TRANSPORTES. Sessão Prática 9 Modelos de Escolha Discreta Modelo Logit

Tamanho: px
Começar a partir da página:

Download "TRANSPORTES. Sessão Prática 9 Modelos de Escolha Discreta Modelo Logit"

Transcrição

1 Mestrado Integrado em Engenhara Cvl TRANSPORTES Prof. Responsável: Lus Pcado Santos Sessão Prátca 9 Modelos de Escolha Dscreta Modelo Logt Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 1/19

2 O conjunto de atrbutos X observados para a alternatva em estudo A mas frequentemente consderados na parte determnístca (V(A)) da função utldade (U(A)) são quase sempre o tempo de vagem, o preço, o nº de transbordos por vezes a frequênca de servço e o conforto U ( A) A 0 MODELOS DE ESCOLHA DISCRETA Concetos também quase sempre, um parâmetro específco de cada modo, no qual são abrangdos todos os seus atrbutos mas dfíces de medr Cada um dos atrbutos têm parâmetro (w) que corresponde à sua mportânca (peso) relatvamente aos outros atrbutos na utldade das alternatvas w. X A k V ( A) k Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 2/19 k

3 O MODELO LOGIT e a utldade estocástca O modelo Logt, modelo de escolha dscreta, basea-se na Teora da Utldade Estocástca, com um conjunto de hpóteses sobre o termo aleatóro (e) (ou de erro) na expressão da utldade U( A) V ( A) A0 k w k. X k A Os termos de erro são ndependentes e com a mesma dstrbução e parâmetros para todas as alternatvas em presença A dstrbução dos termos de erro é a de Gumbel (dupla exponencal) O termo de erro toma valores pequenos em comparação com o valor da parte determnístca da utldade das alternatvas Esta formulação adtva mplca Termo aleatóro da função utldade a utldade é compensatóra, sto é, os defetos numa das dmensões são compensáves por (grandes) vrtudes noutras os contrbutos dos város atrbutos são ndependentes, sto é, o peso relatvo de cada um deles (dado pelo seu coefcente) é ndependente do valor que tome qualquer dos outros atrbutos Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 3/19

4 A expressão geral do modelo Logt é Axoma de Independênca de Alternatvas Irrelevantes: O ráco das probabldades de duas alternatvas não é afetado pela presença ou ausênca de outras no conjunto de escolha. Se A 1 e A 2 forem duas alternatvas de probabldade não nula: p( A ) 1 P( A ) exp A p( A2 ) P( A2 ) P 1 V ( A ) V ( A ) ln V ( A ) V ( ) Esta propredade representa uma debldade do modelo sempre que haja alternatvas claramente correlaconadas, e mplca um tratamento especal desses casos (por ex. 2 modos rodováros partlhando o mesmo camnho), com o modelo Logt Herárquco (não tratado nesta dscplna) O MODELO LOGIT e as suas propredades k exp V exp V k em que é o conjunto de escolha dsponível para o decsor 2 Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 4/19

5 V A w X A ) w Y( A ) MODELOS DE ESCOLHA DISCRETA Trade-offs Trade-off: quantdade do atrbuto Y que os ndvíduos estão dspostos a perder, para ganhar uma undade do atrbuto X, mantendo a utldade constante Sendo a função utldade V(A) para avalar a preferênca entre alternatvas A, consderando dos atrbutos genércos X e Y, dada por: V X ( Y Com os pesos dos atrbutos respetvos dados por: o mesmo que A X A ) Y( A ) ( V wx trade off X X, Y V wy Y Assm, trade-off traduz-se também pelo quocente entre os pesos dos atrbutos a relaconar w com X w w e w X Y Y Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 5/19

