Exemplo Espinhel de Fundo
|
|
|
- Júlio Fábio Cerveira Camilo
- 6 Há anos
- Visualizações:
Transcrição
1 Exemplo Espinhel de Fundo Gilberto A. Paula Departamento de Estatística IME-USP, Brasil 2 o Semestre 2016 G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
2 Espinhel de Fundo Sumário 1 Espinhel de Fundo 2 Análise de Dados Preliminar 3 Modelo Gama 4 Seleção Modelo Final 5 Conclusões 6 Referências G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
3 Espinhel de Fundo Espinhel de Fundo Descrição do estudo Como ilustração de exemplo de modelo com resposta gama vamos analisar parte dos dados de um estudo sobre a atividade das frotas pesqueiras de espinhel de fundo baseadas em Santos e Ubatuba no litoral paulista (vide Paula e Oshiro, 2001). G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
4 Espinhel de Fundo Espinhel de Fundo Descrição do estudo Como ilustração de exemplo de modelo com resposta gama vamos analisar parte dos dados de um estudo sobre a atividade das frotas pesqueiras de espinhel de fundo baseadas em Santos e Ubatuba no litoral paulista (vide Paula e Oshiro, 2001). O espinhel de fundo é definido como um método de pesca passivo, sendo utilizado em todo o mundo em operações de pesca de diferentes magnitudes, da pesca artesanal a modernas pescarias mecanizadas. A espécie de peixe considerada é o peixe-batata pela sua importância comercial e ampla distribuição espacial. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
5 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
6 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
7 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), ano (95 a 99), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
8 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), ano (95 a 99), trimestre (1 ao 4), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
9 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), ano (95 a 99), trimestre (1 ao 4), latitude (de 23,25 o a 28,25 o ), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
10 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), ano (95 a 99), trimestre (1 ao 4), latitude (de 23,25 o a 28,25 o ), longitude(de 41,25 o a 50,75 o ), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
11 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), ano (95 a 99), trimestre (1 ao 4), latitude (de 23,25 o a 28,25 o ), longitude(de 41,25 o a 50,75 o ), dias de pesca, G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
12 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), ano (95 a 99), trimestre (1 ao 4), latitude (de 23,25 o a 28,25 o ), longitude(de 41,25 o a 50,75 o ), dias de pesca, captura (quantidade de peixes batata capturados, em kg), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
13 Espinhel de Fundo Espinhel de Fundo Descrição dos Dados Uma amostra de n = 156 embarcações foi analisada no período de 1995 a 1999 sendo 39 da frota de Ubatuba e 117 da frota de Santos. As variáveis consideradas para cada embarcação são as seguintes: frota (Santos ou Ubatuba), ano (95 a 99), trimestre (1 ao 4), latitude (de 23,25 o a 28,25 o ), longitude(de 41,25 o a 50,75 o ), dias de pesca, captura (quantidade de peixes batata capturados, em kg), cpue (captura por unidade de esforço, kg/dias de pesca). G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
14 Espinhel de Fundo Espinhel de Fundo Objetivo do Estudo Objetivo principal deste estudo é explicar a cpue média segundo as variáveis frota, ano, trimestre, latitude e longitude. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
15 Análise de Dados Preliminar Sumário 1 Espinhel de Fundo 2 Análise de Dados Preliminar 3 Modelo Gama 4 Seleção Modelo Final 5 Conclusões 6 Referências G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
16 Análise de Dados Preliminar Densidade da cpue Densidade cpue G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
17 Análise de Dados Preliminar Boxplots da cpue segundo a Frota cpue Santos Ubatuba G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
18 Análise de Dados Preliminar Boxplots (Robusto) da cpue segundo a Frota cpue Santos Ubatuba G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
19 Análise de Dados Preliminar Boxplots da cpue segundo o Ano cpue G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
