalá Escola Poltécnca da USP Departamento de Engenhara de Telecomuncações e Controle 2016 lvroexerccos 2017/3/19
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisMétodo dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)
Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo
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 maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisTEM701 Termodinâmica dos Materiais
Unversdade Federal do Paraná Setor de Tecnologa Departamento de Engenhara Mecânca TEM71 Termodnâmca dos Materas Segunda Le Interpretação estatístca da entropa Prof. Rodrgo Perto Cardoso Onde estamos Introdução
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCapítulo XI. Teste do Qui-quadrado. (χ 2 )
TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!
ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia maisANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!
ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisALTERNATIVA AO USO DA REGRESSÃO LINEAR SIMPLES PARA GRANDES BASES DE DADOS
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturdade e desafos da Engenhara de Produção: compettvdade das empresas, condções de trabalho, meo ambente. São Carlos, SP, Brasl, 1 a15 de outubro de 010.
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia mais