6 Consdere a segunte especfcação da função utldade V(A ) para avalar a preferênca entre modos alternatvos A, consderando dos atrbutos (tempo e custos de vagem): VA tempo TV( A ) custo CV( A ) Onde: V(A ) Utldade percebda em escolher modo A TV(A ) Tempo de Vagem com o modo A (mn); CV(A ) Custos de Vagem com o modo A ( ); pesos dos atrbutos (ou coefcentes de calbração da função de utldade) O trade-off mas comum é o valor do tempo - VdT (em nglês, VOT de Value of tme ) Quanto é que se está dsposto a pagar para reduzr o tempo de deslocação? É meddo em /undade tempo, neste caso, /mn MODELOS DE ESCOLHA DISCRETA Trade-offs O VdT corresponde à relação entre os coefcentes do tempo de vagem e do seu custo (trade-off TV,CV ). V TV tempo trade- offtv,cv VdT V custo CV Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 6/19

7 Regra Prátca MODELOS DE ESCOLHA DISCRETA Trade-offs A função de utldade é admensonal, logo a undade de cada é o nverso da undade de cada atrbuto. Recorrendo ao exemplo da especfcação da função utldade anteror V A tempo TV A ) custo CV( A ) deduz-se que a undade de tempo é (1/mn) e custo é (1/ ). Assm, uma análse dmensonal pode ser utlzada para verfcar se o trade-off fo bem calculado. Neste caso, para calcular o VdT cuja undade sabemos que é /mn, recorreríamos ao segunte cálculo: VdT º æ è ç ( æ ö ç mn ø = ç è ç 1 mn 1 ö ø º b tempo b custo Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 7/19

8 Exercíco P9.1 Uma empresa de expedção rápda de encomendas, que serve atualmente váras cdades do País, tem neste momento dos modos de funconamento: (1) Servço Base: servço em que apenas recebe os peddos de transporte e os satsfaz posterormente através de uma transportadora com carreras regulares (outsourcng da transportadora); (2) Servço Melhorado: servço em que serve dretamente o clente realzando o transporte com o seu própro pessoal e veículos. A dferença entre estas duas modaldades é um custo fxo superor para a empresa no segundo caso porque precsa de ter uma nstalação própra e pessoal na cdade de orgem da encomenda, mas sso permte dmnur o tempo de vagem e o segumento em tempo real da posção da encomenda por parte do clente. Neste momento a empresa está a consderar a hpótese de nstalar uma representação numa determnada cdade e assm ncar o novo servço personalzado mas caro, mas mas rápdo e com a possbldade de acompanhamento, mantendo anda a possbldade do clente optar pela modaldade anteror. Para sso decdu basear-se na sua experênca de acetação desse mesmo servço noutras cdades, com os dados apresentados no quadro segunte. Possundo as quotas de peddos para os dos servços na lgação entre város pares de cdades pretende-se avalar a vabldade da nstalação de uma representação da empresa naquela cdade. a) Utlzando os dados apresentados no quadro, com base num modelo de escolha dscreta calbre um modelo que possa ajudar nessa avalação estmando o comportamento dos clentes na nova cdade. Analse os resultados obtdos, bem como os snas dos pesos dos atrbutos. b) Determne os trade-offs dos atrbutos dos servços prestados pela empresa. Comente e justfque. c) Calcule as quotas de peddos estmadas usando o modelo obtdo. Compare com as quotas observadas. Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 8/19

9 Exercíco P9.1 Par de cdades A-B C-D D-H G-H I-J J-A L-M Servço é o custo por Kg e por Km de transporte Custo para a empresa [ /(Kg*Km)] Tempo para despachar a encomenda [horas] Possbldade de segur a encomenda [-] Quota de peddos observada Servço Base Servço Melhorado Servço Base Servço Melhorado Servço Base Servço Melhorado Servço Base Servço Melhorado Servço Base Servço Melhorado (o tempo não se altera porque hava um bom acordo com a empresa de transporte) Servço Base Servço Melhorado Servço Base (Já hava a possbldade de segur a encomenda por acordo com a empresa de transporte) reflecte-se drectamente no tempo até à chegada da encomenda no destno saber a sua posção exacta em tempo real Servço Melhorado Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 9/19