20 Análise de Dados Preliminar Boxplots (Robusto) da cpue segundo o Ano cpue G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
21 Análise de Dados Preliminar Boxplots da Latitude e Longitude segundo a Frota Latitude Longitude Santos Ubatuba Santos Ubatuba G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
22 Análise de Dados Preliminar Boxplots (Robusto) da Latitude e Longitude segundo a Frota Latitude Longitude Santos Ubatuba Santos Ubatuba G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
23 Análise de Dados Preliminar Boxplots da cpue segundo o Trimestre cpue Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4 G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
24 Análise de Dados Preliminar Boxplots (Robusto) da cpue segundo o Trimestre cpue Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4 G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
25 Análise de Dados Preliminar Dispersão da cpue contra a Latitude cpue Latitude G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
26 Análise de Dados Preliminar Dispersão da cpue contra a Longitude cpue Longitude G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
27 Modelo Gama Sumário 1 Espinhel de Fundo 2 Análise de Dados Preliminar 3 Modelo Gama 4 Seleção Modelo Final 5 Conclusões 6 Referências G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
28 Modelo Gama Modelo Gama Descrição Seja y ijkl a cpue observada para a i-ésima embarcação da j-ésima frota (Santos (j = 1); Ubatuba(j = 2)), no k-ésimo ano e l-ésimo trimestre (k,l = 1, 2, 3, 4). Vamos supor o seguinte modelo: G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
29 Modelo Gama Modelo Gama Descrição Seja y ijkl a cpue observada para a i-ésima embarcação da j-ésima frota (Santos (j = 1); Ubatuba(j = 2)), no k-ésimo ano e l-ésimo trimestre (k,l = 1, 2, 3, 4). Vamos supor o seguinte modelo: y ijkl ind G(µ ijkl,φ), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
30 Modelo Gama Modelo Gama Descrição Seja y ijkl a cpue observada para a i-ésima embarcação da j-ésima frota (Santos (j = 1); Ubatuba(j = 2)), no k-ésimo ano e l-ésimo trimestre (k,l = 1, 2, 3, 4). Vamos supor o seguinte modelo: y ijkl ind G(µ ijkl,φ), log(µ ijkl ) = α+β j +γ k +θ l +δ 1 Latitude ijkl +δ 2 Longitude ijkl, G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
31 Modelo Gama Modelo Gama Descrição Seja y ijkl a cpue observada para a i-ésima embarcação da j-ésima frota (Santos (j = 1); Ubatuba(j = 2)), no k-ésimo ano e l-ésimo trimestre (k,l = 1, 2, 3, 4). Vamos supor o seguinte modelo: y ijkl ind G(µ ijkl,φ), log(µ ijkl ) = α+β j +γ k +θ l +δ 1 Latitude ijkl +δ 2 Longitude ijkl, em que β j, γ k e θ l denotam, respectivamente, os efeitos de frota, ano e trimestre. Como o modelo é casela de referência temos as restrições β 1 = 0, γ 1 = 0 e θ 1 = 0. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
32 Modelo Gama Resíduos Modelo Ajustado Componente do Desvio Percentil da N(0,1) G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
33 Seleção Modelo Final Sumário 1 Espinhel de Fundo 2 Análise de Dados Preliminar 3 Modelo Gama 4 Seleção Modelo Final 5 Conclusões 6 Referências G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
34 Seleção Modelo Final Modelo Final Resultados Aplicando-se o método de Akaike retiramos o fator Trimestre, permanecendo no modelo os fatores Frota e Ano além das variáveis quantitativas Latitude e Longitude. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
35 Seleção Modelo Final Modelo Final Resultados Aplicando-se o método de Akaike retiramos o fator Trimestre, permanecendo no modelo os fatores Frota e Ano além das variáveis quantitativas Latitude e Longitude. Interação O teste da razão de verossimilhanças para incluir a interação entre os dois fatores que permaneceram no modelo, Frota e Ano, foi de ξ RV = 14, 26 para 4 graus de liberdade obtendo-se P = 0, 006. Portanto, a interação será incluída no modelo. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
36 Seleção Modelo Final Modelo Final Descrição Portanto, selecionamos o seguinte modelo: G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
37 Seleção Modelo Final Modelo Final Descrição Portanto, selecionamos o seguinte modelo: y ijk ind G(µ ijk,φ), G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
