Como Construir Modelos Empíricos
|
|
- Micaela Ferrão
- 4 Há anos
- Visualizações:
Transcrição
1 Unversdade Tecnológca Federal do Paraná Programa de Pós-Graduação em Engenhara Mecânca - PPGEM Como Construr Modelos Empírcos Prof a Danele Tonolo Das F. Rosa daneletdas@utfpr.edu.br
2 Sumáro Um modelo para =f(t) Análse da varânca Intervalos de confança Sgnfcânca estatístca da regressão Um novo modelo para =f(t) Falta de ajuste e erro puro Correlação e regressão
3 Consderando a varação do rendmento da reação com a temperatura que dscutmos na Aula3. Tabela 3. Resultados de um planejamento fatoral para estudar o efeto da temperatura e do catalsador sobre o rendmento de uma reação. Ensao Temperatura ( 0 C) Catalsador Rendmento (%) Méda 40 A A B B Os rendmentos médos observado com o catalsador A são 59%, a 40 0 C, e 90% a 60 0 C. Colocando esses dos pares de valores num gráfco, vemos que eles são compatíves com um número nfnto de funções.
4 (a) Dados dos pontos, podemos passar por eles mutas funções dferentes. Na Aula3 o ajuste das respostas é feto a um modelo com uma parte lnear e também em termos de nteração, mas não há nenhuma garanta de que este seja o modelo correto.
5 Se fzermos mas três meddas em temperaturas ntermedáras e verfcarmos que o gráfco dos 5 pontos fca parecdo com o da Fg. (b), passaremos a ter mas confança no modelo lnear. (b) Padrão de pontos sugerndo uma função lnear.
6 (c) Padrão de pontos onde um modelo lnear não sera adequado. Planejamentos de dos níves consttuem apenas uma etapa ncal na nvestgação. Para conhecer melhor a superfíce de resposta, teremos de realzar expermentos num maor número de níves.
7 Um modelo para =f(t) Novo planejamento com a reação em cnco temperaturas gualmente espaçadas. Pelo gráfco desses valores, um modelo lnear parece mesmo o mas ndcado para descrever a varação do rendmento com a temperatura.
8 Rendmento da reação em função da temperatura. Dados da Tabela 5..
9 Lembrando que cada observação é afetada por um erro aleatóro, podemos representar o modelo por:, 0 T (5.) onde é o rendmento correspondente à temperatura T e é o erro aleatóro, 0 e são os parâmetros do modelo. Para determnar os valores de 0 e devemos ajustar a Eq. (5.) aos cnco pares de valores (, T ) da Tabela 5.. Isto é, temos que resolver um sstema de cnco equações, T T T 5, 5 onde cada equação contém um par de valores (, T ) = (rendmento, temperatura), e cuja ncógntas são 0 e.
10 Esse sstema pode ser representado de forma compacta por uma únca equação matrcal, onde A equação matrcal tem a grande vantagem de permanecer válda, não mporta quantas sejam as observações ou os parâmetros do modelo. Basta amplar as matrzes apropradamente. ε, β T T T 5... ε 0 β (5.a)
11 Resíduos dexados por um modelo lnear. Um resíduo é uma dferença entre um valor observado e a sua estmatva de acordo com o modelo: e. ˆ A melhor reta é a que mnmza o comprmento total dos segmentos vertcas (e ), sto é, localzar a reta de tal manera que a soma dos quadrados dos resíduos seja mínma (método: ajuste por mínmos quadrados ou análse de regressão).
