Capítulo XI. Teste do Qui-quadrado. (χ 2 )
|
|
- Mateus Carreira Lisboa
- 6 Há anos
- Visualizações:
Transcrição
1 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 probabldades do reduzdo 3.5. Aplcação do teste do ao ajuste de uma função 5 Departamento de Físca da FCTUC 07
2 TLF 00/ Cap. XI Teste do Teste do Embora não tenha havdo tempo para apresentarmos outras dstrbuções com nteresse em Físca além da dstrbução normal ou Gaussana [] vamos, contudo, reflectr sobre o modo como podemos avalar a dstrbução teórca que melhor se ajusta a uma determnada dstrbução expermental de frequêncas. Para realzarmos essa avalação de modo quanttatvo apresentaremos um parâmetro de mérto, o qu-quadrado, que será também utlzado na avalação da qualdade do ajuste de uma dada função teórca aos dados expermentas. O teste do é um dos testes mas mportantes no que se refere à frequênca de uma dada medda e à valdade de um ajuste... Aplcação do teste do a uma dstrbução de frequêncas Para facltar a apresentação, consderaremos um exemplo concreto. Suponhamos que realzamos 00 meddas t,..., t 00 do tempo que um dsco leva a descer uma determnada rampa nclnada, sem velocdade ncal e em condções de ausênca de atrto. Os resultados das meddas são apresentados na tabela.. Admtmos, à partda, que estes resultados seguem uma dstrbução normal ou Gaussana, Gt, σ t () t, mas queremos avalar se essa hpótese é razoável. Para tal devemos calcular como esperaríamos que os 00 resultados estvessem dstrbuídos se correspondessem, de facto, a uma dstrbução normal e comparar esses resultados com os expermentalmente obtdos. Tabela. Valores meddos de t (s), 0,85 0,88 0,87 0,94 0,78 0,93 0,87, 0,78 0,93, 0,93,06 0,9 0,88 0,94 0,7 0,75 0,9 0,88 0,97 0,7 0,8 0,94 0,89 0,9 0,8 0,7 0,86 0,78 0,77 0,75 0,9 0,78 0,88 0,8 0,83 0,9 0,88 0,97 0,84 0,7 0,8 0,97 0,89 0,7 0,9 0,94 0,88 0,88 0,85 0,84 0,83,03 0,78 0,85 0,94 0,85 0,84 0,8 0,97 0,97 0,97 0,84 0,8 0,9 0,84 0,87 0,8 0,79 0,95 0,97 0,8 0,94 0,84 0,8 0,87 0,93 0,87 0,87 0,9 0,8 0,87 0,84 0,87 0,68 0,9 0,93 0,75 0,7 0,87 0,8 0,8 0,8 0,88 0,97 0,8 0,85 0,84 0,96 0,95 0,84 0,85 0,75 0,94 0,9 0,88 0,75 0,9 0,87 0,75 0,95 0,78 0,88 0,88 0,9 0,8 0,9 0,7 0,9 0,87 0,75 0,84 0,84 0,8 0,77 0,87 0,75 0,7 0,9 0,75 0,9 0,84 0,94 0,88 0,83 0,94 0,85 0,88 0,94,03 0,9 0,80 0,96 0,76 0,9 0,96 0,8 0,84 0,88 0,93 0,94 0,84 0,8 0,87 0,88 0,87 0,87 0,8 0,75 0,88 0,7 0,95 0,75 0,85 0,84 0,78 0,96 0,75 0,9 0,78 0,95 0,88 0,88 0,8 0,79 0,84 0,84 0,84 0,96 0,84 0,9 0,97 0,9 0,85 0,97 0,78 0,78 0,75 0,8 0,84 0,84 0,75 0,88 0,77 A partr dos dados da Tabela., começamos por calcular os dos parâmetros necessáros para defnr a dstrbução esperada, ou seja, o valor médo e o desvo padrão: t t s e ( ) t t σ s t. [] Anda que muto resumdamente, apresentam-se em apêndce as dstrbuções Bnomal e de Posson. Departamento de Físca da FCTUC 08
3 TLF 00/ Cap. XI Teste do Sendo o tempo meddo t uma varável contínua, não podemos consderar o nº esperado de meddas de um determnado valor de t. Em vez dsso, devemos ter em conta o nº esperado de meddas num dado ntervalo de valores de t: a < t < b. Vamos então dvdr os valores possíves em n ntervalos de valores. Os ntervalos escolhdos são mostrados na tabela. e na fgura.. Defndos os ntervalos, contamos o n o de meddas (O ) que ca (observado) em cada ntervalo. Intervalo Tabela. Lmtes do ntervalo (s) t O (nº de meddas observadas no ntervalo ) t t σ (t 0.78) 38 t σt < t t (0.78 < t ) 58 3 t < t t + σt ( < t ) 74 4 t > t + σ (t > ) 30 t Em seguda, vamos calcular o nº de meddas E que sera esperado que caísse em cada ntervalo. O cálculo dos E é bastante rápdo pos, como sabemos, a probabldade de qualquer medda car num ntervalo a < x < b é a área delmtada pela função de Gauss entre os pontos x a e x b. Neste exemplo, tendo defndo 4 ntervalos, devemos consderar as 4 probabldades (Prob, Prob, Prob 3 e Prob 4 ) correspondentes às áreas defndas na fgura.. Fgura. Áreas delmtadas pela função Gaussana e pelos lmtes dos n ntervalos. As duas áreas Prob e Prob 3 correspondem à conhecda quantdade 68%. Portanto, Prob Prob As outras duas probabldades correspondem à quantdade remanescente (3%) e, portanto, Prob Prob Para encontrarmos os n os esperados E temos apenas de multplcar as probabldades pelo nº total de meddas N, neste caso 00. Os resultados são mostrados na Tabela.3. Intervalo Probabldade (Prob ) Tabela.3 E (nº de meddas esperadas no ntervalo N Prob ) O Para avalarmos a justeza da nossa hpótese, ou seja, avalarmos se a dstrbução de frequêncas expermental é bem ajustada por uma dstrbução de probabldades Gaussana vamos analsar os desvos (O E ). Departamento de Físca da FCTUC 09
