AVALIAÇÃO DO MERCADO DE APARTAMENTOS DO RECIFE UTILIZANDO MODELOS LINEARES GENERALIZADOS
|
|
- Moisés Conceição Melgaço
- 5 Há anos
- Visualizações:
Transcrição
1 9 o CONGRESSO PANAMERICANO DE AVALIAÇÕES AVALIAÇÃO DO MERCADO DE APARTAMENTOS DO RECIFE UTILIZANDO MODELOS LINEARES GENERALIZADOS Autores DANTAS, RUBENS ALVES Engenhero Cv, Mestre Em Engenhara de Produção, Doutorando em Economa Rua Gdo Neto, 6, Tamarnera, Recfe, PE - CEP Fone e fax - (08) e-ma: radantas@eogca.com.br CORDEIRO, GAUSS MOUTINHO Engenhero Cv, Mestre em Engenhara de Produção, Ph.D. peo Impera Coege de Londres Av. Cons. Rosa e Sva, 44/70, Aftos, Recfe, PE - CEP Fone - (08) 3.58 e-ma: gausscordero@uo.com.br Poramar, outubro de 000
2 CURRICULOS RESUMIDOS DOS AUTORES RUBENS ALVES DANTAS Engenhero Cv e Mestre em Cêncas pea UFPE, com tese desenvovda na área de Engenhara de Avaações. Professor assstente da UFPE e professor adjunto da Escoa Potécnca de Pernambuco, da dscpna Engenhara de Avaações, desde 98. Como Engenhero de Avaações exerceu suas atvdades no Banco Rea em São Pauo, no Banco Nacona da Habtação onde chefou o Servço de Vstoras e Avaações e na Caxa Econômca Federa. Atuamente faz parte da comssão de estudos comssão de estudos nsttuída pea ABNT - Assocação Brasera de Normas Técncas, para revsão da Norma para Avaação de Bens, NBR GAUSS MOUTINHO CORDEIRO Engenhero Cv, Mestre em engenhara de Produção, Ph.D. peo Impera Coege de Londres, DIC peo Impera Coege of Scence and Technoogy, Feow of the Roya Statstca Socety, Membro do Conseho Dretor da Assocação Brasera de Estatístca, Professor Ttuar do Departamento de Estatístca da UFBA, Edtor da Revsta Brasera de Probabdade e Estatístca, Professor e Coordenador dos Programas de Pós-Graduação em Engenhara ( COPPE/UFRJ) e Professor de Cursos de Especazação em Engenhara de Avaação da Escoa Potécnca de Pernambuco.
3 INTRODUÇÃO Uma das prncpas fases da avaação de móves peo Método Comparatvo é o ajustamento dos dados de mercado a um modeo que expque a varabdade dos preços observados, em função das varações de suas característcas. A forma mas smpes de resover a questão é utzar modeo cássco de regressão. No caso da avaação de apartamentos, por exempo, consderandose como varáve dependente o preço e como varáves ndependentes as suas respectvas característcas físcas, econômcas e ocaconas. Este modeo ajustado a n dados de mercado, consderando-se k característca nfuencantes sobre os preços é representado por uma função near do tpo Y = β + β X + K+ β X 0 k k + ε =,..,n (.) onde: Y,...,Y n - chama-se varáve dependente; X,..., X k - são as varáves ndependentes; β 0,..., β k os parâmetros e ε,...,ε n os erros aeatóros do modeo, respectvamente. Consdera-se anda, que as varáves ndependentes são representadas por números reas que não contêm nenhuma perturbação aeatóra, não exstndo nenhuma reação near exata entre as mesmas e que os erros aeatóros satsfazem aos pressupostos do modeo, sto é, varânca constante, não autocorreação e normadade. O modeo cássco de regressão pode ser usado com segurança, desde que se verfquem os seus pressupostos báscos. Um dos grandes probemas enfrentados peos avaadores quando tratam dados mobáros, prncpamente quando se faz avaações em massa, dz respeto à hpótese de varânca constante (homocedastcdade) e normadade dos erros aeatóros. Quando estas hpóteses não são atenddas as estmatvas das varâncas dos parâmetros são tendencosas o que pode evar mutas vezes o avaador a desprezar varáves fundamentas no modeo, provocando, assm, erros de especfcação. Desta forma, os resutados obtdos, quasquer que sejam ees, são enganosos. Este trabaho utzará uma casse de modeos bem mas ampa, desenvovda por Neder e Wedderburn (97), da qua o modeo cássco de regressão é um caso partcuar. Nesses modeos denomnados de Modeos Lneares Generazados (MLGs), aguns dos pressupostos báscos, tas como, varânca constante e dstrbução norma para o erro, não são mas exgdos. Apresenta-se a segur, concetos báscos para construção destes modeos. Ao fna anasa-se uma amostra composta por 795 (setecentos e noventa e cnco) dados de mercado de apartamentos na regão metropotana do Recfe-PE, construndo-se modeos pausíves para expcar a formação dos preços observados, através do sstema GLIM. Na construção dos modeos será utzado o método de Box-Cox (964). Para verfcação de pontos nfuentes serão utzadas técncas de dagnóstco, ncundo-se o teste de Cook (977). Maores detahes sobre o tema podem ser encontrados em Cordero (983a) e Dantas(998).. OS MODELOS LINEARES GENERALIZADOS. CONCEITUAÇÃO Um MLG é defndo por uma dstrbução de probabdades, membro da famía exponenca de dstrbuções, para a varáve resposta (componente aeatóra), um conjunto de varáves ndependentes descrevendo a estrutura near do modeo (componente sstemátca) e uma função de gação (f) entre a méda da varáve de resposta (µ) e a estrutura near (η). Tem-se então