12 Se na temperatura T o rendmento observado é e o rendmento prevsto pela reta de regressão é ˆ, o resíduo dexado pelo modelo é: e, (5.) ˆ em que ˆ b0 b T, sendo b 0 e b os coefcentes que defnem a localzação da reta, sto é, os estmadores de 0 e, para os quas queremos obter estmatvas numércas. Usando matrzes, podemos escrever ˆ b, onde ŷ e b são matrzes contendo respectvamente os valores prevstos pelo modelo e os estmadores dos parâmetros: ˆ ˆ ˆ... ˆ 5 e b b b 0 (5.3)
13 Como os valores de são conhecdos, os resíduos rão depender apenas dos valores que escolhermos para b 0 e b. No ajuste por mínmos quadrados, esses valores são aqueles que tornam o somatóro e o menor possível. Para que o valor de e seja mínmo, é precso que suas dervadas em relação a b 0 e b se anulem. e b 0 0 e 0, b (5.4a) (5.4b) De forma mas geral, vamos representar a varável ndependente (temperatura), por. A equação de regressão será b b. Substtundo em 5. e: ˆ 0
14 Dervando e gualando a zero: Elmnando o fator - e desdobrando todos os somatóros, temos um sstema de duas equações lneares em b 0 e b, que são chamadas equações normas: Isolando b 0 em (5.6a), obtemos. ˆ 0 b b e b b b e b b b e. 0 0 b b b nb, 0 n b b b b 0 ou (5.5a) (5.5b) (5.6a) (5.6b) (5.7)
15 Substtundo a ª destas expressões em (5.6b): Isolando b, temos fnalmente Que pode ser reescrta como ou, numa notação mas compacta:, b n b. n b n. n n b. b. xx x S S b (5.8) (5.9) e (5.0)
16 Exercícos 5., 5. e 5.3 Desenvolva a Equação 5.9 e mostre que ela é equvalente à equação 5.8. Mostre que t n Com a notação ntroduzda na Equação 5.0, como sera representado o desvo padrão amostral da varável? e t.
17 Podemos calcular os valores de b 0 e b resolvendo uma únca equação matrcal. Com os resultados do Exercíco 5., as equações normas (5.6a) e (5.6b) reduzem-se a t t (5.) b. Para resolver esta equação, devemos multplcá-la à esquerda pela nversa de t. Assm solamos o vetor b, cujos elementos são os estmadores: t t t b t t Ib t t b. t (5.) Se amplarmos as matrzes e adequadamente, teremos a solução geral para o ajuste de um modelo por mínmos quadrados, não mporta quantas sejam as observações ou quantos parâmetros sejam necessáros para o caracterzar.
18 Para que a solução exsta, porém, é precso que (a) A matrz( t ) - possa ser calculada, sto é, é precso que a matrz t não seja sngular. (b) Os modelos sejam lneares nos parâmetros, ou seja, eles não podem conter termos como b 0 ou b 0 b. Usando os dados da Tabela 5., podemos escrever t , e e t Substtundo estas matrzes na Eq (5.), chegamos ao sstema de equações lneares
19 5b 0 50b 50b b Cuja solução é Optando pela solução matrcal teríamos 0, 0, t E portanto, de acordo com a Eq. (5.), 0, b 0, e b 0,00 b,560. 0, 0,004 0, 384 0, ,00.,560 A equação ˆ b0 b nos dá uma estmatva da resposta obtda quando a varável ndependente assume o valo. Com os valore de b 0 e b, podemos escrever ˆ,00,560. (5.3)
20 Substtundo os valores de (temperaturas), obtemos os rendmentos prevstos de uma só vez: ˆ b 40 45,00 50, , 69,0 76,8. 84,6 9,4 Estes valores prevstos dexam, em relação aos rendmentos efetvamente observados, os resíduos e ŷ 60 6,, 70 69,0, ,8 0, 86 84,6,4 9 9,4,4 A próxma fgura mostra como a reta ajustada se stua em relação às observações.
21 Reta ajustada por mínmos quadrados aos dados da Tabela 5.. O modelo lnear é uma excelente representação.
22
23 Exercícos
24
25
26 Análse da varânca. abaxo
27 Decomposção do desvo de uma observação em relação à méda global,, na soma das parcelas ˆ e ˆ. Dferença entre o valor observado e o valor prevsto. Num modelo bem ajustado, essa ª parcela deve ser pequena. Representa o desvo da prevsão feta pelo modelo para o ponto em questão, ŷ, em relação à méda global,.
28 O próxmo passo é expressar esta comparação de desvos em termos quanttatvos. Elevando a Eq. 5.5 ao quadrado Pode-se demonstrar (Ex. 5.7) que o somatóro dos produtos é gual a zero, e portanto: Estas somas de quadrados de desvos costumam ser chamadas de somas quadrátcas (S.Q.) Uma parte da varação total das observações em torno da méda é descrta pela equação de regressão, e o restante fca por conta dos resíduos. ˆ ˆ. ˆ ˆ ˆ ˆ ˆ ˆ. ˆ ˆ r R T SQ SQ SQ [S.Q. em torno da méda]=[s.q. devda à regressão]+[s.q. resdual]. (5.6)
29 Evdentemente, quanto maor for a fração descrta pela regressão, melhor será o ajuste do modelo, o que podemos quantfcar por meo da razão: R SQ SQ ˆ. R (5.7) T R é chamada de coefcente de determnação do modelo. O valor máxmo de R é, e só ocorrerá se não houver resíduo nenhum e portanto toda a varação em torno da méda for explcada pela regressão. Quanto mas perto de estver o valor de R, melhor terá sdo o ajuste do modelo às respostas observadas.