38 Seleção Modelo Final Modelo Final Descrição Portanto, selecionamos o seguinte modelo: y ijk ind G(µ ijk,φ), log(µ ijk ) = α+β j +γ k +δ 1 Latitude ijk +δ 2 Longitude ijk +θ jk, G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
39 Seleção Modelo Final Modelo Final Descrição Portanto, selecionamos o seguinte modelo: y ijk ind G(µ ijk,φ), log(µ ijk ) = α+β j +γ k +δ 1 Latitude ijk +δ 2 Longitude ijk +θ jk, em que y ijk denota a cpue observada para a i-ésima embarcação da j-ésima frota e no k-ésimo ano, enquanto θ jk denota a interação entre frota e ano com β j e γ k denotando os respectivos efeitos principais. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
40 Seleção Modelo Final Modelo Final Descrição Portanto, selecionamos o seguinte modelo: y ijk ind G(µ ijk,φ), log(µ ijk ) = α+β j +γ k +δ 1 Latitude ijk +δ 2 Longitude ijk +θ jk, em que y ijk denota a cpue observada para a i-ésima embarcação da j-ésima frota e no k-ésimo ano, enquanto θ jk denota a interação entre frota e ano com β j e γ k denotando os respectivos efeitos principais. Como o modelo é casela de referência temos as restrições β 1 = 0, γ 1 = 0, θ 1k = 0, k, e θ j1 = 0, j. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
41 Seleção Modelo Final Estimativas Descrição Efeito Estimativa E/E.Padrão Constante 6,898 3,00 Latitude 0,204 2,81 Longitude -0,150-1,97 Frota-Ubatuba -1,359-3,68 Ano96-0,064-0,26 Ano97 0,141 0,74 Ano98-0,043-0,25 Ano99-0,009-0,06 FrotaUb*Ano96 0,806 1,77 FrotaUb*Ano97 1,452 3,20 FrotaUb*Ano98 1,502 3,32 FrotaUb*Ano99 1,112 2,76 G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
42 Seleção Modelo Final Interpretações Qualidade do Ajuste Obtemos ˆφ = 3, 67(0, 40) confirmando a assimetria à direita para a distribuição da cpue. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
43 Seleção Modelo Final Interpretações Qualidade do Ajuste Obtemos ˆφ = 3, 67(0, 40) confirmando a assimetria à direita para a distribuição da cpue. O desvio do modelo foi de D (y; ˆµ) = 162, 66 para 144 graus de liberdade com P = 0, 14, indicando um modelo bem ajustado. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
44 Seleção Modelo Final Interpretações Efeitos principais e interação Nota-se que à medida que aumenta a latitude espera-se um aumento da cpue, ocorrendo tendência contrária à medida que aumenta a longitude. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
45 Seleção Modelo Final Interpretações Efeitos principais e interação Nota-se que à medida que aumenta a latitude espera-se um aumento da cpue, ocorrendo tendência contrária à medida que aumenta a longitude. Logo, para latitudes altas e longitudes baixas (dentro dos limites amostrais), espera-se valores maiores para a cpue. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
46 Seleção Modelo Final Interpretações Efeitos principais e interação Nota-se que à medida que aumenta a latitude espera-se um aumento da cpue, ocorrendo tendência contrária à medida que aumenta a longitude. Logo, para latitudes altas e longitudes baixas (dentro dos limites amostrais), espera-se valores maiores para a cpue. A interação entre frota e ano é significativa, isto é, a diferença entre as cpue s médias das duas frotas não é constante ao longo dos anos. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
47 Seleção Modelo Final Cpue Estimada fixando Latitude e Longitude cpue estimada Santos Ubatuba Ano G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
48 Seleção Modelo Final Interpretações Cpue Estimada As cpues médias foram estimadas fixando latitude e longitude nos valores 26 o e 46 o, respectivamente. Podemos observar o seguinte: G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
49 Seleção Modelo Final Interpretações Cpue Estimada As cpues médias foram estimadas fixando latitude e longitude nos valores 26 o e 46 o, respectivamente. Podemos observar o seguinte: até 96 os valores preditos para a frota de Ubatuba são bem menores do que os valores preditos para a frota de Santos, G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
50 Seleção Modelo Final Interpretações Cpue Estimada As cpues médias foram estimadas fixando latitude e longitude nos valores 26 o e 46 o, respectivamente. Podemos observar o seguinte: até 96 os valores preditos para a frota de Ubatuba são bem menores do que os valores preditos para a frota de Santos, a partir de 97 as diferenças entre os valores médios preditos para as duas frotas diminuem, G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