4 TLF 00/ Cap. XI Teste do Tabela.4 Intervalo O E O E A tabela.4 mostra os desvos (O E ) e coloca-nos perante a questão de sabermos se as dferenças (O E ) são sufcentemente pequenas para podermos consderar que a dstrbução é, de facto, Gaussana. Para calbração desse ajuste vamos então adoptar um número de mérto desgnado por qu-quadrado. Ao longo dos últmos capítulos, a defnção de apareceu váras vezes e em todos os casos correspondeu a uma soma de quadrados de fórmula geral: N valor observado valor esperado. desvo padrão No presente caso, este nº é extraído da comparação dos dados expermentas com os valores prevstos pela dstrbução esperada e que é dado pelo somatóro (desde até ao nº total de ntervalos n): n ( O E ). (.) E Embora não seja possível dar aqu uma justfcação cabal da fórmula., a sua plausbldade para avalar a qualdade de um ajuste pode compreender-se se escrevermos a gualdade. como n O E E E. (.) Como se pode perceber, o número do tem em conta o valor dos desvos relatvos O E E pesados pelo valor esperado correspondente. Através deste peso, atrbu-se um maor sgnfcado aos desvos relatvos dos valores com maor probabldade. Por exemplo, no caso da dstrbução Gaussana é de atrbur maor sgnfcado aos desvos relatvos junto ao máxmo (valor central da Gaussana), do que a valores nas suas caudas, onde o desvo relatvo tende a ser grande uma vez que os valores da probabldade são pequenos. O nº do consttu um ndcador razoável para verfcarmos o acordo entre a dstrbução observada e a esperada. Se 0, o acordo é perfeto, embora essa stuação seja altamente mprovável. Em geral, espera-se que cada termo da soma seja da ordem de [] e,, [] Isto sgnfca que se espera que as dferentes meddas regstadas em O tenham como valor médo E, flutuando em torno desse valor com um desvo padrão da ordem de E. Esta conclusão compreende-se Departamento de Físca da FCTUC 0
5 TLF 00/ Cap. XI Teste do portanto, como haverá n termos (n ntervalos), em que a hpótese é verfcada expermentalmente. Pelo contráro, hpótese estava ncorrecta. n. Esta corresponderá então à stuação >> n sgnfcará que a No nosso exemplo: n ( O E ) ( 6) ( 0) ( 6) ( ) E que é um valor menor do que 4, não havendo, portanto, razão para duvdar da valdade da hpótese proposta. As secções.3 e.4 completarão consderações mportantes a ter em conta sobre o crtéro de ajuste do... Escolha de ntervalos para o teste do O resultado n ( O E ) é geral e pode ser aplcado a mutas experêncas E dferentes. Uma questão que devemos agora abordar é saber qual o procedmento que devemos segur para escolher o nº de ntervalos adequado à realzação do teste do. Essa escolha depende do tpo de experênca e, em partcular, da grandeza x medda ser de natureza contínua ou dscreta. Apresentam-se a segur algumas consderações sobre este aspecto. Caso de uma varável contínua Seja qual for a dstrbução de frequêncas esperada, f(x), a área total crcunscrta pelo gráfco de f(x) em função de x deve valer (condção de normalzação) e a probabldade de obtermos uma medda entre x a e x b corresponderá à área entre a e b, que é dada, como sabemos por: b ( a < x < b) f ( x) Prob dx. Então, se o ntervalo for crcunscrto por x a e x a +, o nº esperado de meddas no ntervalo (para um total de N meddas realzadas) é a E ( a < x < a ) N Prob + a + a ( x) N f dx. melhor assemelhando o resultado a uma experênca de contagens do tpo descrto por uma dstrbução de Posson (ver defnção de dstrbução de Posson no Apêndce). Departamento de Físca da FCTUC
