3 Experimento com Mistura com Respostas Não-Normais
|
|
- Eric Azenha
- 5 Há anos
- Visualizações:
Transcrição
1 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas, que está detalhado em Dal Bello (5) e cuja sítese está em Vera & Dal Bello (6) e Dal Bello & Vera ()... Eemplo O objetvo do epermeto é ecotrar a formulação deal de um msto químco de forma que o seu tempo de quema (resposta) seja de 8 segudos. O msto é composto por uma mstura de Zarfesl ( ), Vdro Moído ( ) e Ntrocelulose ( ). As restrções as proporções dos três compoetes são as segutes: + +,79,87,8,6,5,7 Com essas restrções, fo utlzado o software Desg-Epert para a escolha dos potos caddatos e seleção dos potos epermetas segudo o crtéro D- otmzação. Cosderado a sugestão de Myers & Motgomery () para a seleção dos potos caddatos a regão epermetal resultate e sabedo que o modelo adotado calmete é o quadrátco, o software sugere um total de potos, dos quas 6 são ecessáros para o ajuste do modelo quadrátco e 4 potos adcoas são para testar a falta de ajuste do modelo. Ademas, 4 dos potos são replcados para estmar o desvo-padrão da resposta, perfazedo um total de 4 observações. Com sso, o Desg-Epert gera um projeto de epermeto D- ótmo coforme a Tabela, ode também se observam as respostas. Na Fgura 9 tem-se a represetação gráfca do projeto de epermeto e potos epermetas.
2 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 6 Tabela - Epermeto do msto de retardo D-ótmo com as respostas Ru Tempo (s),79,6,5 9,7,79,6,5 9,4,8,,5 4,7 4,87,8,5,85 5,87,8,5,59 6,875,75,55 9,5 7,8475,975,55,9 8,79,5,6, 9,86,8,6,4,79,4,7,77,79,4,7,89,8,,7,,85,8,7,5 4,85,8,7, Fgura 9 - Epermeto do msto de retardo D-ótmo com respostas ão-ormas Aplcado o teste t-studet a um ível de cofaça de 95% fo ajustado o segute modelo: yˆ 8, , + 87, 565, ,65 494, 7459,55 ( ) + (.)
3 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 7 Adequação do Modelo Para verfcar a suposção de ormaldade tem-se o gráfco de probabldade ormal dos resíduos studetzed (Fgura ). Para verfcar a suposção de depedêca, tem-se o gráfco de resíduos studetzed das observações a ordem em que foram realzados os epermetos (Fgura ). Para verfcar se o valor esperado do erro é gual a zero, tem-se o gráfco dos resíduos studetzed versus valores ajustados (Fgura ). Em ehum desses três gráfcos houve dcação que essas suposções ão devam ser acetas. Para verfcar se a varâca é costate, Cook & Wesberg (999) y y cotêm propuseram um teste. Os quadrados dos resíduos ( ) e ˆ formação sobre a fução de varâca. Procede-se etão à regressão de e sobre ŷ, pelo método dos mímos quadrados. A estatístca de teste (ET) é calculada dvddo-se SS R eˆ e pelo fator de escala ( e ) ( e ) ET SS R. (.) Cook & Wesberg (999) asseguram que ET tem dstrbução qu-quadrado com um grau de lberdade (úmero de termos da regressão de e sobre ŷ ), caso a varâca seja costate. Para o caso do msto de retardo, fazedo a regressão de e sobre ŷ, utlzado a plalha Ecel, obtém-se SS R e o fator de escala. Em seguda, utlzado a Equação (.), tem-se que ET 4,8. Na dstrbução ququadrado com um grau de lberdade, ET 4,8 correspode a um p-valor de,8. Etão, se rejeta a hpótese de que a varâca ão aumete quado a méda aumeta. Esta coclusão é cofrmada pelo gráfco do valor absoluto dos resíduos studetzed versus valores ajustados, apresetado a Fgura. Nele se observa a dcação do crescmeto da varâca com o aumeto da méda.