10 Exercíco P9.1 - Resolução a) Equação a utlzar para a calbração do modelo,.e. para estmar os pesos dos atrbutos: P( a) ln U ( a) U ( b). P( b) C ( a) C( b). T ( a) T ( b). Poss( a) Poss( b) Colocando uma coluna gual à dferença de utldades em função de cada um dos pesos dos atrbutos, é possível, pelo método dos mínmos quadrados ou utlzando a Regresson Analyss do Excel (Tools -> Data analyss -> Regresson), calcular os parâmetros que mnmzam a dferença entre ln (P(a) / P(b)) e U(a)-U(b). Cálculo da dferença de atrbutos: Nº Par de cdades ln (P(a) / P(b)) C(a)-C(b) T(a) - T(b) Poss(a)-Poss(b) 1 A-B C-D D-H G-H I-J J-A L-M Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 10/19

11 Exercíco P9.1 - Resolução a) (cont) Para resolver o problema utlza-se a ferramenta regresson analyss do excel. Onde se faz a regressão (com termo de nterceção=0) entre o ln(p(a)/p(b)) - varável Y - e as dferenças entre os atrbutos da função de utldade - varáves X. Os resultados são apresentados em seguda: SUMMARY OUTPUT Regresson Statstcs Multple R R Square Adjusted R Square Standard Error Observatons 7 coefcente de determnação de 0.89 denota uma boa regressão entre a varável dependente e as varáves ndependentes ANOVA df SS MS F Sgnfcance F Regresson Resdual Total Coeffcents Standard Error t Stat P-value Lower 95% Upper 95% Intercept 0 #N/A #N/A #N/A #N/A #N/A X Varable X Varable X Varable Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 11/19

12 Exercíco P9.1 - Resolução Dferença de Atrbutos Nome da varável a) (cont) Análse de Resultados Pesos dos atrbutos Coefcente assocado a cada varável. É um estmador do valor esperado desse coefcente O erro estandardzado é uma estmatva do desvo padrão do coefcente O Valor do coefcente dvddo pelo erro estandardzado é gual ao valor da dstrbução de t-student com n-p graus de lberdade. t α;n p = B k β k s B k O valor p é dado pela estatístca de t e consste na probabldade de se obter uma estatístca do teste maor que a observada, assumndo a hpótese nula como verdadera (a hpótese nula é que o coefcente é gual a zero) B k é o valor real do coefcente k k é o valor de uma estmatva de B k S{B k } é a estmatva do desvo padrão de B k n é o número de observações p é o número de parâmetros do modelo Como o que nos nteressa saber é se B k é ou não sgnfcatvamente (para um determnado ) dferente de zero. Neste caso assummos que k é gual a zero e portanto t é gual a ao valor do coefcente a dvdr pelo erro estandardzado. Estes valores são os lmtes do ntervalo de confança dos valores que o coefcente pode tomar Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 12/19

13 Exercíco P9.1 - Resolução a) (cont) Análse de Resultados Varáves 1 e 3 pouco sgnfcatvas (p values maores que 10% ou t-stat <2 ). Introduz maores erros na estmatva das quotas dos peddos. Pesos dos atrbutos: b) Cálculo dos trade-offs entre os atrbutos, análse e nterpretação: / / Valor undade Interpretação Euros / Possbldade de segur a encomenda Horas / Possbldade de segur a encomenda / Euros / Horas Dsposto a pagar mas cêntmos por cada Kg*Km para ter a possbldade de segur a encomenda Dsposto a perder mas 0.17 horas em tempo para despachar a encomenda para ter a possbldade de a segur em tempo real Dsposto a pagar mas 32 cêntmos por cada Kg*Km para poupar uma hora no tempo de despacho Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 13/19

