= Assim, toma-se ˆp= x m =
|
|
- Bruno Orlando Bonilha
- 4 Há anos
- Visualizações:
Transcrição
1 INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO de Outubro, 06 PRIMEIRO TESTE 06-7 Uma resolução possível I Seja X a variável aleatória que conta o número de parcelas onde cada genótipo da casta Tinta Barroca revelou tolerância ao stress abiótico É pedido um teste χ de ajustamento da distribuição de X a uma distribuição Binomial Uma vez que X conta o número de êxitos em três provas (as parcelas associadas a cada genótipo), o parâmetro m da Binomial, que representa o número total de provas, é naturalmente m Quanto ao segundo parâmetro da Binomial, p, que representa a probabilidade (admitida constante) de êxito em cada prova de Bernoulli, no nosso contexto será a probabilidade de haver tolerância em cada parcela Não é dado no enunciado qualquer valor para p, pelo que será estimado a partir dos dados Concretamente, e sabendo que o valor esperado duma va X com distribuição B(m,p) é dado pelo produto E[X mp, podemos estimar p a partir da estimativa de E[X que é a média amostral x do número de parcelas onde houve tolerância Essa média amostral é dada por x (0 )+( 6)+( 7)+( ) Assim, toma-se ˆp x m Hipóteses: H 0 : X B(m, ˆp0858) vs H 0 : X B(m, ˆp0858) Estatística do Teste: É a estatística de Pearson, X (O i Êi), sendo O i o número de observações correspondentes ao valor Xi e Êi os valores esperados ao abrigo da hipótese nula (distribuição Binomial) A distribuição assintótica desta estatística, caso seja verdade H 0, é χ k r com k4 (número de categorias para as quais há contagens) er (número de parâmetros que foi necessário especificar para definir H 0 ) Logo, a distribuição assintótica (cuja validade podemos admitir, tendo em conta o enunciado) será χ Nível de Significância Vamos escolher αp[ Erro do tipo I P[ RejH 0 H 0 verdade 005 Região Crítica: (Unilateral direita) Para um nível de significância α 005, a regra de rejeição deve ser a de rejeitar H 0 se χ calc > χ α[k r χ 005() Conclusões Como X calc 0894 < 59947, não se rejeitah 0, pelo que se admite a distribuição Binomial referida no enunciado Considerando a classe i, temos que a probabilidade esperada para esse valor de X é, ao abrigo de H 0, dada por ˆπ P[X ( m )ˆp ( ˆp) m ˆp Assim, o número esperado de genótipos (de entre o total de N 67 observados) para os quais há sempre tolerância (X ) é estimado por Ê N ˆπ Esta categoria de contagens contribui com uma parcela de valor (O Ê) para o valor calculado da estatística do teste, X Tem-se (O Ê) Ê ( 70) Ê Rigorosamente falando, o valor estimado que foi calculado (Ê70) significa que o critério de Cochran não se verifica, uma vez que mais de 0% das contagens esperadas (pelo menos 5%) são inferiores a 5 No entanto, no enunciado era dito para se admitir a validade da distribuição assintótica, não sendo pedida a discussão do critério de Cochran Como não se verifica a rejeição de H 0, não faz grande sentido discutir quais as parcelas que mais contribuem para o (pequeno, e não significativo) valor de Xcalc i0 Ê i
2 II (a) O gráfico da esquerda corresponde a uma relação de tipo hiperbólico entre as variáveis originais x e y De facto, se admitimos a linearidade entre y y e x x, temos y b 0+b x y b 0 +b x O gráfico da direita corresponde a admitir que a relação entre as variáveis originais x e y é de tipo potência De facto, admitir a linearidade entre y ln(y) e x ln(x) corresponde a ter: ln(y) b 0 +b ln(x) e ln(y) e b 0+b ln(x) y e b 0 a e b ln(x) ae lnxb ax b (b) Embora se possa admitir uma tendência linear de fundo nas duas nuvens de pontos, objectivos inferenciais serão melhor atingidos com a transformação linearizante que gerou o gráfico da direita De facto, no gráfico da esquerda a dispersão dos pontos em torno da tendência linear de fundo parece ter variabilidade que não é homogénea, e vai crescendo à medida que aumenta o número de frutos nos tomateiros Esta tendência irá reflectir-se na existência dum efeito em forma de funil no gráfico de resíduos contra valores ajustados ŷ i, e sugere a violação do pressuposto das variâncias constantes dos erros aleatórios que é parte integrante do modelo de regressão linear Em contrapartida, o gráfico da direita sugere que a variabilidade dos pontos em torno da recta de regressão é constante, o que estará em consonância com a hipótese de variâncias