Técnicas Não Paramétricas
|
|
- Eliana de Carvalho
- 5 Há anos
- Visualizações:
Transcrição
1 Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho
2 Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze
3 Em mutos problemas prátcos As abordages de estmação Não Paramétrcas Itrodução A forma da desdade é descohecda As desdades são mult-modas (possuem mas de um mámo local) Estem dos tpo de métodos Estmar a desdade f(/c j ) a partr da amostra E: kerel Estmar a probabldade a posteror P(c j /) E:k-vzhos
4 Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze
5 Hstograma Método mas atgo e mas smples para estmação de desdade A estmação depede da orgem e da largura (h) usada para os tervalos Frequeca h 0 Orgem das
6 Hstograma Estmação da Desdade 20 f()= Freq (I) / I h Frequeca 0 0 h largura de I tamaho da amostra das Eemplo = 80 [75,25] f 20 ( ) = =
7 Hstograma Problema: A fução ão é cotíua 20 Frequeca das Regão de descotudade
8 Hstograma Problema: Raramete usado em espaços multdmesoas Em uma dmesão: N tervalos Em duas dmesões: N 2 tervalos Em p dmesões: N p tervalos Coseqüêca: requer mutos eemplos
9 Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze
10 Estmação da Desdade R() Regão Probabldade de R P = p( ') d'
11 Estmação da Desdade Se f() é cotíua R é pequea R Regão Pˆ = p( ') d' = p( ) V R V é o volume de R
12 Estmação da Desdade eemplos costrudos depedetemete e dd seguo p() R Regão Probabldade de que k elemetos estejam em R = P ( P) k k k k P P- probabldade de estar em R
13 Estmação da Desdade A partr de uma amostra d E[k] = P Para grade Pˆ = k
14 Estmação da Desdade Igualado as duas epressões P ˆ = p( ) V Pˆ = k p ˆ ( ) V = k Estmação da desdade p() pˆ ( ) = V k
15 Estmação da Desdade Procedmeto: Formar uma sequeca de regões R, R 2, cotedo, a prmera com eemplo, a seguda com 2, etc Estmatva de p() p ( ) = k V ( ) V é o volume de R é o tamaho da amostra k () uma varável aleatóra depedete da vzhaça de.
16 Estmação da Desdade Eemplo: =30 3 pˆ ( ) = 30 V 30 3/V p () coverge para p() se lm V = 0 k lmk = lm = 0
17 Estmação da Desdade Duas formas para obter f () f () Kerel K-vzhos
18 Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze
19 Jaelas de Parze Fuções de Kerel (Estatístca) R é um hper-retâgulo de dmesão d K é uma fução cotíua também chamada de estmador Kerel Para cada, p () pode ser terpretado como uma varável aleatóra pos depede de uma amostra d,..., K modela as rregulardades em uma vzhaça de com relação a cada eemplo da amostra A estmatva depede da amostra, do kerel e do tamaho da vzhaça em toro de
20 Jaelas de Parze Estmador kerel uforme Caso udmesoal h Uma regão de largura h é cetrada em cada poto da amostra a b p ( ) = K( = ) K(- ) = /(b-a) se [ (b-a)/2, + (b-a)/2] 0 caso cotráro
21 Jaelas de Parze Eemplo R(X) p ( ) = K( = ) k(- 3 ) K(- 3 ) = K(- 4 ) = K(- 5 ) = K(- 6 ) = 0 /v k(- 4 ) k(- 5 ) p ( ) = 3 V 6
22 Jaelas de Parze Fução Jaela K() =, se / 0, seão 2 K h =, se - h 0, seão / 2 Número de eemplos o hpercubo k = = K h
23 Jaelas de Parze A desdade de Parze pode ser reescrta como p ( ) = K h v =parametro de suavzação = h h A estmatva depede três fatores : valor de h v amostra fução K