4 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 8 99 % Probabldade Normal Resídos Studetzed Fgura - Gráfco de probabldade ormal dos resíduos studetzed. Resíduos Studetzed Ru Number Fgura - Gráfco de resíduos studetzed versus ru umber
5 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 9. Resíduos Studetzed Valor Ajustado Fgura - Gráfco de resíduos studetzed versus valor ajustado Fgura - Gráfco para verfcação de ão costâca da varâca
6 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 4... Modelos Leares Geeralzados No modelo lear clássco, três codções são pressupostas: a resposta tem dstrbução ormal, a varâca da resposta é costate e os efetos dos fatores sobre a varável resposta se combam adtvamete. Essas codções são ecotradas em mutas aplcações dustras, porém em sempre sso ocorre, como o presete caso. Caso um ou mas dos três pressupostos ão possam ser acetos, uma alteratva é alterar a escala da varável resposta, trasformado-a e usado o modelo lear e o método dos mímos quadrados com os dados trasformados. A trasformação da resposta mutas vezes pode ser satsfatóra, levado ao atedmeto dos três pressupostos. Etretato, quado ão se cosegue sso, devese recorrer aos Modelos Leares Geeralzados (MLG). Ademas, Lews et al. (a) e (b) cocluíram que os MLG devem ser preferdos à trasformação da resposta, uma vez que, em todos os casos estudados pelos autores, os MLG apresetaram melhor desempeho a estmatva da resposta, pos propcaram tervalos de cofaça meores. Com os MLG, é possível cosderar outras dstrbuções além da ormal, ão é ecessáro cosderar a varâca costate (ela pode ser fução da méda) e pode-se cosegur leardade por meo de uma fução que faz a lgação etre a méda da varável resposta e o polômo lear das varáves depedetes. Nos MLG, usam-se as dstrbuções da famíla epoecal e a estmatva dos coefcetes do modelo é obtda com a mamzação da fução de logverossmlhaça. No caso de dstrbução ormal, efetos adtvos e varâca costate, a mamzação da fução de log-verossmlhaça leva aos estmadores de mímos quadrados, de modo que os modelos leares ordáros podem ser cosderados um caso partcular dos MLG. Para uma descrção dos MLG, ver McCullagh & Nelder (989) e Myers et al. (). Estrutura dos MLG Cosdere um epermeto com os dados da Tabela 4, com respostas depedetes y.
7 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 4 Tabela 4 - Dados para o modelo... k y... k y... k y k y Tem-se:. Sejam y, y, K, y as varáves de resposta com médas µ, µ, K, µ.. A dstrbução de probabldade de y é um dos membros da famíla epoecal.,. A porção sstemátca do modelo é composta pelas varáves de regressão,, K k. 4. O modelo é costruído com um predtor lear η β + β + β + L + β k k. Cabe regstrar que uma varável pode represetar um termo de um grau mas elevado. Por eemplo l m. 5. A fução de lgação g(µ ) faz a lgação etre a méda µ e o predtor lear. A fução de lgação defe a forma com que os efetos sstemátcos de,, K, k são trasmtdos para a méda. ( µ ) ( β + β + β + β ) η g L + k k. 6. Para os membros da famíla epoecal, a varâca da resposta tem a segute epressão: var( ) ( ) y φ V µ. Ode V µ ) é a parte da varâca da resposta y que depede da méda e φ é o parâmetro de dspersão que ão depede da méda e é costate. A relação da fução de varâca V ( µ ) com a méda pode ser represetada t por uma fução de potêca, ou seja, V ( µ ) µ. Para testar a sgfcâca dos coefcetes, Atkso & Ra (), Ldsey (997) e McCullagh & Nelder (989) recomedam usar a fução desvo (devace). A fução desvo está para os MLG como a soma dos quadrados dos resíduos está para o caso partcular de modelos leares clásscos. A fução desvo de um modelo qualquer é defda como sedo o desvo deste modelo em relação ao (
8 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 4 modelo saturado, coforme a defção (Ldsey, 997): D l[ ] L Mod L Sat, ode L Mod é a fução de verossmlhaça do modelo em questão e L Sat é a fução de verossmlhaça do modelo saturado, que é o modelo para o qual os valores ajustados µˆ são guas às respostas observadas y. Com sso, D ( y, ˆ µ ) l[ L( y, ˆ µ ) L( y, y )] [ l L( y, ˆ µ ) l L( y, y )] (.) Ldsey (997) propõe o procedmeto de aálse da fução desvo para testar a sgfcâca dos coefcetes. Este procedmeto está para os MLG assm como a aálse de varâca está para os modelos leares clásscos. Quase-Verossmlhaça Mutas vezes, os membros da famíla epoecal ão são dstrbuções adequadas para represetar a varável resposta. Para os casos em que um dos membros da famíla epoecal ão são dstrbuções adequadas para represetar a varável resposta há um método que estma os coefcetes mamzado a fução de Quase-Verossmlhaça (QV). No método da QV, defe-se apeas a relação da varâca da resposta com a méda da resposta, ão sedo ecessáro defr a dstrbução de probabldade. McCullagh & Nelder (989) defem a fução de QV como a segur: Para uma observação, tem-se: Q Para observações, tem-se: Com V ( µ ) µ, tem-se:, y u φv ( u) (.4) ( y µ ) du (, µ ) Q ( y, µ ) µ y µ y u φv ( u) y Q y du (.5) y (, µ ) [ l( µ ) ] Q y µ (.6) Omte-se o parâmetro φ porque ão flu a estmatva dos coefcetes, sedo ele estmado após o ajuste do modelo.