homogéneas dos erros aleatórios Por outro lado, na nuvem de pontos da esquerda há relativamente poucos pontos na metade direita do gráfico, o que sugere que esses pontos terão uma influência grande no ajustamento da recta, com elevados valores da distância de Cook Assim, será mais adequado trabalhar com a transformação linearizante que gerou o gráfico da direita, ou seja, será melhor admitir que a relação entre o peso médio dos frutos dum tomateiro e o número de frutos desse tomateiro, segue uma relação potência (decrescente) (a) O coeficiente de determinação é R 0760, o que significa que a regressão linear explica cerca de 76% da variabilidade nos valores observados do log-peso do fruto Este valor é razoavelmente bom, e é significativamente diferente do valor R 0 associado ao Modelo Nulo, como se pode verificar através dum teste F de ajustamento global: Hipóteses: H 0 : R 0 vs H : R > 0 Estatística do Teste: F QMR QMRE (n ) R F R (,n ), sob H 0 Nível de significância: α P[ Erro do tipo I P[ Rej H 0 H 0 verdade 005 Região Crítica: (Unilateral direita) Rejeitar H 0 se F calc > f α[,7 40 (entre os valores tabelados 47 e 408) Conclusões: No enunciado está omisso o valor calculado da estatística F Usando a segunda das expressões acima indicadas para essa estatística, tem-se F calc Logo há uma clara rejeição de H 0, ie, usar a recta de regressão para prever o log-peso do fruto a partir do log-número de frutos no tomateiro é significativamente melhor do que considerar que esse log-peso do fruto tem apenas variação aleatória, não explicada pelo número de frutos na planta (b) Numa regressão linear simples, o coeficiente de determinação é o quadrado do coeficiente de correlação amostral entre o preditor (no nosso caso log(nfrutos), x ) e a variável resposta (no nosso caso log(pesofruto), y ) Logo, o coeficiente de correlação amostral r x y é
3 uma das raízes quadradas do coeficiente de determinação, que é indicado na listagem: R 0760 Tendo em conta que o declive da recta (que tem sempre o mesmo sinal que o coeficiente de correlação) é negativo, a raíz relevante de R é a raíz negativa: r x y R (c) O declive da recta de regressão, b 0986 é a variação média nos log-pesos dos frutos (variável resposta y da recta) associada a aumentar em uma unidade o log-número dos frutos (variável preditora x na recta) A transformação utilizada corresponde à transformação linearizante dum modelo potência y ax b com (como se viu na alínea a) b 0986 Assim, a relação ajustada corresponde a dizer que o peso médio dos frutos dum tomateiro é proporcional à potência 04 (aproximadamente) do número de frutos ou, de forma equivalente, que o peso médio dos frutos dum tomateiro é inversamente proporcional ao número de frutos elevado à potência /5 (d) As fórmulas dos parâmetros da recta de regressão podem ser usadas para obter os valores pedidos De facto, para a recta de regressão relacionando y ln(y) e x ln(x), temos b 0 y b x Logo, no nosso caso tem-se ( 0986)x, pelo que x Por outro lado, o declive da recta ajustada é dado por b cov x y s x r x y s y s x, pelo que s x r x y s y b No nosso caso, tem-se s x ( 0986) (e) Um intervalo a ( α) 00% de confiança para β é dado por: [ b tα (n ), b ˆσˆβ +tα (n ) ˆσˆβ Sabemos pela listagem no enunciado que b 0986 (valor que tem de ser o ponto central do intervalo de confiança), e ˆσˆβ 0066 Para um intervalo a 95% de confiança, α005, e t 005(7) 05 (entre os valores tabelados 04 e 0) O IC pedido será então 04675, 00[ Assim, podemos afirmar com 95% de confiança que o declive da recta populacional é um dos valores deste intervalo Tendo em conta a resposta na alínea a), pode afirmar-se que o peso médio dos frutos de tomateiros é proporcional ao número de frutos elevado a uma potência neste intervalo ou, de forma equivalente, inversamente proporcional ao número de frutos elevado a uma potência no intervalo 00,04675[ (f) Pede-se um intervalo de predição (95%) para um valor de y (pesofruto) associado ao valor de nfrutos x 0 Com base na recta de regressão entre as variáveis logaritmizadas pode construir-se um intervalo de predição para y ln(y), que corresponde a um valor logaritmizado x ln(0)9957 Pelo formulário, sabemos que este intervalo de predição tem [ extremos: (b 0 +b x )±t 005(n ) QMRE + n + (x x ), sendo conhecidos a partir (n )s x do enunciado os seguintes valores: b 0 69, b 0986, QMRE0958, n9, x 575, s x Assim, b 0+b ln(0)5494 Já se viu quet 005(7) 05 [ A expressão do erro padrão dá QMRE + n + (x x ) Logo, o intervalo (n )s x de predição para o log-peso dos frutos dum tomateiro com x0 frutos é 47467, 555[ Para obter um intervalo para o peso dos frutos (em g) será necessário exponenciar estes extremos, obtendo-se o intervalo de predição 599, [ Assim pode afirmar-se que 95% dos tomateiros com 0 frutos terão peso médio dos seus frutos neste intervalo