30 Exercíco 5.7 Substtua ˆ b em e mostre que esse somatóro é gual a zero. ˆ ˆ
31 A cada soma quadrátca está assocado um certo número de graus de lberdade, que ndca quantos valores ndependentes envolvendo as n observações,,..., n são necessáros para determná-las. Para a soma quadrátca dos n desvos em relação à méda, o número de graus de lberdade é (n-) e não n, porque a soma dos desvos é nula e sto consome um grau de lberdade. Para chegar ao número de graus de lberdade de SQ R, partmos da Eq. (5.4) e verfcamos que a soma devda à regressão é dada por (5.8) ˆ b. Como as varáves não são aleatóras, o somatóro está fxado pela matrz de planejamento empregada.
32 O valor de ˆ fca portanto completamente determnado por um únco número, o valor de b. Este, por sua vez, é uma varável aleatóra, já que depende das respostas obtdas expermentalmente. Estas consderações mostram que a soma quadrátca devda à regressão tem apenas um grau de lberdade. Como o número de graus de lberdade de SQ T é (n-), a soma quadrátca resdual deve ter (n-) graus de lberdade, para satsfazer a Eq. (5.6): v T v v n n. O lado dreto reflete o fato de que o nosso modelo tem apenas dos parâmetros, 0 e. R r,
33 No caso geral de um modelo de p parâmetros, o número de graus de lberdade da soma quadrátca resdual é dado pela dferença entre o número de observações e o número de parâmetros estmados p, sto é, v r =(n-p). Para contnuar tendo v T =(n-), o número de graus de lberdade da soma quadrátca devda à regressão tem de ser gual ao número de parâmetros menos um: v R =(p-). Os resultados para o caso partcular de um modelo de apenas dos parâmetros estão reundos na Tabela 5., que é chamada Tabela de Análse da Varânca (ou ANOVA Analss of Varance). Dvdndo as somas quadrátcas pelos seus respectvos números de graus de lberdade, obtemos as chamadas médas quadrátcas (MQ s).
34 Tabela 5. Tabela de análse da varânca para o ajuste de um modelo lnear com dos parâmetros Fonte de varação Soma Quadrátca ˆ N o de g. l. Regressão Resíduos n- ˆ Total n- Méda Quadrátca MQR SQ R SQr MQr n Tabela 5.3 ANOVA para o ajuste de um modelo lnear aos dados da Tabela5. Fonte de varação Soma Quadrátca N o de g. l. s Méda Quadrátca Regressão 608,4 608,4 Resíduos 6,4 3 6,4/3=,3 Total 64,8 4
35 Dentro de certas suposções, podemos dar às médas quadrátcas uma nterpretação estatístca, que nos permtrá submetê-las a testes e utlzá-las para calcular ntervalos de confança. No nosso exemplo, com as respostas da Tabela 5. e as prevsões dadas pela Eq. (5.3), obtemos na ANOVA os valores apresentados na Tabela 5.3. Substtundo na Eq. (5.7) os valores calculados para SQ R e SQ T, temos R 608,4 64,8 0,9896, O que sgnfca que 98,96% da varação total em torno da méda é explcada pela regressão. Para os resíduos fca apenas,04%.
36 A soma quadrátca resdual, SQ r, representa a parte da varação das respostas em torno da méda que o modelo não consegue reproduzr. Dvdndo-a por r, obtemos a méda quadrátca resdual, que é uma estmatva, com n- graus de lberdade, da varânca dos pontos em torno da equação de regressão, sto é, em torno do modelo ajustado. Essa estmatva pode ser nterpretada como uma medda aproxmada do erro médo (quadrátco) que cometeremos se usarmos a equação de regressão para prever a resposta correspondente a um dado valor. No nosso exemplo, temo s =,3, com 3 graus de lberdade (penúltma lnha da Tabela 5.3)
37 Exercíco 5.8 Parta da Equação 5.9 e mostre que b Sxx.
38 Intervalos de confança Como não exste medda sem erros, as respostas de expermentos repetdos sempre flutuarão. Levando ncerteza à determnação dos parâmetros e às prevsões fetas a partr do modelo, mesmo que ele seja o modelo correto. Vejamos então, como podemos quantfcar essa ncerteza e determnar ntervalos de confança para todos os valores estmados, fazendo algumas suposções sobre o comportamento dos erros.