51 Seleção Modelo Final Interpretações Cpue Estimada As cpues médias foram estimadas fixando latitude e longitude nos valores 26 o e 46 o, respectivamente. Podemos observar o seguinte: até 96 os valores preditos para a frota de Ubatuba são bem menores do que os valores preditos para a frota de Santos, a partir de 97 as diferenças entre os valores médios preditos para as duas frotas diminuem, os valores preditos para a frota de Santos variam pouco no período 95-99, diferentemente dos valores preditos para a frota de Ubatuba. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
52 Seleção Modelo Final Diagnóstico Modelo Final Medida h Distância de Cook Valor Ajustado Índice Resíduo Componente do Desvio Variável z Valor Ajustado Preditor Linear G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
53 Seleção Modelo Final Resíduos Modelo Final Componente do Desvio Percentil da N(0,1) G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
54 Seleção Modelo Final Observações Influentes Interpretações Podemos observar o seguinte: G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
55 Seleção Modelo Final Observações Influentes Interpretações Podemos observar o seguinte: Quatro observações aparecem como possivelmente influentes, as embarcações #5, #8, #17 e #52. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
56 Seleção Modelo Final Observações Influentes Interpretações Podemos observar o seguinte: Quatro observações aparecem como possivelmente influentes, as embarcações #5, #8, #17 e #52.Todavia, apenas a embarcação #17 causa mudança inferencial no coeficientes de longitude além de redução na estimariva em 31%. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
57 Seleção Modelo Final Observações Influentes Interpretações Podemos observar o seguinte: Quatro observações aparecem como possivelmente influentes, as embarcações #5, #8, #17 e #52.Todavia, apenas a embarcação #17 causa mudança inferencial no coeficientes de longitude além de redução na estimariva em 31%. A embarcação #17 é da frota de Santos, obteve uma cpue de 450 (valor médio 195,5) numa latitude de 24,75 o (valor médio 26,22 o ) e longitude de 46,25 o (valor médio 46,26 o ) no ano de 99. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
58 Seleção Modelo Final Observações Influentes Interpretações Podemos observar o seguinte: Quatro observações aparecem como possivelmente influentes, as embarcações #5, #8, #17 e #52.Todavia, apenas a embarcação #17 causa mudança inferencial no coeficientes de longitude além de redução na estimariva em 31%. A embarcação #17 é da frota de Santos, obteve uma cpue de 450 (valor médio 195,5) numa latitude de 24,75 o (valor médio 26,22 o ) e longitude de 46,25 o (valor médio 46,26 o ) no ano de 99. Esperava-se para essa embarcação um valor menor para a cpue levando-se em conta o valor da longitude. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
59 Seleção Modelo Final Observações Influentes Interpretações Podemos observar o seguinte: Quatro observações aparecem como possivelmente influentes, as embarcações #5, #8, #17 e #52.Todavia, apenas a embarcação #17 causa mudança inferencial no coeficientes de longitude além de redução na estimariva em 31%. A embarcação #17 é da frota de Santos, obteve uma cpue de 450 (valor médio 195,5) numa latitude de 24,75 o (valor médio 26,22 o ) e longitude de 46,25 o (valor médio 46,26 o ) no ano de 99. Esperava-se para essa embarcação um valor menor para a cpue levando-se em conta o valor da longitude. Trata-se portanto de uma embarcação atípica. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
60 Conclusões Sumário 1 Espinhel de Fundo 2 Análise de Dados Preliminar 3 Modelo Gama 4 Seleção Modelo Final 5 Conclusões 6 Referências G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
61 Conclusões Conclusões Considerações finais G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
62 Conclusões Conclusões Considerações finais As cpue s médias nos anos de 95 a 99 para as embarações de Santos e Ubatuba são bem ajustadas por um modelo gama com ligação logarítmica e dependem da localização da embarcação. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