4 III É dado o modelo de regressão linear simples em contexto inferencial (a) Sabemos pelo formulário que a variância do estimador ˆβ é σ ˆβ σ Este valor é (n )s x estimado por ˆσ ˆβ QMRE Sabemos ainda (adaptando o enunciado do Exercício 5d das (n )s x aulas práticas ao contexto inferencial), que SQR ˆβ (n )s x e que, numa regressão linear simples, SQR QMR Logo, tem-se ˆσ ˆβ QMRE QMR ˆβ QMR ˆβ F, onde F QMR QMRE é ˆβ QMRE a estatística do teste F de ajustamento global Assim, o valor calculado de σ ˆβ é b F calc Alternativamente, e tendo em conta o resultado do Exercício 6, sabemos que o valor calculado da estatística do teste F de ajustamento global é o quadrado do valor da estatística T ˆβ β H0 num teste a que H 0 : β 0 Mas nesse caso, tem-se F T ˆβ e, ˆσˆβ ˆσ ˆβ re-arrumando igualdade, obtém-se a expressão indicada no enunciado (b) A expressão do estimador dada no enunciado, ˆβ n c i Y i, salienta que ˆβ é uma combinação linear das n observações da variável resposta, Y i Uma das primeiras conclusões do modelo de regressão linear simples é a de que estas n variáveis aleatórias têm distribuição Normal (mais concretamente, N ( β 0 +β x i, σ ) ) e são independentes Sabe-se ainda que qualquer combinação linear de Normais independentes é ainda Normal, pelo que apenas falta calcular os respectivos parâmetros, ou seja o valor esperado E[ˆβ e a variância V[ˆβ Ora, pelas propriedades dos valores esperados, tem-se: [ E[ˆβ E c i Y i i c i E[Y i i i i c i (β 0 +β x i ) β 0 c i +β c i x i i i E[Y i O enunciado afirma que o segundo somatório tem valor Quanto ao primeiro somatório, facilmente se conclui (tendo em conta a expressão dos coeficientes c i dada no formulário e ainda o Exercício a)) que: c i i x i x (n )s x (n )s x i (x i x) 0 i } {{ } 0 Logo, E[ˆβ β Tendo em conta as propriedades da variância, a independência dos Y i s e o facto acima referido de V[Y i σ, i, tem-se: [ V[ˆβ V c i Y i V[c i Y i c i V[Y i σ c i i i i σ i Mas c i i xi x (n )s x [(n )s x i (x i x) (n )s i x (n )s x Logo, V[ˆβ σ, completando assim a demonstração Este resultado tem a seguinte (n )s x interpretação intuitiva: caso fossem seleccionadas todas as possíveis amostras aleatórias 4
5 de dimensão n (com os n valores x i fixados pelo experimentador), e para cada uma fosse calculada a correspondente estimativa b do declive da recta, o diagrama ( de frequências ) dos σ valores do declive resultantes seria dado pela curva Gaussiana N β, (n )s Assinale-se x ainda que o estimador ˆβ é um estimador centrado (não enviesado) e que a sua variância diminui com o aumento da dimensão da amostra (n) e da variância amostral dos x i (s x ) NOTA: Esta demonstração foi feita nas aulas teóricas, e está afixada na página web da disciplina, na secção dos materiais de apoio relativos às aulas teóricas Num contexto apenas descritivo, demonstremos dois importantes resultados correspondentes ao coeficiente de determinação duma regressão linear simples (a) Por definição, R SQR SQT Tendo em conta que SQT (n )s y e que (Exercício 5d)) SQRb (n )s x, tem-se R b s x Mas, por definição, b s covxy y s Substituindo, vem x R cov xy covxy (rxy s x s y s xs y ) (b) Os valores ajustados ŷ i são dados por uma mesma transformação linear (afim) dos valores do preditor: ŷ i b 0 +b x i São conhecidas as propriedades destas transformações sobre a covariância e a variância Assim, ryŷ covyŷ cov y,b 0 +b x s y sŷ s ys b 0 +b x (b cov y,x ) s yb s x b cov xy b s xs y r xy R Assim, o coeficiente de determinação duma regressão linear simples é também o quadrado do coeficiente de correlação linear entre os valores observados e os valores ajustados de y Esta propriedade estende-se às regressões lineares múltiplas, embora seja necessário adaptar a justificação 5
É dada uma tabela de contingências, sendo os factores de classificação as proveniências (a=3 níveis) e os terrenos (b=3 níveis).