39 Se o verdadero valor médo de é 0 +, devemos esperar que observações repetdas no mesmo ponto se dstrbuam smetrcamente em torno de 0 +, com desvos postvos sendo tão frequentes quanto desvos negatvos, de tal manera que a méda dos erros seja zero. Num dado os erros em se dstrburão com uma certa varânca, que em prncípo também vara com. Para fazer nossas deduções devemos admtr as hpóteses:. A varânca dos erros é constante ao longo de toda faxa estudada e gual a um certo valor. Esta hpótese é chamada homoscedastcdade das resposta observadas.. Os erros correspondentes a respostas observadas em valores dferentes da varável ndependente não são correlaconados [Cov(,j)=0, se j].
40 3. Os erros seguem uma dstrbução normal. Estas três hpóteses podem ser resumdas nas expressões: ou equvalente, N, Cov, j 0 N 0 0, Com estas suposções podemos determnar ntervalos de confança para os resultados do modelo. O coefcente angular da reta de regressão pode ser dado por (Exercíco 5.8): que é uma combnação lnear das varáves aleatóras, com coefcentes : S xx b e e Cov, 0 j b Sxx, (5.9) (5.9a) n... n Sxx Sxx.
41 Como por hpóteses os s, além de não serem correlaconados, têm varânca constante, podemos aplcar a Eq..4 e escrever Admtndo que o valor de s, a varânca resdual em torno da regressão, seja uma boa estmatva de, podemos obter uma estmatva do erro padrão de b fazendo a raz quadrada da Eq. (5.0) e substtundo por s:,... ) ( S S V S V S b V xx xx n xx n xx xx S. ) ( S xx b V ou, como. padrão de erro S xx s b (5.0) (5.)
42 Como estamos admtndo que os erros se dstrbuem normalmente, podemos usar a dstrbução de Student para testar a sgnfcânca do valor estmado para b : (5.) Note que o n o de graus de lberdade do valor de t é n-, que é o número de graus de lberdade da estmatva s, e consequentemente também do erro padrão. Com os valores numércos do nosso exemplo, a estmatva do erro padrão de b fca sendo o que nos leva ao ntervalo b tn erro padrãode b.,560 3,80,093,3 50 0,093, com 95% de confança. Já que os dos lmtes são postvos, o valor calculado de b é sgnfcatvamente dferente de zero, confrmando a exstênca de uma relação lnear entre os rendmentos observados e as temperaturas de reação. s S xx,66,,854,
43 Outros ntervalos de confança são obtdos da mesma manera. Partndo da expressão algébrca para b 0 (Eq.5.7) e segundo o mesmo procedmento usado para b : V ( b0 ) ns xx E daí à expressão para o erro padrão de b 0 : erro padrão de b, 0 s ns O erro padrão calculado com os dados do nosso exemplo é 4,665, o que nos leva ao ntervalo (5.5) b0 tn erro padrão de b0,00 3,84,665 6,044,3,644. xx. (5.3) (5.4)
44 O que sgnfca que há 95% de probabldade de que o verdadero valor do parâmetro 0 esteja entre -6,044 e 3,644. Como estes dos lmtes têm snas contráros, e como nenhum valor num ntervalo de confança é mas provável do que outro, pode ser que o verdadero valor de 0 seja zero. Em outras palavras, o valor b 0 =-,00 não é estatstcamente sgnfcatvo, e portanto não exste evdênca sufcente para mantermos o termo 0 no nosso modelo. Mesmo assm, mantemos o termo 0 para preservar a herarqua matemátca.
45 Exercíco 5.9 Sejam a e c duas combnações lneares das varáves aleatóras, a c Se V ( ) e Cov, 0 então Cova, c ac... a n c n. a c... a... c n n n n., j Use o resultado do Exercíco 5.8 e esta últma expressão para mostrar que a covarânca de e b é zero.