63 Conclusões Conclusões Considerações finais As cpue s médias nos anos de 95 a 99 para as embarações de Santos e Ubatuba são bem ajustadas por um modelo gama com ligação logarítmica e dependem da localização da embarcação. Esses resultados confirmam estudos anteriores desenvovlvidos com embarcações baseadas nas costas mediterrânea e mexicana. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
64 Referências Sumário 1 Espinhel de Fundo 2 Análise de Dados Preliminar 3 Modelo Gama 4 Seleção Modelo Final 5 Conclusões 6 Referências G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
65 Referências Referências Referências G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
66 Referências Referências Referências Goñi, R., Alvarez, F. e Adlerstein, S. (1999). Application of generalized linear modeling to cath rate analysis of western mediterranean fisheries: the Castellón trawl fleet as a case study. Fisheries Research 42, G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
67 Referências Referências Referências Goñi, R., Alvarez, F. e Adlerstein, S. (1999). Application of generalized linear modeling to cath rate analysis of western mediterranean fisheries: the Castellón trawl fleet as a case study. Fisheries Research 42, Paula, G. A. e Oshiro, C. H. (2001). Relatório de Análise Estatística sobre o Projeto: Análise de Captura por Unidade de Esforço do Peixe-Batata na Frota Paulista. RAE-CEA0102, IME-USP. G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
68 Referências Referências Referências Goñi, R., Alvarez, F. e Adlerstein, S. (1999). Application of generalized linear modeling to cath rate analysis of western mediterranean fisheries: the Castellón trawl fleet as a case study. Fisheries Research 42, Paula, G. A. e Oshiro, C. H. (2001). Relatório de Análise Estatística sobre o Projeto: Análise de Captura por Unidade de Esforço do Peixe-Batata na Frota Paulista. RAE-CEA0102, IME-USP. Wakida-Kusunoki, A. T. e Solana-Sansores, R. (1997). Modelación del esfurerzo pesquero de la flota camaronera de Ciudad del Carmen, Campeche, México. Oceánides 12, G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre / 35
Exemplo MLG Misto. Gilberto A. Paula. Departamento de Estatística IME-USP, Brasil
Exemplo MLG Misto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2015 1 / 16 Placas Dentárias Sumário
Exemplo Placas Dentárias
Exemplo Placas Dentárias Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2016 1 / 20 Placas Dentárias
Exemplo Falhas em Tecidos
Exemplo Falhas em Tecidos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Falhas em Tecidos 2 o Semestre 2016 1 / 27 Rolos de Tecido
Exemplo Número de Clientes da Loja
Exemplo Número de Clientes da Loja Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Clientes da Loja 2 o Semestre 2015 1 / 24 Clientes
Faturamento de Restaurantes
Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2016 1 / 29
Exemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Exemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Exemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Exemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2013 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2013 1 / 21 Cupons
Exemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Exemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2016 1 / 22 Cupons
Exame da OAB. Gilberto A. Paula. Departamento de Estatística IME-USP, Brasil
Exame da OAB Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2017 G. A. Paula (IME-USP) Exame da OAB 2 o Semestre 2017 1 / 29 Exame da OAB Sumário 1 Exame
MAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Exemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Exemplo Turbinas de Avião
Exemplo Turbinas de Avião Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Turbinas de Avião 2 o Semestre 2015 1 / 29 Turbinas de
Exemplo Regressão Binomial Dados Emparelhados
Exemplo Regressão Binomial Dados Emparelhados Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2013 G. A. Paula (IME-USP) Desenvolvimento de Diabetes 2 o Semestre
Modelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Aplicação de modelos lineares generalizados na captura de atum da espécie Thunnus albacares.
Reunião Anual da Região Brasileira Internacional de Biometria -22 a 26 de julho de 2013 - Campina Grande/PB Aplicação de modelos lineares generalizados na captura de atum da espécie Thunnus albacares.