14 V c) Cálculo das quotas de peddos modeladas V A C A ) T ( A ) S( A ) ( A C A ) T ( A ) S( A ) Função de utldade modelada ( Par de cdades A-B C-D D-H G-H I-J J-A L-M Servço Quota de peddos observada Servço Base 0.4 Servço Melhorado 0.6 Servço Base 0.35 Servço Melhorado 0.65 Servço Base 0.5 Servço Melhorado 0.5 Servço Base 0.35 Servço Melhorado 0.65 Servço Base 0.6 Servço Melhorado (o tempo não se altera porque hava um bom acordo com a empresa de transporte) Quotas de peddos modeladas Exp(U) 0,44 0, ,56 0, ,39 0, ,61 0, ,44 0, ,56 0, ,32 0, ,68 0, ,58 0, ,42 0, Servço Base ,41 0, Servço Melhorado ,59 0, Servço Base (Já hava a possbldade de segur a encomenda por acordo com a empresa de transporte) Exercíco P9.1 - Resolução P k 0.4 0,38 0, exp V exp V k Somatóro Exp 0, , , , , , , Servço Melhorado 0.6 0,62 0, Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 14/19

15 Exercíco P9.2 Uma companha aérea low-cost verfcou que o tempo de rotação dos seus avões é muto afectado pela quantdade de bagagens despachadas e que podera baxar anda mas os seus preços se consegusse que uma menor quantdade dos seus passageros despachasse bagagem. Nesse caso há anda a vantagem para os passageros de esperarem menos nas operações de check-n. Para tal, quer começar a cobrar uma sobretaxa ao preço do blhete por cada peça de bagagem despachada. A questão que se coloca é: qual o valor que os passageros desta companha aérea estão dspostos a pagar por cada peça de bagagem? Para estudar esta questão conduzu-se um nquérto de preferêncas declaradas entre os passageros desta companha, pedndo-lhes que comparassem os dos tpos de polítcas comercas: Blhetes mas baratos e sobretaxa por bagagens despachadas vs. Blhetes mas caros com despacho de bagagens sem sobretaxa. Foram nqurdas 8 pessoas, às quas foram apresentados 6 cartões, cada um deles com duas opções: com e sem sobretaxa. A tabela segunte apresenta os resultados do nquérto: Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 15/19

16 Alt A - Habtual Alt B - Com sobretaxa Exercíco P9.2 A força da preferênca é dada pela segunte dstrbução: Respostas possíves Prob(A) Prob(B) Prob(A)/ Prob(B) 1 Prefere A fortemente ,00 2 Prefere A moderadamente ,33 3 Indferença ,00 4 Prefere B moderadamente ,43 5 Prefere B fortemente ,11 Aplcando um modelo logt sobre os dados do nquérto, responda à questão formulada no enuncado. Pessoa nº Cartão nº T_checkn (mn) Preço_blhete (euros) Sobretaxa_bag (euros) T_checkn (mn) Preço_blhete (euros) Sobretaxa_bag (euros) Resposta Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 16/19

17 Exercíco P9.2 - Resolução As expressões necessáras para resolver este problema são as seguntes: V( A).( T_checkn ).( Preço_blh ete ).( Sobretaxa_ bagagem ) P( A) ln P( B) A V ( A) V ( B).( T( A) T( B)).( P( A) P( B)).( SB( A) SB( B)) A A Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 17/19

18 Exercíco P9.2 - Resolução Pessoa nº Cartão nº Prob(A)/Prob(B) ln(p(a)/p(b)) Df(Temp_Chkn) Df(Pr_Blh) Df(Sobretx) Df_Utls 1 1 1,000 0, , ,333 0, , ,429-0, , ,429-0, , ,429-0, , ,000 0, , ,429-0, , ,111-2, , ,429-0, , ,429-0, , ,000 0, , ,333 0, , ,000 0, , ,000 0, , ,429-0, , ,429-0, , ,429-0, , ,429-0, , ,000 0, , ,429-0, , ,000 0, , ,000 0, , ,429-0, , ,429-0, , Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 18/19