46 Quando construímos um modelo de regressão, nosso objetvo é obter uma relação que nos permta prever a resposta correspondente a um valor qualquer da varável ndependente, que chamaremos de a. No modelo que estamos adotando, essa relação é dada pela Eq. 5.4, ˆ b, a a Em que a estmatva é uma combnação lnear das duas varáves aleatóras e b. Sua varânca será dada por (Eq..4) V ŷ a V Vb Cov, b, ˆa a a Como a covarânca de e b é zero (Exercíco 5.9), esta expressão reduz-se a V V Vb. ˆa a
47 Substtundo as expressões para a varânca de uma méda (Eq..5a) e para a varânca de b (Equação 5.0): Substtundo mas uma vez por s, e fazendo a raz quadrada, obtemos fnalmente o erro padrão da estmatva Quando padrão de V ˆ o º termo dentro da raz se anula e o erro assume seu valor mínmo. À medda que nos afastamos desse ponto, em qualquer dreção, o erro aumenta. Quanto mas longe estvermos de as prevsões fetas a partr da regressão. a erro padrão de a, ŷ a n ˆ a s n a S xx. a. S xx a, (5.6) (5.7) ˆa mas ncertas serão :
48 Como sempre, usamos o erro padrão para defnr ntervalos de confança em torno do valor prevsto: erropadrãode ˆ. ˆ a tn a A Eq. (5.7) mostra que os lmtes do ntervalo varam com a posção ao longo do exo. Geometrcamente, eles determnam hpérboles acma e abaxo da reta de regressão. A Eq. (5.7) refere-se ao erro da estmatva da méda populaconal das respostas no ponto a. As respostas ndvduas se dstrbuem em torno dessa méda (que é 0 + a ) com varânca, como mostra a Eq. (5.9a). Se qusermos nos referr à prevsão de uma únca observação realzada no ponto a, precsamos acrescentar essa varânca.
49 Assm, podemos escrever erro padrão da prevsão de uma observação s n a, S xx (5.8) Que é uma amplação da Eq. (5.7). Para obtê-la, somamos à varânca da prevsão do valor médo. Da mesma manera, se estvermos nteressados na prevsão da méda de q observações termos erro padrão da prevsão da méda de q observações s q n a. S xx (5.9) Assm como nas outras estmatvas, podemos determnar ntervalos de confança com base na dstrbução t.
50 Também podemos usar matrzes para expressar o cálculo das ncertezas nas estmatvas dos parâmetros. Defnmos º a matrz de covarânca de b 0 e b : V b V Cov b0 Covb 0, b b, b V b 0 Pode-se demonstrar que esta matrz é dada smplesmente por. t V b (5.30) Esta equação se aplca ao ajuste por mínmos quadrados de qualquer modelo lnear nos parâmetros. Para o nosso exemplo, usamos a matrz ( t ) - e substtuímos a varânca populaconal pela estmatva s =,3: V b 0, 0, 0,,3 0,004 Trando a raz quadrada dos elementos da dagonal prncpal, chegamos aos erros padrão de b 0 e b.,73 0,43. 0,43 8,50 3.
51 Sgnfcânca estatístca da regressão Podemos usar as médas quadrátcas para testar se a equação de regressão é estatstcamente sgnfcatva. Quando =0, sto é, quando não há relação entre e, podese demonstrar que a razão entre as médas quadrátcas MQ R e MQ r segue uma dstrbução F: MQ MQ R r F, n, (5.3) onde e n- são os números de graus de lberdade da méda quadrátca devda à regressão e da méda quadrátca resdual, respectvamente.
52 Como a Eq. 5.3 só vale para =0, podemos testar esta hpótese nula usando o valor efetvamente calculado para MQ R /MQ r, e comparando com o valor tabelado de F,n-, no nível de confança desejado. Se verfcarmos que MQ R /MQ r > F,n-,devemos descartar a possbldade que =0. Teremos então evdênca estatístca sufcente para nos fazer acredtar na exstênca de uma relação lnear entre as varáves e, e quanto maor o valor de MQ R /MQ r, melhor. No nosso exemplo, precsamos do valor F,3, que pode ser ldo na Tabela D (Aula), na nterseção da coluna = com a lnha correspondendo a =3. No nível de 95% de confança, o valor procurado é 0,3. Nossa regressão será estatstcamente sgnfcatva se MQ R /MQ r > 0,3. Caso contráro, o valor de pode ser mesmo zero e não há relação entre as varáves.
53 Com os valores da Tabela 5.3 temos MQ R /MQ r = 608,4/,3 = 85,6, o que mostra que nossa equação é altamente sgnfcatva. Nem sempre uma regressão dada como sgnfcatva pelo teste F é útl para realzar prevsões. Se a faxa de varação coberta pelos fatores estudados for pequena demas, o efeto sobre a resposta pode fcar mascarado pela extensão do erro expermental. Como regra, consdera-se uma regressão como útl para fns de prevsão se o valor de MQ R /MQ r for, pelo menos dez vezes o valor do ponto da dstrbução F com o número aproprado de graus de lberdade, no nível de confança escolhdo.