4 f ( µ ) = η (.) A anáse de dados através dos MLGs é bastante fexíve, pos para uma mesma estrutura near pode-se obter város modeos dependendo da dstrbução proposta para o erro e a função de gação escohda. A déa centra dos MLGs é transformar as médas dos dados ao nvés de transformar as observações como nos modeos de Box e Cox. Para construção de um MLG é ndspensáve a utzação do Pacote Estatístco adequado. Neste sentdo dspões-se do sstema GLIM - Generazed Lnear Interactve Modeng, desenvovdo pea Roya Statstca Socety. O sstema GLIM possu um bom manua de utzação, cujo resumo das suas nstruções encontram-se em Cordero (986, Capítuo 5).. A COMPONENTE ALEATÓRIA A componente aeatóra de um MLG consdera que se dspõe de um vetor de observações y= ( y, K, y n )' como reazações da varáve aeatóra Y= ( Y,, Y n )' K, ndependentes ou peo menos não correaconadas, com médas µ ( µ,, µ ) = ' K n e pertencente a famía exponenca de dstrbuções. Esta famía tem densdade de probabdade dada por φ yθ b( θ ) + c( y, φ ) ( y ; θ, φ ) = e [ ] π (.) =, K, n onde b ( ) e c (, ) são funções conhecdas para cada observação, φ é o parâmetro de escaa suposto conhecdo e θ é o parâmetro natura (ou canônco) que caracterza a dstrbução em (.). Pode-se demonstrar facmente que ( ) E Y ( θ) db V = µ = e Var( Y) = dθ φ, (.3) sendo V = dµ, denomnada função de varânca. dθ É fác verfcar, que váras dstrbuções de probabdades conhecdas e argamente utzadas como a Norma, Poson, Bnoma, Gama e Norma Inversa, são membros da famía exponenca de dstrbuções. Um quadro com característcas e resutados mportantes para estas dstrbuções é apresentado a segur:
5 TIPO DE DISTRIBUIÇÃ O Norma - N(µ,σ ) σ π Posson-P(µ) e DENSIDADE E INTERVALO DE VARIAÇÃO < µ < y µ e, < y< σ σ> 0 PARÂMETRO DE ESCALA (φ) PARÂMETRO NATURAL (θ) VALOR ESPERA DO (E(Y)) FUNÇÃO DE VARIÂNCI A (V) NATUREZA DOS DADOS ASSIMETRIA VARIÂNCIA σ - µ µ NÃO < µ µ y og µ µ µ SIM µ µ, y= 0,,, K y Bnoma- m m k, k= 0,, K, m k B(m,µ) k µ ( µ ) m µ og µ m µ µ (-µ) SIM << µ Gama-G(α,r) Norma Inversa- N (µ,φ) ( ) r r αy α y e / t r, e ( og 3 ), φ yθ+ θ y + πy y> 0 r> 0 α> 0 y 0 r Suposto Conhecdo -α / r r a r α SIM > µ - / µ µ µ 3 SIM > µ QUADRO. Para a escoha de uma dstrbução razoáve para o erro, o anasta deve examnar os dados, prncpamente, quanto aos seguntes aspectos: assmetra, natureza contínua ou descontínua e ntervao de varação. Por exempo, quando o campo de varação dos dados é o conjunto dos reas, a dstrbução escohda deve ser a Norma; para dados contínuos postvos apresentando assmetra com varâncas superores às médas é bastante razoáve a suposção de dstrbução Gama ou Norma Inversa; a dstrbução de Posson é aproprada para dados dscretos na forma de contagens, podendo ser também utzada para dados contínuos quando a varânca for aproxmadamente gua a méda; enquanto que a dstrbução Bnoma serve para anáse de dados na forma de proporções, ou anda para dados apresentando sub-dspersões..3 A COMPONENTE SISTEMÁTICA A componente sstemátca de um MLG, η ( η,, η η ) = K ', também chamada de predtor near, é uma função near dos parâmetros desconhecdos β= ( β, K, β k )', representada por η= X β (.4) sendo X a matrz modeo de ordem n p, suposta de posto competo. A escoha de um predtor near adequado envove técncas de seeção de covaráves, como por exempo o Método das Covaráves Adconas, abordado em Dantas(988). Para formação da matrz modeo, deve-se escoher um modeo ntermedáro entre o mnma que contém o menor número de termos necessáros para o ajustamento, e o modeo maxma que ncu