Introdução 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)
Modelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Resenha Modelos Lineares Generalizados
Resenha Modelos Lineares Generalizados Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2014 G. A. Paula (IME-USP) Resenha MLGs 2 o Semestre 2014 1 / 75 Introdução
Aplicação do modelo de Quase-Verossimilhança
Aplicação do modelo de Quase-Verossimilhança Fábio Hideto Oki 1 1 Introdução O câncer é uma doença de proporção mundial, atingindo só no Brasil cerca de 350 mil pessoas por ano e é caracterizado pela mutação
Modelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Faturamento de Restaurantes
Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2015 1 / 28
Exemplo Regressão Linear Simples
Exemplo Regressão Linear Simples Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Área e Preço de Imóveis 1 o Semestre 2013 1 /
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Disciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
Influência Local Gilberto A. Paula
Influência Local p. 1/18 Influência Local Gilberto A. Paula Instituto de Matemática e Estatística Universidade de São Paulo e-mail:giapaula@ime.usp.br Influência Local p. 2/18 Preliminares O método de
Modelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
SCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Regressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Aplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP
Aplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP Amanda Cristina Estevam 1 Guilherme Moraes Ferraudo 1 Vera Tomazella 1 Francisco Louzada
Análise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Análise de modelos lineares mistos com dois fatores longitudinais: um fator quantitativo e um qualitativo ordinal.
Anais do XII Encontro Mineiro de Estatística - MGEST 013. Uberlândia - 0 e 06 de setembro de 013. Revista Matemática e Estatística em Foco - ISSN:318-0 Análise de modelos lineares mistos com dois fatores
Exemplo Preferência de Automóveis
Exemplo Preferência de Automóveis Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2013 G. A. Paula (IME-USP) Preferência Automóveis 2 o Semestre 2013 1 /
Econometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Disciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Bioestatística UNESP. Prof. Dr. Carlos Roberto Padovani Prof. Titular de Bioestatística IB-UNESP/Botucatu-SP
Bioestatística UNESP Prof. Dr. Carlos Roberto Padovani Prof. Titular de Bioestatística IB-UNESP/Botucatu-SP Perguntas iniciais para reflexão I - O que é Estatística? II - Com que tipo de informação (dados)
AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
ANTÔNIO OLINTO ÁVILA-DA-SILVA
ANTÔNIO OLINTO ÁVILA-DA-SILVA A evolução da pesca de linha-defundo e a dinâmica de população do Peixe-batata, Lopholatilus villarii (Teleostei:Malacanthidae) na margem continental da costa brasileira entre
Coeficiente de Assimetria
Coeficiente de Assimetria Rinaldo Artes Insper Nesta etapa do curso estudaremos medidas associadas à forma de uma distribuição de dados, em particular, os coeficientes de assimetria e curtose. Tais medidas
UM MODELO DE FRAGILIDADE PARA DADOS DISCRETOS DE SOBREVIVÊNCIA. Eduardo Yoshio Nakano 1
1 UM MODELO DE FRAGILIDADE PARA DADOS DISCRETOS DE SOBREVIVÊNCIA Eduardo Yoshio Nakano 1 1 Professor do Departamento de Estatística da Universidade de Brasília, UnB. RESUMO. Em estudos médicos, o comportamento
Exemplo Regressão Linear Múltipla
Exemplo Regressão Linear Múltipla Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Salário de Executivos 1 o Semestre 2013 1 / 27
CONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Mais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Análise 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
Referência Banco de dados FioCruz Doc LAB1_GEO.doc. Autor Eduardo C. G. Camargo Versão 1.0 Data DEZ / Revisão Versão Data
Ministério da Ciência e Tecnologia Instituto Nacional de Pesquisas Espaciais Análise Espacial de Dados Geográficos Laboratório Módulo: Geoestatística Linear Referência Banco de dados FioCruz Doc LAB_GEO.doc
ANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
MAE116 NOÇÕES DE ESTATÍSTICA. Aula Correlação e Regressão. Autoria de Profª. Carmen Diva Saldiva de André Prof. Gilberto Alvarenga Paula
MAE116 NOÇÕES DE ESTATÍSTICA Aula Autoria de Profª. Carmen Diva Saldiva de André Prof. Gilberto Alvarenga Paula Data 25 de agosto de 2005 Índice Analítico Índice Analítico...1...2 Objetivo da aula...2
Análise de Dados Categóricos Modelos log-lineares