54 Um novo modelo para =f(t) Anmado com os resultados obtdos o pesqusador resolve amplar a faxa de varação da temperatura e realzar mas 4 ensaos (30, 35, 65 e 70 0 C). Tabela 5.4 Varação do rendmento da reação em função da temperatura, na faxa C, com Catalsador A. Temperatura ( 0 C) Rendmento (%) Usando a Eq. (5.) para ajustar um modelo lnear aos nove pares desse novo conjunto de valores, obtemos ˆ 7,33,5. (5.3)
55 Tabela 5.5 Análse de varânca o ajuste de um modelo lnear aos dados da Tabela5.4. Fonte de varação Soma Quadrátca No de g. l. Méda Quadrátca Regressão 3.465, ,6 Resíduos 83,4 7 8,9 Total 4.98,0 8 A percentagem de varação explcada pelo modelo agora é 80,63%. Um valor razoavelmente alto, mas muto menos mpressonante que os 98,96% do exemplo anteror, que se lmtava à faxa C.
56 Ajuste de um modelo lnear aos dados da Tabela 5.4. (a) Os valores observados não estão bem representados por uma reta. (b) Consequentemente, a dstrbução dos resíduos não é aleatóra.
57 O valor de MQ R /MQ r é 9,4, enquanto F,7 =5,59, no nível de 95%. Isto ndcara que temos uma regressão sgnfcatva, mas o emprego do teste F pressupõe uma dstrbução normal dos resíduos e não é este o caso. Como o modelo lnear acaba de mostrar-se nsatsfatóro, vamos amplá-lo, acrescentando um termo quadrátco. Tentaremos modelar a nfluênca da temperatura sobre o rendmento com a equação (5.33), 0 onde representa a temperatura do -ésmo nível. O ajuste deste novo modelo aos valores observados também é feto por meo da Eq. (5.), mas as matrzes precsam ser expanddas:
58 Substtundo na Eq. (5.) os valores aproprados, obtemos fnalmente O que sgnfca que o nosso modelo quadrátco estma os rendmentos por meo da equação 9..., , 0 β, 0,065 7,99 58,4 b. 0,065 7,99 58,4 ˆ T T (5.34)
59 (a) Ajuste de um modelo quadrátco aos dados da Tabela 5.4. A concordânca é bem melhor do que na anteror (a). (b) Não parece haver um padrão na dstrbução dos resíduos (podemos empregar um teste F).
60 O valor de MQ R /MQ r sobe para 47,4. Já que a entrada do parâmetro no modelo transfere um grau de lberdade da méda quadrátca resdual para a méda quadrátca devda à regressão, o novo valor de MQ R /MQ r deve ser comparado com F,6 (5,4 no nível de 95%), e não mas com F,7. Esses resultados permtem conclur que agora temos um a ajuste altamente sgnfcatvo.
61 Falta de ajuste e erro puro Um exame cudadoso dos gráfcos dos resíduos deve ser consderado obrgatóro em qualquer stuação. Se o nosso expermento fornecer respostas em duplcata, podemos usá-las para obter uma estmatva do erro aleatóro. Tabela5.7 Varação do rendmento da reação em função da temperatura, na faxa C, com o catalsador A. Ensaos em duplcata. Temperatura ( 0 C) Rendmento (%) 4 0 Haverá resíduos, atrbuídos em parte, aos erros aleatóros
62 Veremos que a soma quadrátca resdual dexada pelo modelo pode ser decomposta em duas partes: uma causada pelos erros aleatóros, e outra devda à falta de ajuste do modelo. Esta segunda parcela pode ser reduzda aperfeçoando-se o modelo, a outra parte não. Consderando um caso geral, onde, para cada valor, tenham sdo determnadas n respostas, obtdas em repetções autêntcas. Para as repetções usaremos o índce j, assm uma resposta passará a ser representada por j (j-ésma resposta obtda para o -ésmo ensao. O número total de respostas em todo o expermento será gual à soma de todas as repetções: n=n.