6 TLF 00/ Cap. XI Teste do O nº de meddas E esperado em cada ntervalo não deve ser muto pequeno. Embora não haja lmte nferor, E deve ser maor ou gual a 5: E 5. Por outro lado, o nº de ntervalos não deve ser nferor a 4, tal como no exemplo que consderámos acma. Desta forma, concluremos que, para aplcarmos o teste do qu-quadrado a uma dstrbução de frequêncas de forma útl, o nº de meddas realzadas não deve ser nferor a 0. Caso de uma varável dscreta Suponhamos que medmos uma varável dscreta ν, como por exemplo, o nº de vezes que sa o algarsmo quando jogamos cnco dados. Neste caso, os valores possíves para ν são 0,,, 3, 4 e 5 e não é necessáro agregarmos os valores em ntervalos. Ou melhor, escolhemos 6 ntervalos mas cada um deles contém apenas um valor possível. Contudo, por vezes acontece ser necessáro agruparmos város resultados possíves no mesmo ntervalo. Por exemplo, se atrarmos os mesmos 5 dados 00 vezes, de acordo com o cálculo das probabldades que rege este tpo de acontecmentos [3], a dstrbução dos resultados esperada sera a apresentada na ª coluna da tabela.5. Como podemos verfcar, os valores esperados para a probabldade de sar 4 ou 5 vezes o nº é de apenas 0.6 e Estes ntervalos não estão, portanto, em stuação adequada à aplcação do teste do qu-quadrado. Devemos, então, reagrupar os resultados ν 3, 4 e 5 num únco ntervalo, fcando no total com n 4 ntervalos, como se mostra na 4ª coluna, com os E fnas. Defndos os ntervalos procedemos como anterormente, ou seja, contamos as ocorrêncas observadas O em cada ntervalo, determnamos (O E ) e calculamos o, avalando a partr dele se as dstrbuções esperada e medda concordam [4]. Tabela.5 Nº de dados em que sa o nº E Intervalo E fnal Graus de Lberdade e reduzdo Na secção., comparámos o parâmetro com o nº de ntervalos em que dvdmos os nossos dados. Contudo, mostra-se que um procedmento mas correcto é compará-lo com o nº de graus de lberdade, d, do cálculo estatístco. Como já refermos, num cálculo estatístco o nº de graus de lberdade é defndo como o nº de dados observados menos o nº de parâmetros obtdos a partr desses dados e usados nos cálculos. No exemplo do dsco que desce o plano nclnado, regstámos os n os O que caem nos n ntervalos,, n. Portanto, o nº de dados observados é apenas n, o nº de ntervalos. O nº de graus de lberdade é dado por d n c, [3] A dstrbução bnomal, que pode ser consultada no apêndce [4] Como nesta experênca sabemos que a dstrbução medda é certamente uma dstrbução bnomal B 5,/6 (ν), o teste do acaba por ser um modo de saber se os dados são verdaderos ou se estão falseados. Departamento de Físca da FCTUC
7 TLF 00/ Cap. XI Teste do sendo c o nº de parâmetros que tveram que ser calculados para determnarmos os n os E esperados. Este valor c é frequentemente desgnado por número de constrangmentos e vara com o tpo de experênca. No caso de dstrbuções de frequênca devemos ter em conta que exste sempre o constrangmento assocado à condção de normalzação da dstrbução. Tempo de descda de um dsco Exemplos Os dados foram agrupados em 4 ntervalos. Logo, n 4. Nessa experênca, para determnar a dstrbução Gt, σ t () t calculámos t e σ t. Além dsso, a dstrbução fo normalzada. Assm, o nº total de constrangmentos fo, portanto, de 3. O nº de graus de lberdade é então: d 4 3. Este resultado explca porque não podemos usar um nº de ntervalos nferor a 4. Quando n é elevado, a dferença entre n e d não é mportante, mas quando n é pequeno (o que acontece mutas vezes), percebe-se como é mportante esta dferença. Lançamento de 5 dados e regsto do nº de vezes em que sa o número. Nesta experênca, onde estamos a testar a hpótese dos dados serem verdaderos, a dstrbução esperada do nº de vezes ν que sa o número é a dstrbução bnomal B 5,/6 (ν), onde ν 0,,, 3, 4 ou 5. Ambos os parâmetros desta função, o nº de dados (5) e a probabldade de sar o número num dado (/6), são conhecdos à partda e não têm que ser calculados a partr dos dados expermentas. A dstrbução deve ser normalzada e como vmos na tabela.5, os dados foram agrupados em 4 ntervalos e, portanto, n 4. Então, neste caso, c e d 4 3 e há, portanto, 3 graus de lberdade. Prova-se que o valor esperado para é exactamente d, ou seja, o nº de graus de lberdade. Uma forma mas convenente de avalar o é usar o reduzdo ou normalzado, que aqu representaremos por ~ : ~, d sendo ~ o valor esperado para o qu-quadrado reduzdo..4. Tabela de probabldades do reduzdo Voltemos à experênca do dsco que deslza sobre o plano nclnado sem atrto. Vmos que 3. e como para esta experênca d, o reduzdo vale também 3.. Será este um valor acetável para conclurmos que a experênca é bem ajustada por uma dstrbução Gaussana? O procedmento geral é o segunte: depos de completarmos qualquer sére de meddas, calculamos o normalzado, regstando-o como ~ O, uma vez que é o que resulta drectamente das nossas observações. Depos, consderando que as nossas meddas seguem Departamento de Físca da FCTUC 3