9 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 4 Como fo vsto, a relação da fução de varâca com a méda pode ser represetada por uma fução de potêca V ( µ ) µ. Vera (4) mostra que, para t,, e, as fuções de QV são guas, respectvamete, às fuções de Log-Verossmlhaça (LV) das dstrbuções ormal, de Posso, gama e ormal versa, e que, para V ( µ ) µ ( µ ) t, que é a fução de varâca da bomal, a fução de QV correspode à fução de LV da bomal. Portato, a mamzação da fução de QV, para estas fuções de varâca, produz as mesmas estmatvas dos coefcetes que a fução de LV os MLG, podedo-se etão usar o mesmo algortmo de estmatva dos coefcetes que os MLG, e coseqüetemete, qualquer software comercal que teha a opção dos MLG. Usado esta opção os MLG, pode-se obter as estmatvas dos coefcetes. Para o caso em aálse, a varâca possu uma tedêca de crescmeto com o aumeto da méda. Portato, cosderado, em prcípo, t, ou seja, V ( µ ) µ, tem-se que a dstrbução correspodete da famíla epoecal é a dstrbução de Posso. Etretato, esta é uma dstrbução de varável dscreta, o que ão é o caso do msto de retardo, cuja resposta é uma varável cotíua. Ademas, o parâmetro de dspersão φ é gual a para o caso da dstrbução de Posso. Será vsto mas adate que φˆ, para o caso em questão, dferete, portato, de. Para testar a sgfcâca dos coefcetes, Davso () recomeda a estatístca quas-devace. A quas-devace está para a modelagem pela fução de quase-verossmlhaça como a fução desvo para os MLG. Por aaloga, a quas-devace de um modelo qualquer é defda como sedo o desvo deste modelo em relação ao modelo saturado: ode Q ( µˆ ) y ( y y ) D ( y, ˆ µ ) φ [ Q ( y, ˆ µ ) Q ( y, y )] φ [ Q ( y, ˆ µ )] y µ y V u ( u) du (.7), é a fução quase-verossmlhaça do modelo em questão e Q, é a fução de quase-verossmlhaça do modelo saturado. Para V(u) u tem-se: D ( y ˆ µ ) y y u du l V ( u) µ [ y ( y µ ) ( y µ )], (.8)
10 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 44 Para observações, tem-se: (, µ ˆ ) (, ˆ µ ) D y D y (.9) Vera (4) mostra que, para t,, e, e para V ( µ ) µ ( µ ) estatístcas quas-devace são guas, respectvamete, às fuções desvo das dstrbuções ormal, de Posso, gama, ormal versa e bomal, também forecdas por qualquer software comercal que teha a opção de MLG. Cosderado calmete o modelo quadrátco, obtvemos as estmatvas dos coefcetes. Observamos que a predção do tempo em um dos potos epermetas é egatva, o que dca que o modelo quadrátco ão é adequado para este caso. Com sso, vamos adcoar ao modelo quadrátco, seqüecalmete, os termos do modelo cúbco. A Tabela 5 mostra os valores da quas-devace com a adção seqüecal de cada um dos termos, ( ), ( ) e ( ) ao modelo quadrátco. Tabela 5 - Quas-Devace Termo Adcoado Quas-Devace,84 ( ),5 ( ),6 ( ),6, as Será escolhdo, portato, o termo ( ) para ser adcoado ao modelo quadrátco, já que este é o que proporcoa a meor quas-devace, coforme apresetado a Tabela 4. Procede-se etão com uma aálse de quas-devace para a adção de ovos termos ao modelo base, o qual possu sete termos (,,,,, e ( )). Cosdere o Modelo como sedo o saturado, o Modelo com (p + ) parâmetros e o Modelo, ahado o Modelo, com p parâmetros. Etão, a () () dfereça etre as quas-devace dos Modelos e é D ( y ˆ ) D ( y, µ ) ˆ, µ. Para testar o termo adcoal do modelo maor, Davso () recomeda o teste da dstrbução F. A estatístca de teste é: F () () ( D ( y, ˆ ) D ( y, ˆ µ ) ˆ φ, sedo que ˆ φ é a estmatva parâmetro de µ dspersão do Modelo :