1/36 Análise de Dados Categóricos Modelos log-lineares Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2/36 Modelos log-lineares Modelo simétrico: todas as variáveis são respostas. O objetivo
Medidas Descritivas de Posição, Tendência Central e Variabilidade
Medidas Descritivas de Posição, Tendência Central e Variabilidade Prof. Gilberto Rodrigues Liska UNIPAMPA 29 de Agosto de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores
Extensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem
Extensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem Eduardo Elias Ribeiro Junior Orientação: Prof. Dr. Walmes Marques Zeviani Trabalho de Conclusão
4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
10. Aplicação das Técnicas de Probabilidade e Estatística em Hidrologia
10.1. Determinação do valor de projeto Em favor da segurança, geralmente as obras de recursos hídricos são dimensionadas para valores extremos ou característicos que garantam ao mesmo tempo a segurança
Prof. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
PROGRAMA DE DISCIPLINA MÉTODOS ESTATÍSTICOS EM EPIDEMIOLOGIA 2 o. semestre de 2010
PROGRAMA DE DISCIPLINA MÉTODOS ESTATÍSTICOS EM EPIDEMIOLOGIA 2 o. semestre de 2010 Professores: Antônio Augusto Moura da Silva Carga horária: 60 horas Alcione Miranda dos Santos 1. APRESENTAÇÃO A disciplina
Modelos de Regressão Múltipla - Parte VIII
1 Modelos de Regressão Múltipla - Parte VIII Erica Castilho Rodrigues 15 de Fevereiro de 2017 2 3 Observações não usuais 4 As observações não usuais podem ser: Outliers: não se ajustam bem ao modelo (resíduo
EFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA
Universidade Federal do Paraná Departamento de Estatística EFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA CE225 - Modelos Lineares Generalizados Jhenifer Caetano Veloso - GRR20137558 Rogério
Estatísticas Descritivas. Estatística
Estatística Estatísticas descritivas: usadas para mostrar/descrever algumas informações da amostra, ou seja, servem para fazer um resumo ou descrição dos dados. Não consideram a origem dos dados. Exemplos:
MAE Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4
MAE0217 - Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4 Exercício 1 Uma rede de supermercados decidiu dar um bônus aos clientes
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
CORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
PROCEDIMENTO PARA A ESCOLHA DE UMA DISTRIBUIÇÃO
PROCEDIMENTO PARA A ESCOLHA DE UMA DISTRIBUIÇÃO O método de máxima verossimilhança somente deve ser aplicado após ter sido definido um modelo probabilístico adequado para os dados. Se um modelo for usado
MAE116 - Noções de Estatística Grupo B - 2 semestre de 2016 Gabarito da Lista de exercícios 3 1 Estatística Descritiva III - CASA
MAE116 - Noções de Estatística Grupo B - 2 semestre de 2016 Gabarito da Lista de exercícios 3 1 Estatística Descritiva III - CASA Exercício 1. Uma amostra aleatória de 352 estudantes foi entrevistada,
Capítulo 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,
25 a 30 de novembro de 2013
nderson R nálise de Introdução à nderson R Programa de Pós-Graduação em Estatística e Experimentação gronômica ESLQ/USP 25 a 30 de novembro de 2013 nderson R nálise de 1 2 3 nálise de Parte 4 - Conteúdo
INFERÊNCIA ESTATÍSTICA. ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p
INFERÊNCIA ESTATÍSTICA ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir
Utilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
Os Mínimos Quadrados Ordinários Assintóticos
Os Mínimos Quadrados Ordinários Assintóticos Enquadramento 1. A analise assintótica, é o método matemático que descreve a limitação de um determinado comportamento. O termo assintótico significa aproximar-se
Exercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
MODELAGEM DA TAXA DE ANALFABETISMO NO ESTADO DA PARAÍBA VIA MODELO DE REGRESSÃO BETA
MODELAGEM DA TAXA DE ANALFABETISMO NO ESTADO DA PARAÍBA VIA MODELO DE REGRESSÃO BETA Camila Ribeiro da SILVA 1 Tatiene Correia de SOUZA 1 RESUMO: Este artigo tem como objetivo avaliar os fatores que influenciam
AULA 19 E 20 Análise de Regressão Múltipla: Problemas Adicionais
1 AULA 19 E 20 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 19 e 24 de maio de 2011 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
IND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Sumário. Estatistica.indb 11 16/08/ :47:41
Sumário CAPÍTULO 1 CONCEITOS INICIAIS... 19 1.1. Introdução... 19 1.2. Estatística... 19 1.2.1. Estatística Descritiva ou Dedutiva... 21 1.2.2. Estatística Indutiva ou Inferencial... 21 1.3. População...
MAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Análise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Medidas de tendência central,dispersão, posição, associação e boxplot
Medidas de tendência central,dispersão, posição, associação e boxplot Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Uma vez entendido qual o comportamento dos dados, como eles estão
Exemplo Demanda de TV a Cabo
Exemplo Demanda de TV a Cabo Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Demanda de TV a Cabo 2 o Semestre 2015 1 / 21 Demanda
Medidas Descritivas de Posição, Tendência Central e Variabilidade
Medidas Descritivas de Posição, Tendência Central e Variabilidade Prof. Gilberto Rodrigues Liska UNIPAMPA 27 de Março de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Sumário 1 Introdução
Previsão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Prof. Paulo Vitor de Morais
Física Experimental I Prof. Paulo Vitor de Morais paulovitordmorais91@gmail.com Cronograma de práticas P1 tem 19 dias letivos; P2 tem 17 dias letivos; Serão aproximadamente 11 experimentos; A princípio
PROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 09/2014 Estatística Descritiva Medidas de Variação Probabilidade e Estatística 3/42 Medidas de Variação Vamos
Algumas experiencias na America Latina Ernesto Godelman Diretor Executivo do CeDePesca
Sistemas de manejo pesqueiro com cotas de captura Algumas experiencias na America Latina Ernesto Godelman Diretor Executivo do CeDePesca Sistemas de manejo pesqueiro Podem-se agrupar em duas classes (ou
Regressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1 Alessandra dos Santos 2 ernando de Pol Mayer 2 Rafael de Andrade Moral 2 Luiz Henrique Costa Mota 3 Clarice Garcia
Regressão múltipla: problemas adicionais. Unidades de medida. Unidades de medida. Unidades de medida salário em dólares (*1000) Unidades de medida
Regressão múltipla: problemas adicionais y = β 0 + β x + β x +... β k x k + u Capítulo 6: 6., 6. Capítulo 7: 7., 7. Efeitos da dimensão dos dados nas estatísticas MQO Alterando a escala de y levará a uma
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS
1 1) Seja X uma variável aleatória com função de densidade dada por: Pede-se: f (x) = e 2 1 (, )(x) 1.1) Qual a distribuição da variável aleatória Y = X? 1.2) Encontre o valor esperado da variável Y. 2
7 Testes de Robustez. 7.1 Efeito sobre os alunos não beneficiados
7 Testes de Robustez Como os resultados anteriores não foram obtidos a partir de um experimento controlado, eles devem ser interpretados com bastante cautela. Esta seção submete estes resultados a uma
Introdução aos Modelos Lineares em Ecologia
Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.
MAIS SOBRE MEDIDAS RESUMO. * é muito influenciada por valor atípico
MAIS SOBRE MEDIDAS RESUMO Medidas de Tendência Central (1) média (aritmética) * só para variáveis quantitativas exceção: variável qualitativa nominal dicotômica, com categorias codificadas em 0 e 1; neste
Precificação de apartamentos para o bairro Água Verde em Curitiba
Precificação de apartamentos para o bairro Água Verde em Curitiba Chuck Norris Arnold Schwarzenegger 18 de julho de 2013 O preço de imóveis depende principalmente do seu tamanho e localização. A infraestrutura
Correlação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Estatística
Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...
ESTATÍSTICA PARA GEOGRAFIA AULA DE 23/08/2017
ESTATÍSTICA PARA GEOGRAFIA AULA DE 23/08/2017 OBJETIVOS DA AULA Apresentar funções do R que retornam medidas de posição e de dispersão tais como (mean, median, quantile, range, var, sd) Usando o R representar
Modelagem estatística da ocorrência de granizo no município de São Joaquim/SC
Modelagem estatística da ocorrência de granizo no município de São Joaquim/SC Daniel Lima Miquelluti 1 Vitor Augusto Ozaki 2 David José Miquelluti 3 1 Introdução São Joaquim é como uma das principais cidades