6 o maor número de termos que o anasta pretende consderar. Os termos destes modeos extremos são, geramente, obtdos por nformações a pror, da estrutura dos dados..4 A FUNÇÃO DE LIGAÇÃO A função de gação deve ser compatíve com a dstrbução proposta para o erro e ser escohda de ta forma a factar a nterpretação do modeo. No modeo near cássco, por exempo, como os vaores dos dados e predtores podem assumr quaquer vaor rea, a gação dentdade deve ser a escohda. Entretanto, para modeos Gama, de Posson, e Norma Inversa a gação dentdade é menos atratva, uma vez que não restrnge os vaores esperados ao ntervao ( 0, ). Por outro ado, se efetos sstemátcos mutpcatvos contrbuem para as médas dos dados, uma gação ogartmo, que torna os efetos adtvos contrbundo para os predtores neares, pode ser a mas aproprada. Contudo, a escoha da mehor função de gação anda é um probema em aberto. Para cada tpo de dstrbução exste uma gação denomnada canônca, que torna os efetos sstemátcos adtvos, na escaa dada pea gação. Embora estas gações forneçam propredades estatístcas de nteresse para o modeo, tas como sufcênca, facdade de cácuo e uncdade das estmatvas de máxma verossmhança, não há razão para se trabahar sempre com eas. Na prátca, utza-se a gação canônca quando não há ndcatvo de outra preferíve. Para os modeos Norma, Bnoma, Posson, Gama e Norma Inverso, tem-se as respectvas gações conôncas: dentdade ( η = µ ), ogístca (η = og [ µ / ( - µ ) ] ), ogarítmca ( η = og µ ), recíproca ( η = µ - ) e nversa do quadrado ( η = µ - )..5 A ESTIMAÇÃO DOS PARÂMETROS A estmação do vetor parâmetros desconhecdos de um MLG, β ( β,, β ) = K k ', é feta, geramente, utzando-se o método da máxma verossmhança, que consste em resover o sstema U β$ = 0, onde U β$ é conhecdo como função escore ou função suporte, ntroduzda por Edwards, e dada por sendo ' L β L β L β U $ β,, = = β β β k K (.5) onde = ( µ η ) w d / d / V L β n η φ [ y µ ] w d = X r r=, K, k β dµ r = é denomnado função peso. (.6)
7 Quando o erro é norma e a gação a dentdade, tem-se o modeo cássco de regressão como um caso partcuar de um MLG e o sstema (.5) é formado por equações neares. Nos demas casos tem-se um sstema de equações não-neares, e métodos numércos teratvos como o de Newton- Rapson e o de Fsher (conhecdo também como método do escore para parâmetros ) são necessáros para obtenção da estmatva $ β. Neder e Wedderburn (97) demonstraram que a soução destas equações é equvaente a um procedmento teratvo de mínmos quadrados ponderados. A função escore pode ser expressa também, por onde { φ φ } φ = dag n L β / β X' Wφ H y µ = { / / } H= dag dη dµ dη n dµ (.7) K n (.8) W= dag{ W W K n } (.9) K são matrzes dagonas de ordem n. Para estmação dos parâmetros peo método de Newton-Raphson, expande-se a função escore em sére mutvarada de Tayor até termos de a ordem, e guaa-se o resutado a zero, obtendo-se ou onde ( ) β m ( m) ( m ) ( m) U β ( m ) ( m) U β U β β β = β = 0 U β = + β ( m+ ) ( m) β β ( m) U β ( m) U β (.0) é a m-ésma aproxmação para β no agortmo de estmação, e β é denomnada de matrz de nformação observada de Fsher. Tomando-se o vaor esperado com sna negatvo, da matrz de nformação observada de Fsher, encontra-se a matrz de nformação de Fsher, dada por
8 U β k β E = β O nverso desta matrz é a matrz de covarânca assntótca de β $. Substtundo-se U β β método de Fsher por k β em (.0), obtém-se o agortmo de estmação do β peo ( m) ( m) ( ) ( ) m+ m β = β + k β U β Trabahando-se com as componentes da função escore (.5), o sstema reduz-se a ( ) ( ) ( ) ( ) X W m X m + ' φ β = X' W m φ y* m (.) * * onde y* = ( yk y n )' é uma varáve dependente modfcada, dada por y X H y *= + β µ. O pacote GLIM estma β utzando o método de Fsher. A desvantagem do método Newton- Raphson é que normamente o agortmo não converge para determnados vaores ncas..6 VERIFICAÇÃO DA QUALIDADE DO AJUSTAMENTO O teste de ajustamento de um MLG com p parâmetros a partr de n observações, é feto através da estatístca ( ) S = L $ L $ p n p onde S p é chamado de desvo do modeo e $ L n e $ L p são os máxmos da og-verossmhança para os modeos saturados (número de observações gua ao número de parâmetros $ β s ) e em nvestgação ( p < n ), respectvamente. O desvo é uma medda da dstânca entre os vaores ajustados e observados, ou equvaentemente, do modeo em nvestgação ao saturado. Embora pouco se saba sobre a dstrbução do desvo, na prátca compara-se S p com o vaor crítco X n p;α da dstrbução qu-quadrado a um níve de sgnfcânca α. Se Sp X n p;α o modeo aceto é, em caso contráro, rejetado ao dado níve α. Apenas para o modeo norma-near S p tem dstrbução qu-quadrado exata. Para outros modeos exstem apenas resutados assntótcos (Cordero, 983). Apresenta-se, a segur, um quadro com as expressões dos desvos para agumas dstrbuções de probabdade mas utzadas, cujas demonstrações podem ser encontradas em Raposo (985).