11 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 45 ode X () () ( ˆ ) V µ µ. ˆ ( p) () ( y ˆ µ ) X () V ( ˆ µ ) ( p) ˆ φ (.) é a estatístca geeralzada de Pearso e, para o presete caso, Portato, para acetar o Modelo como sedo correto, comparamos F com a dstrbução F, -p. Os resultados da aálse de quas-devace são apresetados a Tabela 6. Tabela 6 - Aálse de Quas-Devace Termo Adcoado Quas- Devace Dfereça a Quas- Devace ˆ φ F p-valor ( ),6,6,7,,7, ( ),56,7,6,7,6 ( ),6,7,,7, Aalsado a colua p-valor da Tabela 6, coclu-se que os demas termos cúbcos ão são sgfcatvos quado adcoados ao modelo base, já que todos os p-valores são maores que,5. Com sso, tem-se o modelo: yˆ 5, , , , , 77, 6647, 6 ( ) + (.) Para verfcar a adequação do modelo obtdo pelo método de QV, são utlzados os resíduos. Para cada resposta y pode-se defr a quas-devace ( y, ) d D µˆ, que é usada como medda de dscrepâca. Cada resposta cotrbu com uma quatdade d, de tal modo que d D( y, µˆ ) etão o resíduo quas-devace correspodete a cada resposta: ( y ˆ µ ) ( y ˆ µ ) r < r D D d d. Defe-se (.) McCullagh & Nelder (998) recomedam os resíduos quas-devace studetzed para verfcar a adequação do modelo, os quas são defdos como sedo r φˆ r D ( h ) (.)
12 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 46 ode φˆ é a estmatva do parâmetro de dspersão e h é o -ésmo elemeto da H dagoal da matrz chapéu H, que é dada por: W X( X WX) X W, ode a matrz W é uma matrz dagoal, com os elemetos da dagoal prcpal dados por: w [ V ( µ )][ dµ dη ]. No presete caso, tem-se que ˆ, fução de lgação é a detdade. Logo, φ e ( ) w µ. V µ µ, dµ dη, pos a A adequação do modelo e o comportameto dos resíduos com valores etremos podem ser observados com o gráfco de probabldade ormal dos resíduos quas-devace studetzed (Lee & Nelder, 998). O gráfco para o caso em questão, é mostrado a Fgura 4. Fgura 4 - Gráfco de probabldade ormal Nesse gráfco, pode-se observar que ão há potos muto fora do alhameto, ão havedo, portato, a dcação de que o modelo seja adequado. A fução de lgação pode ser verfcada com o gráfco dos resíduos quasdevace studetzed versus valor ajustado (Lee & Nelder, 998). Esse gráfco é mostrado a Fgura 5. Pode-se observar que os resíduos, aleatoramete dstrbuídos, ão apresetam uma tedêca de crescmeto ou decrescmeto em relação à méda. A lha resultate do amortecmeto (lowess) fca stuada as promdades da
13 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 47 reta horzotal de ordeada zero, ão havedo dcação de que a fução de lgação ão seja correta. Fgura 5 - Resíduos quase-devace studetzed valor ajustado A fução de varâca pode ser verfcada com o gráfco do valor absoluto dos resíduos quas-devace studetzed versus valor ajustado (Lee & Nelder, 998). Esse gráfco é mostrado a Fgura 6. Fgura 6 - Resíduos quase-devace studetzed valor ajustado No gráfco da Fgura 6 pode-se observar que o valor absoluto dos resíduos quas-devace studetzed ão apreseta tedêca de crescmeto em relação à méda, ão havedo, portato, a dcação de fução de varâca correta.