19 Exercíco P9.2 - Resolução SUMÁRIO DOS RESULTADOS Estatístca de regressão R múltplo 0, Quadrado de R 0, Quadrado de R a 0, Erro-padrão 0, Observações 48 Aplcando a ferramenta Regresson do Analyss Tools do Excel, com ln(p(a)/p(b)) como varável dependente e Df(Temp_Chkn), Df(Pr_Blh), Df(Sobretx) como varáves ndependentes, e sem termo constante, obtêm-se os seguntes resultados: ANOVA gl SQ MQ F F de sgnfcânca Regressão 3 21, , , ,0105E-17 Resdual 45 4, , Total 48 26, Coefcentes Erro-padrão Stat t valor P 95% nferor 95% superorinferor 95,0%Superor 95,0% Interceptar 0 #N/D #N/D #N/D #N/D #N/D #N/D #N/D Varável X 1-0, , , ,3448E-14-0, , , , Varável X 2-0, , , ,5603E-09-0, , , , Varável X 3-0, , , ,3957E-14-0, , , , As três varáves são estatstcamente sgnfcatvas, e o coefcente de determnação de 0.83 denota uma boa regressão entre a varável dependente e as varáves ndependentes. Trade-offs / / / 0,785 Euros de blhete / mnuto de espera no check-n 1,027 Euros de sobretaxa de bagagem / mnuto de espera no check-n 1,308 Euros de sobretaxa de bagagem / Euros de blhete Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl Transportes Aulas Prátcas 19/19

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas. Sessão Prática 9 (Tipo A):

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas. Sessão Prática 9 (Tipo A): Mestrado Integrado em Engenharia Civil Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas Sessão Prática 9 (Tipo A): Modelos de Escolha Discreta Preferências reveladas e preferências declaradas

Leia mais

Mestrado Integrado em Engenharia Civil Transportes. Exercícios das Aulas Práticas. Módulo P9 Modelos de Escolha Discreta. Modelo Logit. Exercício P9.

Mestrado Integrado em Engenharia Civil Transportes. Exercícios das Aulas Práticas. Módulo P9 Modelos de Escolha Discreta. Modelo Logit. Exercício P9. Mestrado Integrado em Engenharia Civil Transportes Exercícios das Aulas Práticas Módulo P9 Modelos de Escolha Discreta. Modelo Logit Exercício P9.1 Uma empresa de expedição rápida de encomendas, que serve

Leia mais

Modelos de Escolha Discreta

Modelos de Escolha Discreta Modelos de Escolha Discreta Exercício Resolvido 2 Uma empresa de expedição rápida de encomendas, que serve actualmente várias cidades do País, tem neste momento dois modos de funcionamento: O primeiro

Leia mais

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. 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 mais

Estatística I Licenciatura MAEG 2006/07

Estatística 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 mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão 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 mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso 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 mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO 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 mais

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Análise de Regressão

Análise 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 mais

Métodos Avançados em Epidemiologia

Métodos Avançados em Epidemiologia Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 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 mais

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

INSTITUTO 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Análise de Regressão Linear Múltipla VII

Análise de Regressão Linear Múltipla VII Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE 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 mais

4 Critérios para Avaliação dos Cenários

4 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 mais

Análise de Regressão Linear Múltipla IV

Análise de Regressão Linear Múltipla IV Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

TESTE DO QUI-QUADRADO - Ajustamento

TESTE 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 mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 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 mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS 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 mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação 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 mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11 EERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Lnear 4. EERCÍCIOS PARA RESOLVER NAS AULAS 4.1. O gestor de marketng duma grande cadea de supermercados quer determnar

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os 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 mais

7 - Distribuição de Freqüências

7 - 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 mais

AULA EXTRA Análise de Regressão Logística

AULA EXTRA Análise de Regressão Logística 1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável

Leia mais

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7 Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas

Leia mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: VIA EXPRESSA CONTROLADA EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard

Estatística. 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 mais

2 Incerteza de medição

2 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 mais

ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012

ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012 ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados

Leia mais

Associação entre duas variáveis quantitativas

Associação 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 mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

PRESSUPOSTOS 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 mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos 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 mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise 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 mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. 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 mais

Gabarito da Lista de Exercícios de Econometria I

Gabarito 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 mais

AEP FISCAL ESTATÍSTICA

AEP 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 mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

a média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ

a média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): Vnte e cnco

Leia mais

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis. EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES 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 mais