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 3 de ovembro, 017 PRIMEIRO TESTE 017-18 Uma resolução possível I É dada uma tabela de contingências, sendo os factores de classificação as proveniências
Leia mais= < 5. O segundo menor valor esperado estimado corresponde à célula (3,3), com Ê33 = 29 30
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 2 de ovembro, 205 PRIMEIRO TESTE 205-6 Uma resolução possível I Tem-se uma tabela de contingências de dimensão 3 4. Apenas o número total de observações
Leia maisb χ 2 (a 1)(b 1), sob H 0,
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 3 de ovembro, 014 PRIMEIRO TESTE 014-15 Uma resolução possível I Tem-se uma tabela de contingências de dimensão 4. 1. O problema colocado corresponde
Leia mais= = Assim, o valor estimado de p será ˆp= x m =
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 19 de Janeiro, 2016 SEGUNDO EXAME 2015-16 Uma resolução possível I As distribuições Binomiais surgem associadas a variáveis aleatórias X que contam
Leia maisQMRE = n (p+1) R 2. 1 R 2 (p,n (p+1)), sob H 0.
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 4 de Janeiro, 205 SEGUNDO TESTE 204-5 Uma resolução possível I. O valor R 2 =0.528 significa que esta regressão linear múltipla explica quase
Leia maisb χ 2 (a 1)(b 1), sob H 0,
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 4 de Janeiro, 205 a CHAMADA de EXAME 204-5 Uma resolução possível I É apresentada uma tabela de contingência (tabela de contagens de dupla entrada),
Leia maisβ 1 x β j 1 x j 1 + β j (x j +k) β j 1 x j 1 +
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 5 de Janeiro, 2016 SEGUNDO TESTE 2015-16 Uma resolução possível I 1. Em qualquer modelo linear, os graus de liberdade residuais são dados pela
Leia maisINSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 23 de Janeiro, 2017 SEGUNDO EXAME Uma resolução possível
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 23 de Janeiro, 2017 SEGUNDO EXAME 2016-17 Uma resolução possível I Os dados correspondem a uma tabela de contingências, em que as contagens de
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisINSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 28 de Janeiro, a CHAMADA de EXAME Uma resolução possível
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 28 de Janeiro, 2015 2 a CHAMADA de EXAME 2014-15 Uma resolução possível I 1. O número médio de colónias por quadrado é dado por uma média ponderada
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia mais1 R 2 (p,n (p+1)), sob H 0.