24 Jaelas de Parze h Quado h é grade a estmatva tem baa resolução Quado h é pequeo a estmatva é sesível a ruídos Quado é lmtado, h aproma-se de zero quado cresce (V = / raz()) Codções que K deve satsfazer p () fução desdade K fução desdade K( z) 0 K(z) dz = ode z = h
25 Jaelas de Parze Eemplo: K(.) é uma uforme o tervalo [ -h /2; +h /2] Amostra: 2.0, 4.0, 5.0, 7.0, 20.0 Se K(.) é uforme K h v = 0 Se [ h/2, + h/2] Caso cotráro h = largura do tervalo
26 Jaelas de Parze /h Se h =.5 p5 ( = 3) = (+ ) = Se h =2.5 p5 ( = 3) = ( + + ) = 0. 24
27 Jaelas de Parze p () depede da amostra aleatóra,..., e tem estatístcas méda pˆ ( ) 2 varâcaσ () A estmatva p () coverge para p() Se lm p ( ) = 2 lm σ () = p( ) 0
28 Jaelas de Parze - Covergêca da méda () f é a méda de f () Cosdere que = = = v h K h E p E p )] ( [ ) ( 2 - Covergêca da varâca v h p h K ) ( sup ) ( 2 σ
29 2 2 ) 2( ) ( 2 h e h K = π Jaelas de Parze Estmador kerel Guassao (Normal) Caso udmesoal = = h K h p ) ( A estmatva de f() é dada por ) ( u e u K = π Fução Jaela h h / = h : parâmetro
30 2 ) ( 2 2 e h k = π Jaelas de Parze Estmador kerel Normal Padrão Caso udmesoal h h = A estmatva é soma de ormas cetradas as amostras
31 Estmatvas de Desdade Parze Normal Padrão Quado cresce a estmatva coverge Dferetes tamahos de h: caso udmesoal
32 Jaelas de Parze Eemplo: Amostra: 2.0, 4.0, 5.0, 7.0, 20.0 Se K(.) é ormal padrão
33 Jaelas de Parze Cálculo da p 5 (=3) =2 k( 2) = e 2 = π ( 2) 2 2 =4 3 =5 4 =7 5 =20 k(-4)=0.24 k(-5)=0.05 k(-7)=0.00 k(-20)=0.00 p 5 (=3) =0.06
34 Jaelas de Parze Eemplos de Kerels com t = h Epaechkov Bweght , para 5 0, seão t < 5 2 ( t ) para t < Guassaa 2π 2 e t 2 Retagular para t 2 0, seão < Tragular - t para t < 0, seão
35 Estmatvas de Desdade Parze Mstura de Tragular e Uforme
36 Eemplos de Desdade Caso: retagular (uforme) Caso: Normal
37 Como escolher h v Iformação a pror Plotar dversas estmatvas e escolher a estmatva que está mas de acordo com formação a pror dada por um especalsta. Valdação cruzada Usar uma amostra pequea para avalar o erro de Classfcação. Selecoar aquela de meor taa de erro. Mmzação do erro médo quadrátco MSE 2 2 { Ep ( ) f ( ) } + σ MSE( p ( )) =
38 Jaelas de Parze Regões de Decsão Regra Calcula-se p (/c j ) j=,,m e assoca a classe ode p é máma
39 = = p h K h p ) ( h =parametro de suavzação Jaelas de Parze para Dados Multvarados Estmatva p = dmesão do espaço = p M vetor de observações
40 Jaelas de Parze para Dados Multvarados Kerel Gaussao p T = 2 K ( ) (2π ) ep 2 Kerel Bartlett Epaechkov K ( ) = T ( )( p 2c p 0, seão + 2), se <
41 Jaelas de Parze para Dados Multvarados Uma forma de estmar a fução de desdade pˆ( ) = h Kh p p = j= K j j h j j Não mplca em depedêca das varaves = (, K, p )
42 Jaelas de Parze Eemplo: Kerel Normal b-dmesoal
43 Referêcas Bblográfcas Fukuaga, K Itroducto to Statstcal Patter Recogto. Academc Press. 2 Meyer, P Probabldade: Aplcações à Estatístca.Lvros Téccos e Cetífcos Edtora 3 Duda, R. O. ad Peter E. H Patter Classfcato (2d Edto). Wley- Iterscece. 4 Slevrma, B. W. 986 Desty Estmato for Statstcs ad Data Aalyss. Chapma & Hall.