9 DISTRIBUIÇÃO NORMAL com varânca DESVIO - S P constante σ ( y µ ) POISSON BINOMIAL GAMA com parâmetro de n = / σ n y y og ( y $ µ ) µ $ = n y y og ( y / µ $ ) + ( y) og µ $ = n [ ] $ / $ og / $ escaa φ φ ( y µ ) µ ( y µ ) = NORMAL INVERSA n φ ( y µ $ ).7 ANÁLISE DO DESVIO = QUADRO. A anáse do desvo em um MLG tem como objetvo testar modeos encaxados, sto é, um modeo com p parâmetros (Mp ) contra outro com p parâmetros Mp, p < p, ambos com mesma gação e dstrbução, que é equvaente a testar a hpótese nua y µ $ H :βp + = K = βp = 0 0 Para sto cacua-se o desvo dos modeos Mp e Mp, e compara-se a dferença (Sp - Sp ) com o ponto crítco da dstrbução qu-quadrado com ( p - p ) graus de berdade a um níve de sgnfcânca especfcado α. Se Sp Sp > X p p ;α rejeta-se H 0 e o conjunto de parâmetros β, K, + β p p, é mportante para dar maor poder de expcação ao modeo; em caso contráro não se pode rejetar H 0 e o modeo M p deve ser o escohdo. A estatístca Sp p S, é nterpretada como uma medda de varação dos dados, expcada peos termos que estão em M p e não estão em M p, ncuídos os efetos dos termos em M p e gnorando quasquer efetos dos termos que não estão em M p. Quando se deseja anasar város modeos encaxados M, M, K, M respectvas p < p <... < p r e desvos S < S < K < S p p pr, com dmensões p p pr, tendo os modeos mesma gação e dstrbução, geramente constró-se uma tabea de anáse do desvo, conhecda como tabea de ANODEV. Observa-se que, embora pouco se saba sobre a dstrbução de cada desvo, a dferença entre ees tem dstrbução assntótca gua à qu-quadrado, peo teorema de Wks (938).
10 .8 OS RESÍDUOS A expressão dos resíduos generazados correspondentes a uma varáve aeatóra Y fo defnda por Cox e Sne (968) da forma ( ) R = h y,$µ onde h é uma função escohda de modo a estabzar a varânca ou nduzr smetra na dstrbução amostra de R, y, e $µ, os respectvos vaores observados e ajustados, correspondentes a Y. Escohendo-se h, adequadamente, pode-se verfcar a exstênca de anomaas no modeo em nvestgação. Isto é feto, em gera, através de uma anáse gráfca envovendo R. Um gráfco: - de R versus $µ apresentando pontos muto dstantes da massa de dados pode ndcar a presença de observações não pertencentes à dstrbução proposta para os dados, - de R versus apresentando pontos não dstrbuídos aeatoramente em torno da reta horzonta que passa na orgem, pode ndcar que agumas observações são dependentes ou apresentam aguma forma de correação sera; - de R versus os níves da varáve ou fator correspondente ao parâmetro omtdo, apresentando agum padrão defndo, ndca que o parâmetro é mportante na composção do modeo; - dos resíduos ordenados R( ) versus pontos percentuas da dstrbução norma, apresentando pontos próxmos a uma nha reta, ndca que a dstrbução proposta para Y pode ser aceta. Os tpos de resíduos mas comuns nos MLGs são: resíduos de Pearson, de Anscombe e Componentes do Desvo. O resíduo de Pearson é o mas smpes, defndo por ( ) P = φ y µ $ / V $ / / A desvantagem deste resíduo é que sua dstrbução é, geramente, bastante assmétrca para modeos não-normas. O resíduo de Anscombe (963) vsa a normazação e estabzação da varânca, sendo dado por [ ( ) ( )] ( ) A = φ N y N µ $ / N' µ $ / V $ / / onde N é uma função escohda de ta forma a aproxmar a dstrbução de R à Norma e N (µ)(v/φ) ½ é uma aproxmação para o desvo padrão de N (y). O resíduo como componente do desvo, que tem o objetvo de normazar R, é utzado usuamente na forma D = δ d /