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 11 de Janeiro, 2018 SEGUNDO TESTE 2017-18 Uma resolução possível I 1 Estuda-se a regressão linear múltipla de log(ppb) sobre p=10 preditores,
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisExercícios - Estatística e Delineamento /16
Exercícios - Estatística e Delineamento - 2015/16 2 Regressão Linear Simples 1. Com base nos dados do Instituto Nacional de Estatística (INE), foi criado um ficheiro em formato CSV (Comma separated values)
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisRegressão Linear Simples
Regressão Linear Simples Capítulo 16, Estatística Básica (Bussab&Morettin, 8a Edição) 10a AULA 18/05/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 10a aula (18/05/2015) MAE229 1 / 38 Introdução
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisCapítulo 2. Modelo Linear. J. Cadima (ISA - ULisboa) Estatística e Delineamento / 461
Capítulo 2 Modelo Linear J. Cadima (ISA - ULisboa) Estatística e Delineamento 2017-18 82 / 461 Modelação Estatística Objectivo (informal): Descrever a relação de fundo entre uma variável resposta (ou dependente)
Leia maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisAssociação entre duas variáveis
Associação entre duas variáveis Questões de interesse: Será que duas variáveis são independentes ou pelo contrário dependentes? E se forem dependentes, qual o tipo e grau de dependência? Existem diversas
Leia maisCapítulo 2. Modelo Linear. J. Cadima (ISA) Estatística e Delineamento / 476
Capítulo 2 Modelo Linear J. Cadima (ISA) Estatística e Delineamento 2016-17 81 / 476 Modelação Estatística Objectivo (informal): Descrever a relação de fundo entre uma variável resposta (ou dependente)
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisCaros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Leia maisSLIDES DE APOIO. (aulas teóricas) J. Cadima (ISA - ULisboa) Estatística e Delineamento / 461
SLIDES DE APOIO (aulas teóricas) J. Cadima (ISA - ULisboa) Estatística e Delineamento 2017-18 17 / 461 Estatística Descritiva É útil dividir a metodologia estatística em duas grandes classes: descritiva
Leia maisCapítulo 2. Modelo Linear. J. Cadima (ISA) Estatística e Delineamento / 476
Capítulo 2 Modelo Linear J. Cadima (ISA) Estatística e Delineamento 2014-15 75 / 476 Modelação Estatística Objectivo (informal): Descrever a relação de fundo entre uma variável resposta (ou dependente)
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisExercícios - Estatística e Delineamento
Exercícios - Estatística e Delineamento - 2018-19 2 Regressão Linear Simples 1. Com base nos dados do Instituto Nacional de Estatística (INE), foi criado um ficheiro em formato CSV (Comma separated values)
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisBreve revisão sobre Testes de Hipóteses
Breve revisão sobre Testes de Hipóteses Na UC Estatística, dos primeiros ciclos do ISA, estudam-se técnicas de Inferência Estatística. Em particular, estudam-se Testes de Hipóteses para indicadores quantitativos
Leia maisEstatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br
Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisMIEEC Probabilidades e Estatística 1 a Chamada 10/01/2008. Parte Prática
MIEEC Probabilidades e Estatística 1 a Chamada 1/1/8 Parte Prática Resolução 1. Definição dos acontecimentos: T 1 Cliente do operador Ptel 1 T Cliente do operador Ptel T 3 Cliente do operador Ptel 3 S
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Testes de Hipóteses Paramétricos 1 / 41 Introdução. Hipóteses Estatísticas. Erro Tipo I
Leia maisEstatística Descritiva SLIDES DE APOIO. A Inferência Estatística (cont.) Inferência Estatística POPULACAO. AMOSTRA (conhecida)
Estatística Descritiva É útil dividir a metodologia estatística em duas grandes classes: descritiva e inferencial. SLIDES DE APOIO (aulas teóricas) Estatística Descritiva: Métodos visando organizar, apresentar
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisExame final Estatística. 26 de Junho de 2003 Maria Helena Almeida
Exame final Estatística 6 de Junho de 00 Maria elena Almeida Duração h e 0 José António Pinheiro Note bem: Grupos diferentes em folhas diferentes; Não se esqueça de identificar TODAS as folhas; Para manter
Leia maisProva # SUB 15 junho de 2015
MAE 229 -Introdução à Probabilidade e Estatística II Prof. Fábio Machado e Prof. Lígia Henriques-Rodrigues Prova # SUB 15 junho de 2015 Questão 1 2 3 4 Total Valor Nome: Nro. USP: Observações: Não destaque
Leia maisSLIDES DE APOIO. (aulas teóricas) J. Cadima (ISA) Estatística e Delineamento / 475
SLIDES DE APOIO (aulas teóricas) J. Cadima (ISA) Estatística e Delineamento 2014-15 14 / 475 Estatística Descritiva É útil dividir a metodologia estatística em duas grandes classes: descritiva e inferencial.