44 Método de K-vzhos mas prómos
45 Coteúdo Característcas Estmatva da desdade Estmatva da desdade a posteror Regra de Vzhaça mas próma Etesão da regra de k-vzhos k mas prómos Regra geral de k-vzhos k mas prómos Regra geral de k-vzhos k mas prómos com dstâca poderada
46 Característcas A estmação é baseada a probabldade a posteror A estmação p() ) em um poto depede de k tamaho da vzhaça (amostra) que clu os vzhos mas prómos de V mede o volume da regão que cresce com o tamaho da vzhaça
47 Característcas Se a desdade ao redor de é alta, etão V é pequeo e a estmatva tem boa resolução Se a desdade ao redor de é baa, etão V é grade. V é uma varável aleatóra que depede da amostra
48 Estmatva da Desdade p ( ) k = V K um valor fo que é fução do úmero de eemplos V uma varável aleatóra que por eemplo mede a dstâca etre e k-ésmok vzho mas dstate KNN pode ser terpretado como uma jaela de Parze uforme ode a largura da jaela é ajustada automatcamete
49 Regra dos k Vzhos mas prómo {c,...,c m } m classes e um eemplo Em k eemplos supoha que: Estem k eemplos a classe C m = k = k O úmero total de eemplos a classe C é Estmatva da desdade codcoal de C pˆ ( C ) = k V
50 Regra dos k Vzhos mas prómo Estmatva da probabldade a pror de C C p = ) ˆ( Regra de decsão: atrbur a C se: j k k j V k V k j C p C p j j j j j,, ), ˆ( ) ( ˆ
51 Estmatva da Probabldade a posteror Estmatva da desdade p (,c )= 2 5 d 28 p (,c 2 )= 3 5 d 28 Regão R d é a dstâca etre e o vzho mas dstate Estmatva da probabldade =28 p (c /)= 2 5 p (c 2 /)= 3 5
52 Regra de Vzhaça mas próma Dagrama de Voroo Defe um poledro coveo para cada eemplo Os eemplos detro do poledro são completamete classfcados pelo eemplo assocado a cada poledro Eemplo: caso bdmesoal
53 Regra de k-vzhos mas prómos (Vzhaça selecoada aleatoramete) A regra dos k vzhos mas prómos atrbu a classe C se a maora dos k vzhos tem rótulo C A probabldade dsso ocorrer: k = ( k+ ) / 2 k P( c ) ( P( c ))
54 Etesão da Regra de k-vzhos mas prómos (Vzhaça selecoada aleatoramete) Estmatva da probabldade Não este a Regão R 5 3 P (c /) = (0.6) (0.4) 3 P (c 2 /)= - P (c /) (0.6) (0.4) + (0.6) 5 5
55 Regra geral de K-vzhos K mas prómos Eemplo q vzho mas prómo classfca q postvo, 5 vzhos mas prómos classfca q egatvo
56 Regra geral de K-vzhos K mas prómos Como observar a vzhaça? d k= Métrcas D(a, b) = a k b k Cty-Block (L ) D(a,b) = d 2 (a k b k ) Eucldaa (L 2 ) k =
57 Regra geral de K-vzhos K mas prómos A fução de classfcação Caso seja dscreta, seu resultado é aquele que aparecer mas vezes etre os k vzhos mas prómos f : R V Caso seja cotíua, seu resultado é a méda dos resultados dos k vzhos mas prómos f : R R fˆ
58 Regra geral de K-vzhos K mas prómos Fução de classfcação Caso dscreto Cosdere duas classes V ={ +, -} e a vzhaça de um eemplos q com 5 elemetos = (+, +, -, -, -) fˆ ( k q ) arg ma δ(v, f ( ) v V = ode δ (a,b)= se a = b δ (a,b)=0 se a b e f( ) é a classe de fˆ( q ) arg ma v { +, } ((2(v = + ), 3(v = )) A estmatva de f( q ) é classe -
59 Regra geral de K-vzhos K mas prómos Fução de classfcação Caso Cotíuo Cosdere K=5, V ={ +(2), -()} e a vzhaça de q {2, 2,,, } fˆ( q ) k = f( k )
60 Regra geral de K-vzhos K mas prómos Algortmo de Classfcação - O() Dado um eemplo q a ser classfcado seja,, k, os k eemplos do cojuto de treameto mas smlares a q retore f apro (q) o argumeto mámo de v V etre os k eemplos da lsta treameto mas smlares a q
61 Regra geral de K-vzhos K mas prómos Aspecto mportate: Escolha de k a) O resultado da aplcação do método é afetada pelo valor de k b) Não este um crtéro determado para a escolha de k (e: Valdação cruzada) c) Se k é muto grade resulta obtem-se estmatva mas suave de f() d) Um valor pequeo para k pode gerar uma estmatva rregular de f() e) k
62 Regra geral de K-vzhos K mas prómos Valdação Cruzada Serve para evtar overfttg e para averguar robustez dos resultados Algortmo ) Dvde o cojuto de eemplos em dos sub- cojutos: cojutos de treameto (TR) e de teste (TE) 2) Gera a estrutura de um modelo sobre TR 3) Mede percetagem de erro de H aplcada à TE 4) Repete passos -3 3 com dferetes tamahos de TE e TR, e tedo elemeto escolhdos aleatoramete
63 Regra geral de K-vzhos K mas prómos com dstâca Poderada Caso dscreto fˆ ( k q ) arg ma ωδ(v, f ( ) v V = ode ω = d(, q ) δ (a,b)= se a = b δ (a,b)=0 caso cotráro