Cap. IV Análise estatística de incertezas aleatórias

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 mais

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

Modelo 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 mais

FACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II

FACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II FACULDADE DE ECONOMIA DO PORTO Lcencatura em Economa E C O N O M E T R I A II (LEC310) Avalação dstrbuída - Teste global 25 de Junho de 2007 NOTAS PRÉVIAS: 1. A prova tem duração de 2 horas. 2. Apenas

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

FICHA 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 mais

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009 Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

www.obconcursos.com.br/portal/v1/carreirafiscal

www.obconcursos.com.br/portal/v1/carreirafiscal www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. 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 mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO 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 mais

EXERCÍCIOS SUPLEMENTARES

EXERCÍCIOS SUPLEMENTARES PROBABILIDADES E ESTATÍSTICA PROBABILIDADES E ESTATÍSTICA I EXERCÍCIOS SUPLEMENTARES Secção de Estatístca e Aplcações Departamento de Matemátca Insttuto Superor Técnco 2004/2005 Adenda A1. De um lote de

Leia mais

REGRESSÃO E CORRELAÇÃO

REGRESSÃO E CORRELAÇÃO Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

FICHA 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 mais

Regressão Linear Simples by Estevam Martins

Regressão Linear Simples by Estevam Martins Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao 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 mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao 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 mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA 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 mais

Covariância na Propagação de Erros

Covariância 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 mais

Análise de Variância (ANOVA) de 1 via

Análise de Variância (ANOVA) de 1 via varâncas guas guas? populaconas conhecdas? varâncas dferentes Teste Z varâncas guas guas? Amostras pequenas? (n

Leia mais

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira

UNIVERSIDADE 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 mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - 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 mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas 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 mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos 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 mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

TRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas

TRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas Mestrado Integrado em Engenhara Cvl TRANSPORTES Prof. Responsável: Lus Pcado Santos Sessão Prátca 11 Dmensonamento de Interseções Semaforzadas Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl

Leia mais

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2 Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer

Leia mais

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um). INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca

Leia mais

Cap. 11 Correlação e Regressão

Cap. 11 Correlação e Regressão Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa

Leia mais

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75

Leia mais

ECONOMETRIA I Prova n.º 1

ECONOMETRIA I Prova n.º 1 ECONOMETRIA I Prova n.º Ano lectvo: 07/08 Data: /0/08 Nome: N.º: Observações: - Duração: horas. - O teste é ndvdual e sem consulta. - Todos os cálculos deverão ser efectuados na folha de teste. - As questões

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos 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 mais

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04

Leia mais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:

Leia mais

Regressão Linear Simples. Frases. Roteiro

Regressão Linear Simples. Frases. Roteiro Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear

Leia mais

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001 Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 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 mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO 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 mais

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Teste Intermédio A. Grupo I (5 Valores)

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Teste Intermédio A. Grupo I (5 Valores) 1 UNIVERIDADE NOVA DE LIBOA Faculdade de Economa Análse de Dados e Probabldade º emestre 008/009 Teste Intermédo A Clara Costa Duarte Data: 01/04/009 Graça lva Duração: 1h Grupo I (5 Valores) uponha que

Leia mais

1ª PROVA DE ESTATÍSTICA EXPERIMENTAL

1ª PROVA DE ESTATÍSTICA EXPERIMENTAL UNIVERSIAE ESTAUAL PAULISTA FACULAE E CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS E JABOTICABAL ª PROVA E ESTATÍSTICA EXPERIMENTAL - MEICINA VETERINÁRIA NOME: ATA / / ª QUESTÃO (5,5): Vnte suínos foram dstrbuídos

Leia mais

Métodos Experimentais em Ciências Mecânicas

Métodos Experimentais em Ciências Mecânicas Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.

Leia mais

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação. Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,

Leia mais

Aula Características dos sistemas de medição

Aula 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 mais

8 - Medidas Descritivas

8 - 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 mais

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores) UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara

Leia mais

Equações Simultâneas

Equações Simultâneas Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma

Leia mais