8 Cap. XI Teste do TLF 00/ uma determnada dstrbução (a dstrbução esperada), calculamos a probabldade de O : maor ou gual a ~ encontrarmos um valor de ~ Prob (~ ~ O ). ( ) Tabela.6 Probabldade percentual Prob ~ ~ O de obter um valor de ~ ~ O numa experênca com d graus de lberdade. Os espaços em branco correspondem a probabldades nferores a 0.05%. ~ O é o valor do qu-quadrado reduzdo (ou normalzado) observado. Departamento de Físca da FCTUC 4
9 TLF 00/ Cap. XI Teste do Se esta probabldade for elevada, o nosso valor de ~ O é perfetamente acetável e não há razão para rejetarmos a dstrbução esperada. Se a probabldade for muto baxa, um valor de ~ da ordem do nosso ~ O observado é mprovável e, por sso, é-o também a correspondênca entre a dstrbução esperada e a expermental. Uma frontera possível é o nível de confança de 5% que já usámos noutros contextos. Assm, uma ( ~ ~ Prob O ) < 5% ndcara um desacordo sgnfcatvo. Se o nível de confança estabelecdo for de % então uma ( ~ ~ Prob O ) < % ndcara um desacordo altamente sgnfcatvo. O cálculo das Prob ( ~ ~ O ) é complexo para o âmbto desta dscplna, mas os resultados estão tabelados e podem ser encontrados faclmente na lteratura da especaldade. As percentagens da probabldade de obtermos um valor de ~ maor ou gual a um valor partcular ~ O para certo nº de graus de lberdade d são apresentadas na tabela.6. Os espaços em branco ndcam probabldades nferores a 0.05%. Por exemplo: para d 0 graus de lberdade, a probabldade de obter um ~ é gual a.9%. Portanto, se tvéssemos obtdo um reduzdo de numa experênca de 0 graus de lberdade, concluríamos que as nossas observações dferam sgnfcatvamente da dstrbução esperada, tendo em conta um nível de confança de 5%..5. Aplcação do teste do ao ajuste de uma função Este é o caso que geralmente mas nos nteressa, nomeadamente quando pretendemos avalar a qualdade do ajuste de determnadas funções aos dados recolhdos no âmbto de trabalhos laboratoras. O racocíno a fazer segue de muto perto o anterormente utlzado para a avalação da qualdade do ajuste de uma dstrbução. Fgura. Representação da função y f(x) ajustada a N pares de valores (x,y ) (não representados). As meddas dos x têm ncerteza desprezável e as dos y têm dstrbução Gaussana centrada em Y e com ncerteza σ. Os pontos (x,y ) são, portanto, os pontos ajustados (sobre a curva de ajuste) aos pontos (x,y ). Consderemos uma stuação em que medmos duas grandezas expermentas, x e y, e esperamos que haja uma determnada relação funconal entre elas, y f(x). Suponhamos que foram fetos N pares de meddas (x,y ) onde os x têm ncerteza desprezável e os y têm Departamento de Físca da FCTUC 5
10 TLF 00/ Cap. XI Teste do dstrbução Gaussana centrada no valor esperado Y f(x ) e ncerteza σ (Fgura.). Podemos então testar até que ponto a função y f(x) se ajusta aos valores (x,y ) através de: N y f σ x ( ). (.3) Para tornar mas claro o procedmento de aplcação do teste do, consderaremos o resultado de medções da corrente eléctrca que atravessa uma lâmpada de ncandescênca e da dferença de potencal aos seus termnas, no regme em que a lâmpada está acesa (emte radação). Os N 0 valores meddos são apresentados na tabela.7 e o gráfco da ddp em função da corrente eléctrca está representado na fgura.3. O mesmo gráfco apresenta também o ajuste de uma recta de equação y A + Bx aos pontos expermentas. Tabela.7 I (A) V±0,0 (V) I (A) V±0,0 (V) 0,0847,8 0,53 3,8 0,093,53 0,590 4,09 0,003,76 0,63 4,4 0,083,03 0,683 4,53 0,38, 0,77 4,74 0,3,54 0,786 5,04 0,79,75 0,87 5,5 0,356 3,07 0,883 5,55 