63 Em cada nível o modelo dexará n resíduos, um para cada resposta repetda. Somando os quadrados de todos eles, em todas as repetções e em todos os níves, obteremos a soma quadrátca resdual nesse nível. Podemos escrever então, admtndo que exstam m níves dferentes da varável, as seguntes expressões: Soma quadrátca dos resíduos no nível : n SQ ˆ ; r j j Soma quadrátca resdual: SQ r m m SQ ˆ. r n j j
64 Cada resíduo ndvdual pode ser decomposto algebrcamente na dferença de dos termos: j ˆ j ˆ, (5.35) onde é a méda das respostas observadas no nível. Elevando ao quadrado esta equação e somando sobre todas as observações, teremos do lado esquerdo a soma quadrátca resdual, SQ r, como acabamos de ver. Do lado dreto fcaremos com as somas quadrátcas das duas parcelas, pos o somatóro dos termos cruzados se anula (Eq. 5.6 e Exercíco 5.7). Podemos escrever então: m n j m ˆ ˆ j n j j O º somatóro do lado dreto não tem nada a ver com o modelo, e portanto não depende das estmatvas ˆ, refletndo apenas a dspersão, em cada nível, das respostas repetdas j em torno de suas própras médas. m n j (5.36)
65 Esse termo, que nos dará uma medda do erro aleatóro, é chamado de soma quadrátca devda ao erro puro (SQ ep ). O º somatóro, ao contráro, depende do modelo, e será tanto maor quanto mas as estmatvas para um dado nível,, se desvarem da resposta méda correspondente,. ˆ Esse termo fornece uma medda da falta de ajuste do modelo às respostas observadas, sendo chamado por sso de soma quadrátca devda à falta de ajuste, SQ faj. A Eq pode ser lda assm: Soma quadrátca resdual S. Q. devda ao erropuro SQ SQ S. Q. devda à faltade ajuste r ep faj (5.36a) Dvdndo essas somas pelos seus números de graus de lberdade teremos médas quadrátcas, cujos valores remos comparar para avalar a falta de ajuste do modelo. SQ.
66 Em cada nível, os resíduos j que compõem SQ ep têm n - graus de lberdade. Fazendo o somatóro sobre todos os níves, obteremos o número de graus de lberdade da soma quadrátca devda ao erro puro: ep n n m, onde n é o número total de observações e m é o número de níves da varável. Sabemos que o número de graus de lberdade da soma quadrátca resdual é a dferença entre o número total de valores observados e o número de parâmetros do modelo, r =(n-p). Subtrando os graus de lberdade correspondentes a SQ ep teremos o número de graus de lberdade para a falta de ajuste: faj n p n m m p.
67 Note que ele é dado pela dferença entre o número de níves utlzados para a varável ndependente e o número de parâmetro do modelo. Para termos condções de testar se há falta de ajuste, o número de níves do nosso planejamento expermental precsa ser maor que o número de parâmetros do modelo que estamos querendo ajustar. Para uma reta, por exemplo, que é caracterzada por dos parâmetros, precsaríamos ter no mínmo três níves da varáves representada por, para que faj não se anulasse. Se tentássemos ajustar uma reta à resposta determnadas em apenas dos níves, ela passara obrgatoramente pelas médas das respostas em cada nível. Isso anulara SQ faj na Eq. 5.36a e reduzra a soma quadrátca resdual a uma soma quadrátca de erro puro, tonando mpossível descobrr qualquer falta de ajuste.
68 Com o desdobramento da soma quadrátca resdual nas contrbuções da falta de ajuste e do erro puro, a tabela de análse da varânca ganha duas novas lnhas e transforma-se na versão completa (Tabela 5.8). A méda quadrátca devda ao erro puro, MQ que não depende do modelo, uma estmatva da varânca para as respostas. A méda quadrátca deva à falta de ajuste, MQ ep faj m n m j n j n m j ˆ m também estma se o modelo for adequado. Caso contráro, o valor de MQ faj estmará mas a contrbução da falta de ajuste. Podemos então usar um teste F da razão MQ faj /MQ ep. p,,
69
70 Voltamos agora aos dados em duplcata da Tabela 5.7. Ddatcamente, começamos usando a eq. Matrcal 5. para determnar a equação de regressão, e A reta de regressão determnada a partr destas matrzes é dada por ˆ 7,4,5. A Tabela 5.9 mostra a análse da varânca para o novo ajuste. A percentagem de varação explcada pela regressão (SQ R /SQ T =77,79%) não deve ser comparado com 00%, por causa da contrbução devda ao erro puro.