64 Regra geral de K-vzhos K mas prómos com dstâca Poderada Eemplo Seja uma vzhaça de q =0.55 com 5 elemetos { () 0.88; (2).6; () 0.26; (3) 4.74; (2).02 } d(, q ) v= / /0.29 = , v=2 /.06 + /0.47 = 3.07 v=3 /4.9 = 0.2
65 Regra geral de K-vzhos K mas prómos com dstâca Poderada Caso cotíuo: Método Local fˆ( q ) k = ω k = f( ω ) ω = d(, q ) q eemplo a classfcar
66 Regra geral de K-vzhos K mas prómos com dstâca Poderada Eemplo Seja uma vzhaça de q =0.55 com 5 elemetos { () 0.88; (2).6; () 0.26; (3) 4.74; (2).02 } d(, q ) v= (/ /0.29)/6.34 = , v=2 (2/ /0.47)/ 6.34 = 0.97 v=3 (3/4.9) / 6.34 = 0. 5 = d(, q ) = 6.34
67 Regra geral de K-vzhos K mas prómos com dstâca Poderada Caso cotíuo:método Global fˆ( q ) = ω = f( ) ω ω = d(, q ) Nota: Neste caso todos os eemplos de treameto são cosderados Desvatagem : Tempo de resposta mas leto
68 Regra geral de K-vzhos K mas prómos com dstâca Poderada Problema da dmesoaldade Para calcular a dstâca etre os potos, o método utlza todos os atrbutos do eemplo. Problema: quado algus destes atrbutos ão são mportates para a classfcação Soluções Atrbur pesos ω j aos atrbutos de maera que mmze a taa de erro de classfcação Usar a técca de valdação cruzada para automatcamete escolher os pesos Elmar atrbutos do espaço de stâcas
69 kerel Estmadores de Desdade Classfca estmado a desdade a partr da amostra de eemplos K(.) é uma varável aleatóra A estmatva depede de h e de h é o parâmetro de suavzação K-vzhos Classfca estmado a probabldade a posteror K(.) é uma costate k é o parâmetro de suavzação A estmatva depede de k e de Rubusto para dados rudosos
70 Estmadores da Desdade kerel K-vzhos
71 Referêcas Bblográfcas Duda, R. O. ad Peter E. H Patter Classfcato (2d Edto). Wley- Iterscece. 2 Mtchell, T. M Mache Laarg. McGraw-Hll.
Reconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisEstatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisRevisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisCEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias
CEDEPLAR - UFMG Nvelameto em Estatístca 3 Prof a Suel Moro Varáves aleatóras Varável aleatóra resultado ou produto de um epermeto aleatóro com um resultado úco. Varável resultado = Espaço amostral cojuto
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia maisEstimação pontual, estimação intervalar e tamanho de amostras
Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de
Leia mais4 Métodos de Estimação da Entropia e da Informação Mútua
4 Métodos de Estmação da Etropa e da Iformação Mútua A estmação da etropa e da formação mútua, evolvedo apeas varáves aleatóras dscretas, é smples, com aplcação dreta da defção de Shao. No etato, quado
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia mais1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade
Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada
Leia maisProbabilidade II Aula 10
Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz
Leia maisDiferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais
Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisDados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens
Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,
Leia maisTeoria das Comunicações
Teora das Comucações.6ª Revsão de robabldade rof. dré Noll arreto rcíos de Comucação robabldade Cocetos áscos Eermeto aleatóro com dversos resultados ossíves Eemlo: rolar um dado Evetos são cojutos de
Leia maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisNas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das
CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%
Leia maisProbabilidades e Estatística
Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
Leia maisConceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama
Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia maisAnálise Descritiva. Tipos de Variáveis. Análise descritiva. Exercício 1. HEP Material de aula
Aálse Descrtva Iformações sobre a preseça de doeça coroaraa, dade (aos), sexo, prátca regular de exercícos (em horas/semaa), úmero de flhos, obesdade, IMC (kg/m ) e pressão arteral sstólca (em mmhg) após
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia mais4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha
4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,
Leia maisOrganização; Resumo; Apresentação.