0,400 3,5 0,93 5,76 0,466 3,53 0,967 6,00 Para avalação da qualdade do ajuste procede-se do segunte modo: Ajusta-se a recta y A + Bx aos N pontos expermentas representados na fgura.3 utlzando o método dos mínmos quadrados (regressão lnear). As ncertezas assocadas à medda da corrente foram desprezadas e apenas foram tdas em conta as ncertezas na tensão eléctrca (± 0,0 V). Obteve-se a recta representada no gráfco, de equação y x. (Não foram determnadas as ncertezas assocadas aos parâmetros A e B por não serem ndspensáves no que segue.) Determnou-se (para comparação) o parâmetro coefcente de correlação lnear, usando a defnção 0.9 do capítulo anteror: r ( x x)( y y) ( x x) ( y y). Obteve-se o valor r 0.997, ndcando a exstênca de uma correlação de tpo lnear entre a ddp e a corrente eléctrca. Conhecdos os melhores valores para os parâmetros A e B, determnou-se o parâmetro através da fórmula.3, onde a função de ajuste f(x) fo substtuída por A + Bx: Departamento de Físca da FCTUC 6
11 TLF 00/ Cap. XI Teste do N y ( A + ) Bx σ. A soma fo feta sobre os 0 pares de valores meddos (x,y ), e o σ assocado a cada y fo tomado como o erro de 0.0 V acma referdo. 3 O valor do obtdo fo depos dvddo pelo nº de graus de lberdade dando orgem ao qu-quadrado reduzdo. Aos 0 pares de valores meddos subtraíram-se constrangmentos (uma vez que o cálculo do depende da determnação anteror dos parâmetros A e B). O nº de graus de lberdade fo, portanto, de 8. Repare-se que, embora o parâmetro r fosse bom, o valor elevado do reduzdo (55.7) ndca um mau ajuste de uma recta aos dados expermentas. 7,00 6,00 5,00 y 4,6x -,6 r 0,997 red 55,7 V (V) 4,00 3,00,00,00 0,07 0,09 0, 0,3 0,5 0,7 0,9 0, I (A) Fgura.3 Gráfco da ddp aos termnas da lâmpada de ncandescênca em função da corrente eléctrca que a percorre. A lnha contínua corresponde à recta de ajuste y A + Bx. O procedmento anteror fo então repetdo mas tentando ajustar uma equação dferente aos dados expermentas. B Ajustou-se a curva y Ax aos pontos expermentas da tabela.7, agora representados na fgura.4, tendo-se obtdo a relação y 7.7x.8. Com base nos valores de A e B obtdos a partr do ajuste, determnou-se o parâmetro através de: N B ( ) y Ax σ, Departamento de Físca da FCTUC 7
12 TLF 00/ Cap. XI Teste do onde a soma fo feta sobre os 0 pares de valores meddos (x,y ) e como σ assocado a cada y fo tomado o erro de 0.0 V. 3 O valor do obtdo ( 6.7) fo depos dvddo pelo nº de graus de lberdade dando orgem ao qu-quadrado normalzado. Aos 0 pares de valores meddos subtraíram-se constrangmentos, uma vez que o cálculo do depende da determnação anteror dos parâmetros A e B. O nº de graus de lberdade fo, portanto, de 8, tendo-se obtdo ~.5. Consultando a tabela.6 para d 8 graus de lberdade, vê-se que a ( ~ ~ ) Prob ( ~ Prob O.5) 8. 6, sgnfcando que não há desacordo sgnfcatvo entre a curva ajustada e os pontos expermentas (para um nível de confança 5%) e que, portanto, a curva pode ser tomada como uma boa representação da relação entre a ddp aos termnas da lâmpada e a corrente que a percorre. 7,0 6,0 5,0 y 7,7x,8 6,7 red,5 V (V) 4,0 3,0,0,0 0,07 0,09 0, 0,3 0,5 0,7 0,9 0, Fgura.4 Gráfco da ddp aos termnas da lâmpada de ncandescênca em função da corrente eléctrca que a percorre. A lnha contínua corresponde à curva de ajuste y Ax B. I (A) Antes de fnalzarmos este capítulo, repare-se que se calcularmos o valor de σ y ( y A Bx ) defndo no capítulo IX, e que caracterza a dspersão dos N valores y relatvamente à função ajustada, encontramos o valor σ y 0. V. Este valor é bastante superor ao erro assumdo à partda em cada valor y (0.0 V). Se agora calcularmos o B valor de σ y ( y Ax ) para avalar a dspersão destes valores relatvamente à N B curva y Ax encontramos σ y V, desta vez nferor à dspersão assocada a cada medda ndvdual. Como se depreende, este parâmetro também é sensível à qualdade do ajuste. Departamento de Físca da FCTUC 8
Cap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
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 maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
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 maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
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 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 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 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 maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
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 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 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 maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
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 maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
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 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 maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
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 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 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 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 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 maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
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 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 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 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 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 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 maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
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 maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que
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 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 mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
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 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 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 maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
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 mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
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 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 mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
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 maisTestes 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 maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
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 maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
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 maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
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 maisD- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS
D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
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 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 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 maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
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 maisAjuste de um modelo linear aos dados:
Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
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 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 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. UFRGS Insttuto de Matemátca
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 maisCARGA E DESCARGA DE UM CAPACITOR
EXPEIÊNCIA 06 CAGA E DESCAGA DE UM CAPACITO 1. OBJETIVOS a) Levantar, em um crcuto C, curvas de tensão no resstor e no capactor em função do tempo, durante a carga do capactor. b) Levantar, no mesmo crcuto
Leia maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisEstatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 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
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 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 maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
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 maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia mais