11 y sendo δ o sna de ( ) a $µ e d dado por { } y ( ) ( θ θ) b( θ) + b( θ) φ $ $, onde θ= q ( y ) e θ $ ( µ $ ) reacona o parâmetro natura com a méda. = q, e q ( ) é a função que A vantagem do resíduo D é que não requer o conhecmento da função normazada. Observa-se que para modeos bem ajustados as dferenças entre D e A são pequenas, enquanto que, de uma forma gera, os resutados de D e A são smares. O quadro.3 apresenta as expressões dos três resíduos, para agumas dstrbuções mas utzadas. DISTRIBUIÇÃO POISSON ( y $ ) / $ EXPRESSÃO DO RESÍDUO PEARSON ANSCOMBE COMPONENTES DO DESVIO µ µ S p S p ( y ) { [ og / $ + $ y] } δ µ µ BINOMIAL ( y µ $ ) / µ $ ( µ $ ) () δ m og ( y / µ $ ) ( y) GAMA ( y $ ) / $ µ µ ( ) 3 y / 3 / 3 / 3 { [ / + / og ( y) /( µ $ )]} { [ og $ / y + y $ / $ ]} µ $ / µ $ δ ( µ ) ( µ ) µ NORMAL ( y µ $ ) / µ $ 3 ( og y og$ µ ) / µ $ / ( y ) INVERSO QUADRO.3 / µ $ / y µ $ / () A expressão do resíduo de Anscombe para o modeo Bnoma reduz-se a m / 6 N y N / / 3 µ / µ $ µ $, onde N( µ ) = µ ( µ ) dµ [ ] [ ( ) ( )] ( ) [ ].9 PONTOS INFLUENCIANTES A déa básca de nfuênca é verfcar a dependênca do modeo estatístco sobre as váras observações ajustadas. Se a emnação de observações conduzr a uma mudança aprecáve nas estmatvas dos parâmetros, estas observações poderão ser consderadas nfuentes. A nfuênca de uma observação partcuar Y 0 sobre o modeo é medda pea dstânca entre o vetor de parâmetros estmados consderando-se a observação Y 0 (βˆ ) e o mesmos estmatva excundo-se Y 0 ( βˆ ), utzando-se as estatístcas: ( )
12 ˆ β ( ) ˆ β T [ ( )] Cov ˆ β ˆ β ˆ β ( ) ou [ ( ˆ β) L ˆ' β ] L (.) ambas estatístcas tendo dstrbução assntótca qu-quadrado com um grau de berdade. Pode-se demonstrar que estas meddas são, aproxmadamente, guas à estatístca de Cook ( 977 ) do Modeo Cássco de Regressão, dada por C = ( y ) ˆ ˆ µ h Vˆ ( hˆ ) (.3 ) Um gráfco de C versus ndcará as observações nfuentes no modeo adotado. Consderações adconas podem ser vstas em Atknson ( 986 )..0 SELEÇÃO DO MODELO Para anáse do conjunto de dados, deverão ser formuados város modeos pausíves, aternandose a gação e o tpo de dstrbução, adconando-se ou retrando-se vetores counas ndependentes de uma matrz modeo orgna, ou anda consderando transformações adequadas aos dados brutos. A escoha da função de transformação para os dados não é tão cruca como nos modeos cásscos de regressão, pos nos MLGs as hpóteses de normadade e constânca da varânca não são essencas para a dstrbução da varáve resposta e, anda, pode-se achar uma estrutura adtva aproxmada de termos para representação da méda da dstrbução, usando uma gação aproprada, dferente da escaa de medção dos dados. Para defnção do conjunto de varáves ndependentes a serem ncuídas na estrutura near, aém do método das covaráves adconas, ctado anterormente, outros métodos de seeção como o STEPWISE e o crtéro C p de Maows, podem ser utzados. O método STEPWISE é um processo de seeção passo a passo, no qua a mportânca de cada covaráve ncuída no modeo é medda evanto-se em consderação o acréscmo provocado no coefcente de determnação e a perda de graus de berdade. Detahes sobre este método pode ser encontrado em Draper e Smth (98). Peo crtéro C p de Maows (966) obtém-se todas as combnações de modeos possíves com r varáves consderadas, fornecendo r resutados. Maores nformações sobre este assunto podem ser encontrados em Dane e Wood (97). 3. APLICAÇÕES A DADOS REAIS DO GRANDE RECIFE 3.. CONSIDERAÇÕES INICIAIS Apresenta-se, a segur um modeo genérco para avaação de apartamentos no grande Recfe, com base em banco de dados utzado pea Engenhara da Caxa Econômca Federa, em Recfe, PE. Anasa-se uma amostra composta por 795 (setecentos e noventa e cnco) dados de apartamentos stuados em dversos barros das cdades de Recfe, Jaboatão dos Guararapes, Onda e Pausta. Tenta-se a partr da amostragem, construr um conjunto de modeos pausíves para expcar a formação dos preços de mercado dos apartamentos nas cdades consderadas, utzando o pacote GLIM. Para construção dos modeos consdera-se como varáve dependente os preços totas observados para os apartamentos ( V ), e como varáves ndependentes, as suas respectvas característcas