Leia maisConceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa
2011 O 1. Formular duas hipóteses sobre um valor que é desconhecido na população. 2. Fixar um nível de significância 3. Escolher a Estatística do Teste 4. Calcular o p-valor 5. Tomar a decisão mediante
Leia maisTestes de Hipóteses: Média e proporção
Testes de Hipóteses: Média e proporção Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 12 de setembro de 2018 Londrina 1 / 27 Viu-se a construção de intervalos de confiança
Leia maisTESTES DE HIPÓTESES. Lucas Santana da Cunha Universidade Estadual de Londrina
TESTES DE HIPÓTESES Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 26 de setembro de 2016 Introdução Viu-se a construção de intervalos
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisa) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20%
0. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisTeste de hipóteses Página 1 de 8. Teste de hipóteses
Teste de hipóteses Página 1 de 8 Teste de hipóteses O teste de hipóteses serve para verificar se uma dada amostra é ou não compatível com a população de onde foi tirada a amostra. Um teste de hipóteses
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 8 Análise de Regressão Múltipla: o Problema da Inferência Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus,
Leia maisMÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência
MÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência Introdução 1 Muito frequentemente fazemos perguntas do tipo se alguma coisa tem relação com outra. Estatisticamente
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEGM, LEIC-A, LEIC-T, LEMat, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ o semestre 011/01 Exame de Época
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisDepartamento de Matemática - IST(TP)
Departamento de Matemática - IST(TP) Secção de Estatística e Aplicações Probabilidades e Estatística LEIC+LERC+LEE 2 o Exame/2 o Teste 2 o Semestre/2 a Época 2007/08 Duração: 3 horas/1 hora e 30 minutos
Leia maisInferência estatística
Inferência estatística Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Inferência estatística Obtenção de conclusões sobre propriedades da população a partir das propriedades de uma amostra aleatória
Leia maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisProva # 2 8 junho de 2015
MAE 229 -Introdução à Probabilidade e Estatística II Prof. Fábio Machado e Prof. Lígia Henriques-Rodrigues Prova # 2 8 junho de 2015 Questão 1 2 3 4 Total Valor Nome: Nro. USP: Observações: Não destaque
Leia maisCorrelação e Regressão
Correlação e Regressão Exemplos: Correlação linear Estudar a relação entre duas variáveis quantitativas Ou seja, a força da relação entre elas, ou grau de associação linear. Idade e altura das crianças
Leia maisPrimeira Parte. 0, caso contrário.
ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA TÓPICOS DE RESOLUÇÃO - Exame de Época Normal 009/00 Primeira Parte [,0]. Considere a varável aleatória X
Leia maisEstatística e Delineamento
Estatística e Delineamento Jorge Cadima Secção de Matemática (DCEB) Instituto Superior de Agronomia (ULisboa) 2018-19 J. Cadima (ISA - ULisboa) Estatística e Delineamento 2018-19 1 / 459 1 Professores:
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisEstatística Descritiva SLIDES DE APOIO. A Inferência Estatística (cont.) Inferência Estatística POPULACAO. AMOSTRA (conhecida)
Estatística Descritiva É útil dividir a metodologia estatística em duas grandes classes: descritiva e inferencial. SLIDES DE APOIO (aulas teóricas) Estatística Descritiva: Métodos visando organizar, apresentar
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
Leia maisTÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Diurno) 2009/2010. Primeira Parte. F (b) F (a) =P (a <X<b) P (a <X<b)=
TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Diurno) 009/010 [,0] 1. Considere as seguintes afirmações: Primeira Parte I. Sendo F a função de distribuição da variável aleatória (v.a.) discreta X,
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisAnálise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
Leia maisEstatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME:
DEPARTAMENTO DE MATEMÁTICA DA UNIVERSIDADE DE COIMBRA Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME: Observação: A resolução completa das perguntas inclui a justificação
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisCasos. Índice. Parte I. Caso 1 Vendas da empresa Platox. Caso 2 Importação de matéria-prima. Caso 3 Carteira de acções. Caso 4 Lançamento de produto
Índice PREFÁCIO 15 NOTA INTRODUTÓRIA 17 CONVENÇÕES UTILIZADAS 19 Parte I Casos Caso 1 Vendas da empresa Platox 1. Enquadramento e objectivos 25 2. Aspectos metodológicos 26 3. Resultados e comentários
Leia maisII.2. Regressão Linear Múltipla
II.2. Regressão Linear Múltipla Por vezes, é necessário mais do que uma variável preditora para modelar a variável resposta de interesse. Exemplo: Num estudo sobre uma população experimental de clones
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia mais