71 Como nenhum modelo pode reproduzr a soma quadrátca do erro puro, o valor máxmo aplcável é a dferença entre a soma quadrátca total e SQ ep. Neste caso, SQ T - SQ ep = 8.930,00-45,00 = 8.885,00, que corresponde a 8885,00/8930,00=99,50% da soma quadrátca total.
72 (a) Ajuste de um modelo lnear aos dados da Tabela 5.7. Os valores observados não são bem representados pela reta. A dstrbução dos resíduos não é aleatóra.
73 O valor da razão MQ R /MQ r é 56,03. Comparando com F,6 =4,49 (nível de 95%), este valor ndcara uma regressão sgnfcatva, se não fosse pela evdênca de falta de ajuste. Fato confrmado pelo alto valor de MQ faj /MQ ep : MQ MQ 76,94 5,00 Que é muto maor que F 7,9 =3,9. faj ep 55,39, Passamos a ajustar o modelo quadrátco (Eq e Eq.5.) 7,4 b 8,59, 0,07 ou ˆ 7,48,59 0,07 Os gráfcos do modelo quadrátco mostram um ajuste muto melhor do que os do modelo lnear..
74 (b) Com um modelo quadrátco a concordânca é bem melhor. Os resíduos agora parecem dstrbur-se aleatoramente.
75 A melhora é confrmada numercamente pelos valores da análse da varânca. Tabela 5.0 Análse da varânca para o ajuste de um modelo quadrátco aos dados da Tabela 5.7 Fonte de varação Soma Quadrátca No de g. l. Méda Quadrátca Regressão 8.87, ,80 Resíduos 58,40 5 3,89 F. Ajuste 3,39 6,3 Erro puro 45,00 9 5,00 Total 8.930,00 7 % de varação explcada: 99,35% % máxma de varação explcável:99,50
76 A dferença é grtante: o valor da razão MQ R /MQ r sobe para 4.435,80/3,89=.40,3, enquanto a razão MQ faj /MQ ep, que era 55,39, reduz-se a apenas 0,45, um valor não sgnfcatvo. Não há mas snal de falta de ajuste, e podemos determnar os ntervalos de confança para os parâmetros do modelo. Substtundo na Eq.5.30 pelo valor da méda quadrátca resdual, s =3,89, temos as estmatvas das varâncas dos parâmetros. Fazendo a raz quadrada, obtemos seus erros padrão e com eles escrevemos o resultado fnal do nosso ajuste: ˆ 7,4 8,59 0,07 7,650,30,003.
77 Exercícos
78
79 Correlação e regressão Mutas vezes, na lteratura, os resultados de uma análse de regressão são dscutdos em termos da correlação da varável dependente com a varável ndependente. Faz sentdo porque a correlação é defnda para um par de varáves aleatóras, e na regressão somente a varável dependente é que é consderada aleatóra. No entanto, se esquecermos desse detalhe concetual, exstem algumas relações algébrcas entre correlação e regressão que vale a pena conhecer, nem que seja para esclarecer seu verdadero sgnfcado e suas lmtações.
80
81 ou
82
83
É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia 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 maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisEstatística 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
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisAnálise 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
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisModelo 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
Leia maisANÁLISE 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
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisCapítulo 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
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisModelo 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
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisÉ 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
Leia maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia mais8.16. Experimentos Fatoriais e o Fatorial Fracionado
8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisProf. 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
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisa média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): Vnte e cnco
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais1ª PROVA DE ESTATÍSTICA EXPERIMENTAL
UNIVERSIAE ESTAUAL PAULISTA FACULAE E CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS E JABOTICABAL ª PROVA E ESTATÍSTICA EXPERIMENTAL - MEICINA VETERINÁRIA NOME: ATA / / ª QUESTÃO (5,5): Vnte suínos foram dstrbuídos
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisCapítulo 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
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisFigura 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
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisCQ110 : Princípios de FQ
CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia mais(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES
4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisAnálise 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...).
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3. 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
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da
Leia maisAjuste de um modelo linear aos dados:
Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,
Leia maisTabela 1. Porcentagem de crianças imunizadas contra DPT e taxa de mortalidade de menores de 5 anos para 20 países, 1992.
Regressão Lnear Algumas vezes estamos nteressados não apenas se exste assocação entre duas varáves quanttatvas x e y, mas nós temos também uma hpótese a respeto de uma provável relação de causa e efeto
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia mais