13 físcas de níve (NI), vagas de estaconamento (GA), área prvatva (AP), eevadores (EL), quartos socas (DO), posção da undade no prédo (PU), equpamentos (EQ), dade (ID), undades por andar (UA), padrão (PA) e estado de conservação (CO); eva-se em conta, também, a ocazação através da varáve setor (SE), e anda a natureza do evento (FO) e a época da sua ocorrênca (DA). As varáves NI, GA, AP, DO, ID e UA são quanttatvas e as demas quatatvas sendo EL e FO do tpo 0-. Isto é EL assume vaor zero se o prédo não tem eevador e em caso contraro; enquanto que FO assume vaor zero para dados de oferta e para transações efetvamente reazadas. Anda, DA representa o número de meses ocorrdos entre uma data base consderada (/97) até a data de ocorrênca do evento. 3. AJUSTAMENTO DOS DADOS PELO MODELO NORMAL LINEAR Incamente, tentou-se ajustar o modeo cássco de regressão com erro norma, que fo fortemente rejetado, uma vez que o desvo correspondente de,973 E + é bem superor a X 4,3 (ponto crítco de dstrbução qu-quadrado dom 780 graus de berdade, tabeado 780 ;0,05 = para um níve de sgnfcânca de 5%). Isso era de se esperar devdo à própra natureza dos dados: todos postvos, apresentando grande dspersão. Anda pode-se observar pea fgura 3., representatva dos resíduos estmados versus vaores ajustados, que se trata de uma amostra com varânca crescente e que a escaa near não é adequada aos dados. Pode-se observar também aguns preços ajustados negatvos, uma stuação mpossíve de acontecer RR R RR R R R R R 3R R R RR R R R R RRR3 R R RRR R 5R3 0. R R5R333R RRRRRR R3 R RR R R RR3 R R R RRRR R R RR R R : : : : : : : Fgura 3. Buscou-se uma transformação adequada para a varáve resposta peo método gráfco de Box e Cox. Uma vez que o gráfco dos desvos versus λ assume vaor mínmo próxmo de zero como observa-se na fgura 3., ndca que a transformação ogarítmo deve ser adotada.
14 .0e+08.00e+08 *.90e+08.80e+08.70e+08 *.60e+08.50e+08.40e+08.30e+08.0e+08.0e+08.00e e e e+07 * 6.00e+07 * 5.00e e+07 * * 3.00e+07.00e : : : : : : : Fgura ANÁLISE DOS DADOS ATRAVÉS DE UM MODELO LOGNORMAL A regressão da varáve transformada ogv sobre as mesmas varáves ndependentes do modeo anteror, mpca na segunte expressão para as médas ajustadas, de ogv (erros padrões entre parênteses). Ê ( ogv) = NI SE FO DA VA AP EL (3.) DO PU E Q ID UA PA CO A tabea de ANOVA, a segur, mostra a anáse de varânca reatva ao ajustamento do modeo norma-near para ogv. A estmatva da varânca é ˆ σ = e como r = 0.84, o modeo expca 84% da varação tota dos dados, ocorrendo um ncremento de % com a transformação da varáve resposta em reação ao modeo anteror. Também, como F é superor a F 0,0;4;780 = 3, ( ponto crítco da dstrbução de Snedecor com 4 graus de berdade no numerador e 780 no denomnador), ndca que o conjunto de varáves ndependentes adotado é mportante para expcar a varabdade dos preços observados. Utzando-se o teste t verfca-se também que todos os parâmetros do modeo são sgnfcatvos ao níve de %, com exceção daquee correspondente à varáve contemporanedade. Fonte G.. SQ MQ F Regressão 4 30,99, 833,78 Resíduo 780 0,78 0,07 Tota A Fgura 3.3 apresenta os resíduos ogv - Ê(ogV ) versus Ê(ogV ), de onde se constata que todos os resíduos estão no ntervao (-0,5, +0.50), ndcando condções favoráves ao ajustamento. Apresentam-se anda, dstrbuídos aeatoramente e então são acetas as hpóteses de ndependênca e varânca constante dos resíduos.