14 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 48 Com sso, pode-se coclur que o modelo ajustado pelo método da quaseverossmlhaça é adequado para represetar a resposta.... Otmzação da Resposta No epermeto do msto de retardo, é desejável a obteção de um valor de 8 segudos para a resposta. Váras formulações podem resultar em uma méda de futuras prevsões da resposta gual a 8 segudos. Por cosegute, um objetvo desejável é mmzar a varâca de uma futura resposta etre as formulações que resultam em 8 segudos de prevsão. Supodo, um poto qualquer o espaço dos compoetes da mstura, [ ( )] varâca de uma futura prevsão é (Davso, ): Etão, var var [ y ( )] var{ E[ y( )]} + E [ y( )] var { [ y( )]} var yˆ ( ). Pode-se mostrar que a { } (.4) [ ] var( βˆ ) var( β) E (.5) ˆ Davso () demostra que, se a fução de varâca é corretamete especfcada, tem-se que: ( ˆ ) ( X WX) Substtudo (.6) em (.5) obtém-se: var No modelo escolhdo, tem-se que: Etão, varβ φ (.6) { [ y( )]} φ( X WX) E (.7) [ ( )] φµ ( ) var y (.8) { var [ y( )]} E[ φµ ( )] φ β E (.9) Substtudo (.7) e (.9) em (.4) obtém-se: [ ( )] φ ( X WX) + φ β var y (.) Pode-se etão formular o problema da segute forma:
15 Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 49 m var [ y( )],79,8,5 [ y( )] φ ( X WX) sujeto a : E β 8 + +,87,6,7 + φ β Utlzado uma rota de busca eaustva, a regão das restrções dos compoetes da mstura, codfcada a lguagem do Matlab, fo ecotrada a segute solução: [ y(,, )] [ y(,, )] 8, var E,84;,;,9,554. A estmatva do desvo-padrão de uma futura resposta é etão gual a ˆ σ,9, 468. Respostas fora do tervalo 8 ± ou 8 ±,4 ˆ σ da méda resultam em produtos fora da especfcação. Como ão se cohece a dstrbução de probabldade da resposta, ão se pode estmar a probabldade de um poto fora da especfcação. Etretato, por eperêca própra e dos usuáros de estatístca aplcada, pode-se afrmar que a probabldade de respostas além de 8 ±,4 ˆ σ é ão desprezível, qualquer que seja a dstrbução de probabldade da resposta a prátca. Portato, há evdêcas de que a solução atual resultara em um processo produtvo de qualdade adequada.
3 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 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 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 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 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 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 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 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 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 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 maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Leia maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
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 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 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 maisA 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
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 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 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 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 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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
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 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 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 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 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 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 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 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 maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
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 mais(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisESCOLA SUPERIOR DE TECNOLOGIA UNIVERSIDADE DO ALGARVE
SCOLA SUPIO D CNOLOGIA UNIVSIDAD DO ALGAV CUSO BIÁPICO M NGNHAIA CIVIL º cclo egme Duro/Nocturo Dscpla de COMPLMNOS D MAMÁICA Ao lectvo de 7/8 - º Semestre Ídce. egressão lear múltpla.... Itrodução....
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 maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
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 maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
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 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 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 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 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 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 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 maisModelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
Leia maisCálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015
Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)
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 maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
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 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 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 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 maisProblema geral de interpolação
Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
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 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 maisRegressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
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 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 mais50 Logo, Número de erros de impressão
Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de
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 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 maisTESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL
TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada
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 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 maisHidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira
Hdrologa, Ambete e Recursos Hídrcos 009 / 00 Rodrgo roeça de Olvera Aálse estatístca IST: Hdrologa, Ambete e Recursos Hídrcos Rodrgo roeça de Olvera, 009 Cocetos base Varável aleatóra oulação Fução de
Leia maisLista de Exercícios #9 Assunto: Análise de Regressão Método de Mínimos Quadrados
Lsta de Exercícos #9 Assuto: Aálse de Regressão Método de Mímos Quadrados ANPEC 8 Questão 4 Cosdere o segute modelo de regressão lear smples: () y = β + β x + u Para uma amostra com 3 observações, foram
Leia maisBioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole
Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
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 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: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores
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 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 mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
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 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 maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisEstatística Básica - Continuação
Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia maisII. Propriedades Termodinâmicas de Soluções
II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem
Leia maisIntrodução à Correlação e Regressão Linear
Itrodução à Correlação e Regressão Lear Ru Carvalho Olvera rolv@st.utl.pt Estatístca Descrtva amostras bvaradas Amostras bvaradas: cada etdade (dvíduo/objecto é caracterzado por um par de varáves (atrbutos
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 Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val/ ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia maisCapítulo V - Interpolação Polinomial
Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode
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 mais3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento:
Lsta de Exercícos #9 Ass uto: Aáls e de Re gres s ão Mé todo de Mímos Quadrados. ANPEC 99 - Questão 8 A capacdade de produção stalada (Y), em toeladas, de uma frma, pode ser fução da potêca stalada (X),
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisModelos Lineares Generalizados: uma aplicação à tarifação automóvel
Modelos Leares Geeralzados: uma aplcação à tarfação automóvel Oretação: Professora Doutora Teresa Alpum Dssertação de Mestrado em Probabldades e Estatístca Caddato: Lcº Marco A.S. Costa Julho - Agradecmetos
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 maisJosé Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas
UNIVERSIDADE FEDERAL DE OURO PRETO Isttuto de Cêcas Eatas e Bológcas Departameto de Computação José Álvaro Tadeu Ferrera Cálculo Numérco Notas de aulas Iterpolação Polomal Ouro Preto 3 (Últma revsão em
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 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 mais