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia mais8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:
NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisProf. Janete Pereira Amador 1
Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.
Leia maisA forma geral de um modelo de regressão linear para uma amostra de tamanho n e p variáveis é apresentada a seguir.
2 Regressão O termo regressão fo proposto pela prmera vez por Sr Fracs Galto (885) um estudo ode demostrou que a altura dos flhos ão tede a refletr a altura dos pas, mas tede sm a regredr para a méda da
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisNOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA
IND 5 Iferêca Estatístca Semestre 007.0 Teste 4 //007 Nome: NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA : O FORMULÁRIO ESTÁ NO FINAL DA PROVA PROBLEMA (5 potos) Em cada questão
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia mais1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística.
CAPÍTULO 7 VARIÁVEL ALEATÓRIA A probabldade teve íco com os jogos de azar (século XVII) com Cavalero de Nere, Fermat e Pascal, porém, coube a Beroull (73) laçar as bases da probabldade e a segur Laplace
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisd s F = m dt Trabalho Trabalho
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero
Leia maisEstatística Descritiva
Estatístca Descrtva Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 35-3691161 / 88776958 (cel) Estatístca Descrtva Pedro Paulo Balestrass www.pedro.ufe.edu.br 1 População e amostra:
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia maisApêndice 1-Tratamento de dados
Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação
Leia mais4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos
4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisNOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling
NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:
Leia maisMAE 5776 ANÁLISE MULTIVARIADA. Júlia M Pavan Soler
MAE 5776 ANÁLISE MULTIVARIADA Júla M Pava Soler ava@me.us.br º Semestre IME/09 Baco de Dados: Dados Multvarados Varáves Udades Amostras j j j j j j : Matrz de Dados resosta do -ésmo dvíduo a j-ésma varável
Leia maisRepresentação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)
7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve
Leia maisAULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.
Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas
Leia maisComplexidade Computacional da Determinação da Correspondência entre Imagens
Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br
Leia maisCÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES
CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES Itrodução Em dversos camos da Egehara é comum a ecessdade da determação de raízes de equações ão leares. Em algus casos artculares, como o caso de olômo, que
Leia mais1. Revisão Matemática
1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado
Leia mais3. METODOLOGIAS ESTATÍSTICAS E GEOESTATÍSTICAS
33 3 METODOLOGIAS ESTATÍSTICAS E GEOESTATÍSTICAS 3 Aálse Estatístca A eecução de aálses estatístcas báscas é tarefa pratcamete obrgatóra o tratameto de amostrages e o processameto de quatdades sgfcatvas
Leia maisControle Estatístico de Qualidade. Capítulo 6 (montgomery)
Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem
Leia maisRevisão/Resumo de Inferência Estatística
Dscpla: Boestatístca Professor: Marcelo Rubes Revsão/Resumo de Iferêca Estatístca - Modelos Estatístcos/Probablístcos São modelos que se aplcam quado este claramete a preseça de uma compoete aleatóra ou
Leia maisDescritiva. Francisco Cysneiros DE - UFPE
Noções de Estatístca Descrtva Dr. Fracsco Cyseros Profº. Adjuto do Departameto de Estatístca-CCEN/UFPE E-mal: cyseros@de.ufpe.br web-page: www.de.ufpe.br/~cyseros/dscpla/farmaca/farmaca.htm Foe: (8) 6
Leia maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
Leia mais3 Modelos Lineares Generalizados
3 Modelos Leares Geeralzados No capítulo foram cosderados apeas modelos leares com dstrbução ormal e fução de lgação detdade. Neste capítulo apresetamos os modelos leares geeralzados (MLG, que foram propostos
Leia mais9 Medidas Descritivas
1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o
Leia mais3 Teoria de Microestrutura de Mercado
3 Teora de Mcroestrutura de Mercado 3. Itrodução A aálse das mcroestruturas de mercado estuda a estrutura sttucoal, a qual as trasações evolvedo atvos faceros são, efetvamete, cocluídas. Na grade maora
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisRegressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
Leia maisGrande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção
Prof. Lorí Val, Dr. val@pucr.br http://www.pucr.br/~val/ Grade Cojuto de Dado Orgazação; Reumo; Apreetação. Amotra ou População Defeto em uma lha de produção Lacado Deeho Torto Deeho Torto Lacado Torto
Leia mais