15 R R R RR R R R R R R R R R R R R 5 4R 4RRR RRR R R RRR R4RRR R R3RR946RR 3 3RRR RR R9653 4R R R R RR R433 R R R34344R3R R3RR R RR RRR RR RR R RRR RR R RR4RR555645R453 R R RR R R R R 4R443 RRRR R R3 RRRR R R3R RR R RR RRR R R3 R RRR R R R3R4 R RR R R R RR R R R R : : : : : : : Fgura * *** * * * * ** :: : : : : : Fgura 3.4 Na fgura 3.4 dos resíduos ordenados versus os quants da N(0,), os pontos estão bastante próxmos da bssetrz do quadrante e ndca que a dstrbução norma para ogv parece razoáve. Este exempo ustra as potencadades do modeo de Box e Cox em stuações onde as hpóteses do modeo norma-near não são satsfetas. Como a hpótese de ogv norma fo aceta, V tem dstrbução og-norma de méda exp Ê ogv +.0,07 que reduz-se à expressão: (3.) ˆ µ = 5.505,48.,0066 NI.,006 SE.0,95758 FO.,0067 DA., VA., AP.,533 EL.,306 DO.,00906 PU.,00757 E Q. 0,99358 ID. 0, UA.,000 PA., CO O modeo nferdo poderá ser usado para estmar os vaores de novos apartamentos na área abrangda pea pesqusa. Observa-se que, os vaores dos apartamentos crescem em méda 0,66% por cada andar mas eevado em que se encontra a undade; 0,6% para cada acréscmo untáro no setor onde se ocaza o prédo; 7,04% por cada vaga na garagem; 0,347% por cada m adcona de área prvatva da undade; 3,0% para cada quarto soca adcona exstente na undade; 0,906% por cada acréscmo untáro na pontuação correspondente a posção da undade no prédo;,075% por cada acréscmo untáro na pontuação atrbuída aos equpamentos; 0,% e 0,08% por cada acréscmo untáro na pontuação atrbuída ao padrão e conservação da undade/prédo, respectvamente. Verfca-se anda, que há um decréscmo médo no vaor de mercado estmado de cerca de,0% para cada ano de dade do prédo e 0,3% para cada acréscmo untáro na quantdade de undades por andar exstente no prédo. Observa-se também, que, em méda, os apartamentos são negocados por 95,75% o do vaor de oferta nca, a taxa de vaorzação mobára no período pode ser estmada em 0,7% ao mês e que os apartamentos stuados em prédo com eevadores são, em méda, 5,3% mas vaorzados que aquees que não os têm. 3.4 ANÁLISE DOS DADOS ATRAVÉS DE UM MODELO GAMA Apresenta-se, uma anáse aternatva aos dados observados, consderando-se que V tendo dstrbução Gama. Para encontrar uma gação adequada, constró-se gráfcos da varáve dependente modfcada estmada ( Y ) versus predtores neares estmados (ηˆ ). Entre as gações ˆ* dentdade, recíproco e ogartmo, esta útma apresenta gráfco de y versus ηˆ mas próxmo da º
16 bssetrz sendo portanto a preferda. Anda, a gação ogartmo produz menor desvo (0.649) em reação às demas gações. As médas estmadas de V do modeo gama com gação ogartmo são dadas por: ˆ NI SE FO DA VA AP EL DO = 5.480,76.,00636., ,95565.,0084.,07.,00353.,545.,964. µ (3.3) PU,0099.,0068E Q. 0,9936 ID. 0,97836 UA.,0009 PA.,00079 CO Verfca-se que o modeo Gama é bastante próxmo do modeo ognorma para V. Os vaores ajustados segundo os dos modeos são, aproxmadamente, os mesmos. O gráfco de V versus µˆ mostra uma neardade ao ongo da º bssetrz exceto para os maores vaores dos dados, como devera ser esperado, pos Var (V) é proporcona a µ. Adota-se aqu os resíduos de Anscombe (953) para o modeo gama, com expressão / 3 3 / 3 a 3( ˆ / ) ˆ = V µ µ. O gráfco de a, versus µˆ, mostrado na Fgura 3.5 não revea dados aberrantes e os pontos se apresentam aeatoramente dstrbuídos, sem nenhum padrão defndo, podendo-se concur que os erros são ndependentes * *3 * * * * * * * *443* 53 3* **** * *3**4444* * ** * * * *** * * * * *3*** * * ** ** 3 * * ** * *3* * * * * * * * ** * ***** * * * *3* *4 * * * : : : : : : : Fgura * * *3* * ** * : :-: : : : : Fgura 3.6 Os resíduos ordenados versus os quants da N(0,) apresentaram-se bem próxmos da bssetrz do prmero quadrante o que ndca a dstrbução gama para V, como pode-se observar na fgura CONCLUSÕES E RECOMENDAÇÕES Peo exposto pode-se concur que a ntrodução da teora dos Modeos Lneares Generazados traz maor segurança para o avaador e precsão no trabaho avaatóro, uma vez que o tratamento dos dados não fca amarrado a uma dstrbução norma e não será necessáro mas o cumprmento da exgênca do pressuposto básco da homocedastcdade um probema que geramente acompanha os dados mobáros. É oportuno embrar que quando dados heterocedástcos são tratados peo modeo cássco de regressão, utzando-se mínmos quadrados ordnáros, quasquer que sejam os resutados obtdos na avaação, são ees enganosos. Estes modeos podem ser construídos com bastante facdade utzando-se o sstema GLIM. O estudo reazado para o mercado de apartamentos do grande Recfe demonstra a potencadade da metodooga, que, sem dúvda, se consttu no ferramenta estatístco mas poderoso da atuadade, dsponíve para anáse de dados unvarados.
17 5 BIBLIOGRAFIA -ANSCOMBE, F. J.(963) - " The Examnaton and Anayss of Resduas ". Tecnometrcs 5, p ATKNISON, A. C. (986) - " Pots, Transformatons and Regresson". R.W Horns. -BOX and COX (964) - An Anayss of Transformatons J. R. Statstc. Soc., B., 6, -5. -COOK (977) Detecton of Infuenta Observatons n Lnear Regresson. Technometrcs 9, COPAS, J.B. (983) Regresson, Predcton and Shernkage. J. R. Statstc. Soc., B 45, CORDEIRO, G.M. (983a) - Modeos Lneares Generazados. Anas do 4º Coóquo Brasero de Matemátca. -CORDEIRO, G.M. e PAULA, G. A. (989 ) - Modeos de Regressão para Anáse de dados Unvarados - 7º Coóquo Brasero de Matemátca - IMPA. -COX, D.R. e SNELL, E.J. (968) - A Genera Defncon of Resduas. JRSS-B, 36, p DANIEL, C.and WOOD,F.S.(97) - "Fttng Equatons to Data". John Wey and Sons, New York. -DANTAS,R.A (987) - " Avaação de Gebas Inserdas na Maha Urbana". Tese de Mestrado Departamento de engenhara cv - UFPE. -DANTAS, R. A. e CORDEIRO, G.M. ( 986 ) - Avaação de Imóves Utzando Metodooga Centífca - Anas do V Congresso Brasero de Engenhara de Avaações e Perícas - Recfe. -DANTAS, R.A. e CORDEIRO G.M. (988) - Uma Nova Metodooga para Avaação de Imóves Utzando Modeos Lneares Generazados - Revsta Brasera de estatístca. -DANTAS, R. A. (997) - Avaação de Imóves Utzando Modeos Especas - Anas do IX Congresso Brasero de Engenhara de Avaações e Perícas - São Pauo. -DANTAS, R. A. (998) Engenhara de Avaações Uma Introdução à Metodooga Centífca Edtora PINI - São Pauo. -DRAPER,N.R and SMITH,H (98) - " Apped Regresson Anayss". nd. Edn. Wey, New York. -KMENTA,J.(978) - " Eementos de Econometra". ATLAS - MALLOWS, C. L. (973) - Some Coments on C p. Technometrcs 5, p MATOS, O C. (995) - Econometra Básca - Atas. -NELDER and WEDDERBURN (97) - Generazed Lnear Modes. JRSS - A 35, p NETTER, J. and WASSERMAN,W.(974) - " Apped Lnear Statstca Modes" Rchard D. Irwn. -NB-50/89 - "Norma para Avaação de Imóves Urbanos". ABNT. -ROSEN ( 974 ) Hedonc Prces and Impct Markets: product dfferentatonn perfect competton. Journa of Potca Economy 8(): TUKEY,J.W. (949) - " One Degree of Freedom for Non-Addtvty". Bemetrcs, 5, 3-4.
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
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
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,
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
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
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
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
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
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
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
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
Análise de Agrupamentos (Clusters) Marcelo Lauretto
Anáse de Agrupamentos (Custers) Marceo Lauretto Introdução Anáse de Agrupamentos (Custer Anayss) é um conunto de técncas com o obetvo prncpa de dentfcar obetos/entdades com característcas smares. Obetvo:
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
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
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
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
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
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
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.
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
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
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
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
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
Flambagem por Compressão
Unvesdade Santa Cecía Fambagem por Compressão Conceto de estabdade do equíbro. De forma bastante comum ocorre confusão entre o que são equíbro e estabdade. Uma estrutura pode ser nstáve estando em equíbro.
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
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
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
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
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
Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
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)......................
3 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
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,
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
Análise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
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
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
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
Análise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
c (1) OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedito Silva Neto
OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedto Sva Neto Um dos pressupostos normamente adotados quando se anasa um projeto é que a rentabdade dos nvestmentos deve orentar
Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Estatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
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
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
R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
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
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
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
Estatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
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,
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
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
RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
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
ANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
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
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
CURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Classificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
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
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
Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
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 $
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
Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
ANEXO I RISCO DOS SORTEIOS A REALIZAR
Contnuação da Resoução CNSP N o 84, de 013. ANEXO I RISCO DOS SORTEIOS A REALIZAR Art.1 o Consdera-se, para os fns deste anexo, os concetos e notações abaxo: I R. sorteos : montante de capta, referente
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
É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Reconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Análise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
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
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
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
Capítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
REGRESSÃO LINEAR ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO CURVILÍNEA FUNÇÃO QUADRÁTICA
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR Verfcado, pelo valor de r, que ocorre uma sgnfcante correlação lnear entre duas varáves há necessdade de quantfcar tal relação, o que é feto pela análse
Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Modelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
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. UFRGS Insttuto de Matemátca
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
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
DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
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
A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
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.
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
4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
MATRIZ INTER-REGIONAL REGIONAL DE INSUMO-PRODUTO SÃO PAULO / RESTO DO BRASIL. Eduardo A. Haddad Edson P. Domingues. TD Nereus
MTRIZ INTER-REGIONL REGIONL DE INSUMO-PRODUTO SÃO PULO / RESTO DO BRSIL Eduardo. Haddad Edson P. Domngues TD Nereus 10-2003 São Pauo 2003 Matrz Inter-regona de Insumo-Produto São Pauo / Resto do Bras Eduardo.
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)
MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
ANÁLISE DE VARIÂNCIA MULTIVARIADA APLICADA A DADOS COM MEDIDAS REPETIDAS
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE CIÊNCIAS NATURAIS E EXATAS PROGRAMA DE PÓS-GRADUAÇÃO EM ESTATÍSTICA E MODELAGEM QUANTITATIVA ANÁLISE DE VARIÂNCIA MULTIVARIADA APLICADA A DADOS COM MEDIDAS
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
PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão