UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
|
|
- Tiago Gorjão
- 4 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro de 2018
2 Sumário 2
3 1 Resumo O objetivo desse estudo foi desenvolver modelos para estimar o número de óbitos por agressão no estado de São Paulo. Os dados foram obtidos na página oficial do DATASUS e no IpeaGeo, totalizando 17 variáveis demográficas e socioeconômicas de 369 municípios do estado de São Paulo. Para acomodar a superdispersão dos dados, ajustou-se os modelos Binomial Negativo e Quase Poisson considerando a variável resposta número de óbitos por agressões, mas com diferentes covariáveis selecionadas para cada modelo. O modelo Binomial negativo apresentou resultados superiores nos ajustes e no diagnóstico dos resíduos. As incertezas referentes a estimação do modelo Binomial Negativa foi quantificada pelo bootstrap não paramétrico, o qual confirmou o desempenho satisfatório do modelo devido ao pequeno viés bootstrap e ao intervalos de confiança bootstrap contendo os parâmetros estimados inicialmente. 2 Introdução O estado de São Paulo é uma das principais unidades federativas componentes do Brasil, em especial no que diz respeito a sua contribuição na renda do país e no número de habitantes. No entanto, mesmo com a sua elevada importância, São Paulo também é um estado que possui significantes índices de violência, desigualdade e mortes em relação ao número total de habitantes. A quantificação do número de pessoas afetadas pela violência é fundamental para gerar subsídios aos órgãos competentes que possuem finalidade de reduzir impactos negativos da violência. Entre os diversos impactos ocasionados pela violência está a morte das pessoas, resultando em um problema social bastante significativo. Esse fato faz com que o desenvolvimento de modelos estatísticos sejam fundamentais para uma correta análise do número de pessoas mortas provenientes da violência, o qual é um problema bastante complexo devido ao elevado número de fatores que podem influenciar a maior ou menor quantidade de óbitos em uma cidade. Devido a importância de se modelar o número de pessoas falecidas e identificar possíveis fatores associados, o presente estudo teve como objetivo desenvolver modelos lineares generalizados para estimar o número de óbitos no estado de São Paulo, Brasil, no ano de Material e Métodos 3.1 Base de Dados A base de dados utilizada nesse estudo foi obtida na página oficial do Departamento de Informática do Sistema Único de Saúde (DATASUS) e no software estatístico IpeaGeo, desenvolvido pelo Instituto de Pesquisa Econômica Aplicada (IPEA). O banco de dados foi composto por 17 variáveis demográficas e socioeconômicas de 369 municípios do estado de São Paulo, correspondentes ao ano de A variável resposta foi o número de óbitos causado por agressões no município. A descrição de cada uma das variáveis é dada na sequência: Obito: variável discreta - corresponde ao número de pessoas mortas por agressões no município; EspNascer: variável contínua - corresponde a esperança de vida ao nascer no município; 3
4 MortInf : variável contínua - corresponde a mortalidade infantil média no município; RazDepen: variável contínua - corresponde a razão de dependência calculada entre a população potencialmente inativa (0 a 14 anos e 65 anos ou mais de idade) e a população potencialmente ativa(15 a 64 anos de idade) no município; ProbSobre: variável contínua - corresponde a probabilidade de sobrevivência até 40 anos no município, na escala de porcentagem; TxEnve: variável contínua - corresponde a taxa de envelhecimento no município; ExpEstudo: variável contínua - corresponde a espectativa de anos de estudo no município; IndEscola: variável contínua - corresponde ao subíndice de escolaridade no município, pode variar de 0 a 1; IndFreqEsc: variável contínua - corresponde ao subíndice de frequência escolar no município, pode variar de 0 a 1; Educacao: variável contínua - corresponde ao índice de educação no município, pode variar de 0 a 1; Longevi: variável contínua - corresponde ao índice de longevidade no município, pode variar de 0 a 1; Renda: variável contínua - corresponde ao índice de renda no município, pode variar de 0 a 1; IncPobreza: variável contínua - corresponde a incidência de pobreza no município; IncPobrezaSub: variável contínua - corresponde a incidência de pobreza subjetiva no município; IndGini: variável contínua - corresponde ao índice de Gini no município, sendo uma medida de desigualdade, pode variar de 0 a 1; Populacao: variável discreta - corresponde a população estimada do município; AreaEst: variável contínua - corresponde a da área do município em km Modelo Linear Generalizado A variável resposta considerada foi número de óbitos (obitos) por município, a qual assume valores no conjunto dos inteiros maiores que zero. Portanto, devido a natureza da variável resposta, a classe de Modelos Lineares Generalizados foi utilizada nesse estudo. Para o componente aleatório do modelo considerou-se a distribuição Binomial Negativa, uma vez que a tradicional distribuição de Poisson não foi suficiente para acomodar a superdispersão dos dados. O componente sistemático foi formulado pela combinação linear das variáveis preditoras, além de uma função de ligação logarítmica. A definição do modelo é dado como y i /x i BN(µ i, φ) log(µ i ) = η i = β 0 + β 1 x i β p x ip em que y i é o valor observado da variável resposta; x i1,..., x ip são realizações das respectivas variáveis explicativas X 1,..., X p ; µ i é a taxa de ocorrência da variável resposta; φ é o parâmetro de dispersão; log é o logarítmo na base 10; β 0, β 1,..., β p são parâmetros a serem estimados; e η i é o preditor linear. Como uma alternativa ao modelo apresentado, também foi utilizado no presente estudo um modelo com forma mais geral para a variância da distribuição usando a abordagem de quase verossimilhança, em que a superdispersão dos dados pode ser acomodada pelo parâmetro de 4
5 dispersão φ multiplicando a variância da média V [µ i ], denominado de Quase Poisson. A definição do modelo é dado como y i /x i P (µ i, φv [µ i ]) log(µ i ) = η i = β 0 + β 1 x i β p x ip 3.3 Seleção de Covariáveis A seleção de covariáveis para compor o preditor linear do modelo Binomial Negativa foi realizada pelo procedimento Stepwise, considerando o critério de informação Bayesiano (BIC) como método de seleção. Esse algorítmo é baseado em sucessivas inclusão ou exclusão de variáveis no modelo até obter o menor BIC. Para o modelo Quase Poisson, as covariáveis foram selecionadas pelo método Backward, o qual parte de um modelo com todas as covariáveis e remove-se sequencialmente uma covariável a cada iteração até que todas as restantes sejam significativas. 3.4 Diagnóstico do Modelo e Análise de Incerteza O diagnóstico da qualidade do ajuste dos modelos foi baseado no gráfico Half-Normal Plot com envelopes simulados, construído usando a função hnp do pacote hnp, e gráfico de resíduos quantílicos aleatorizados. Por fim, as incertezas referentes a estimação dos parâmetros do modelo de melhor desempenho foram quantificadas por meio do procedimento não paramétrico bootstrap de reamostragem de dados. Foram simuladas 1000 amostras bootstrap e para cada amostra foi obtida a estimativa pontual e o intervalo de confiança do parâmetro com 95% de confiança. As estimativas bootstrap foram comparadas com aquelas obtidas no procedimento descrito previamente, baseado em estimativas assintóticas. Toda a análise foi conduzida no software estatístico R. 4 Resultados e Discussão 4.1 Análise Exploratória dos Dados A Tabela 1 apresenta a estatística descritiva das variáveis utilizadas no presente estudo. Nota-se que apenas as variáveis números de óbtidos (Obitos), tamanho da população (Populacao) do estado e a área (AreaEst) do estado apresentaram elevados valores de variabilidade, expressos pelo desvio padrão e coeficiente de variação dos dados. Essas estatísticas foram inflacionadas diretamente pela cidade de São Paulo, a qual corresponde a uma cidade de grandes dimensões, com elevado número de habitantes e, consequentemente, maior número de óbtidos quando comparado com os demais municípios do estado. Esses resultados são corroborados com o fato de que 120 municípios contabilizaram apenas um único óbito por agressão, enquanto São Paulo apresentou 1039 óbitos no período considerado. 5
6 Tabela 1: Estatística descritiva das variáveis, em que SD é o desvio padrão e CV é o coeficiente de variação Variáveis Minímo Média Mediana Máximo SD CV Obitos EspNascer MortInf RazDepen ProbSobre TxEnve ExpEstudo IndEscola IndFreqEsc Educacao Longevi Renda IncPobreza IncPobrezaSub IndGini Populacao AreaEst Para melhor visualização do padrão de correlação entre as variáveis construiu-se o correlograma apresentado na Figura 1. O método de aglomeração centróide foi utilizado para agrupar as variáveis em função da relação entre elas. Há três grupos bem definidos de variáveis que apresentaram maiores correlações, sendo dois grupos com relação positiva e um grupo com relação negativa. Nota-se que a variável Obito apresentou forte relação com o número total de indivíduos no município (Populacao) (0,99), seguido pelas variáveis de índice de renda no município (Renda) (0,25), subíndice de escolaridade no município (IndEscola) (0,24), índice de educação no município (Educacao) (0,16) e incidência de pobreza subjetiva no município (IncPobrezaSub) (-0,16), mas correlação bastante baixa com as demais variáveis. Além disso, nota-se que algumas variáveis apresentaram correlação bastante forte, o que pode resultar em inflação dos erros padrões estimados do modelo de regressão. 6
7 Figura 1: Correlograma das variáveis. 4.2 Ajuste dos Modelos Os modelos testados na presente pesquisa foram ajustados considerando um termo offset dado pelo logarítmo da interação entre a população estimada (Populacao) e a área estimada do município (AreaEst). O método de seleção de variáveis baseado no Stepwise resultou na inclusão de sete covariáveis significativas ao nível de 5% de significância no modelo Binomial Negativa. As covariáveis IndEscola, IndFreqEsc e IncPobreza apresentaram relação positiva com a variável resposta número de óbitos por agressões (Obitos). Por outro lado, as covariáveis Educacao, Renda, IncPobrezaSub e IndGini apresentaram relação negativa. É interessante notar que fixando todas as covariáveis e aumentando uma unidade na Educacao, espera-se que o número de óbitos por agressão no município decresça em exp( 126, ). Esse resultado tem especial importância porque corrobora a ideia de que se aumentar os investimentos na área de educação e, consequentemente, a qualidade de ensino, espera-se que a violência diminua. Outra relação 7
8 interessante está associada a variável Renda, pois também espera-se um decréscimo no número de óbitos por agressão em função do aumento da renda dos municípios. Quanto ao modelo Quase Poisson, apenas as variáveis IndFreqEsc, Educacao, Renda e IndGini foram significativas ao nível de 5% de significância usando o método de seleção Backward. Nota-se que apenas a variável Educacao apresentou relação positiva com o número de óbitos por agressões. O intercepto foi excluído de ambos os modelos ajustados, uma vez que foi não significativo. O parâmetro de dispersão estimado foi 1,91 para o modelo Binomial Negativa, com valor de deviance residual de 367,24, bastante próximo aos 362 graus de liberdade do modelo, indicando um ajuste satisfatório. Por outro lado, o modelo Quase Poisson resultou em parâmetro de dispersão de 21,37, enquanto a deviance residual foi 2739,00. Tabela 2: Parâmetros estimados, erro padrão e p-valor para cada modelo ajustado Parâmetro Estimativa Erro Padrão P-valor Estimativa Erro Padrão P-valor Modelo Binomial Negativa Modelo Quase Poisson IndEscola 57, ,3400 <0, IndFreqEsc 73, ,5000 <0, ,5180 <0,05 Educacao -126, ,3800 <0, ,4860 <0,05 Renda -12,6555 1,5990 <0, ,9860 <0,05 IncPobreza 0,0408 0,0070 <0, IncPobrezaSub -0,0731 0,0128 <0, IndGini -13,9258 2,1210 <0, ,7080 <0,05 Os modelos apresentaram desempenho similar no diagóstico de ajuste (Figura 2). Nota-se que no gráfico Half-Normal Plot alguns pontos excederam o envelope simulado, indicando um ligeiro desajuste dos modelos. Quanto ao comportamento dos resíduos quantílicos aleatorizados, há um padrão de normalidade dos erros para o modelo Binomial Negativa, mas com algumas observações mais discrepantes nas caudas, enquanto para o modelo de Quase Poisson a fuga de normalidade foi mais acentuada. Por fim, o gráfico da distância de Cook, não apresentado no trabalho, indicou uma observação influente no ajuste de ambos os modelos, correspondendo ao município de São Paulo. No entanto, essa observação não foi retirada do ajuste dos modelos, uma vez que não trata-se de uma observação com erros de medição. Além disso, gráficos de resíduos parciais foram construídos para verificar a adequação das covariáveis, os quais não foram apresentados no trabalho, mas em ambos os modelos notou-se que os efeitos principais das covariáveis foi suficiente para expressar a relação, indicando que as mesmas apresentavam-se bem acomodadas nos modelos. O modelo de melhor desempenho no presente estudo foi Binomial Negativa, pois resultou em estatísticas de ajuste bastante satisfatórias e com medidas de diagnóstico superior. A formulação final do modelo na escala do preditor linear (1) e da variável resposta (2) é dada na sequência: log(µ i ) = ˆβ 1 IndEscola i + ˆβ 2 IndF reqesc i + ˆβ 3 Educacao i + ˆβ 4 Renda i + ˆβ 5 IncP obreza i + ˆβ 6 IncP obrezasub i + ˆβ 7 IndGini i + offset(log(p opulacao AreaEst)) (1) µ i = exp( ˆβ 1 IndEscola i + ˆβ 2 IndF reqesc i + ˆβ 3 Educacao i + ˆβ 4 Renda i + ˆβ 5 IncP obreza i + ˆβ 6 IncP obrezasub i + ˆβ 7 IndGini i + offset(log(p opulacao AreaEst))) (2) 8
9 Figura 2: Gráficos para diagnóstico dos modelos ajustados. A Figura 3 apresenta a análise de incerteza por meio do bootstrap não paramétrico para o modelo de melhor desempenho. É possível perceber que o intervalo de confiança bootstrap contém o valor pontual estimado inicialmente para cada parâmetro do modelo Binomial Negativa. O viés boostrap calculado para cada parâmetro foi bastante baixo e próximo de zero, enquanto o erro padrão dos parâmetros estimados por ambos os métodos foram bastante similares. Por fim, é possível notar também que a função de densidade de probabilidade Normal estimada e a função de densidade de Kernel estimada apresentaram curvas com formato similar e muito próximas de um comportamente gaussiano. 9
10 Figura 3: Gráficos de incertezas na estimação dos parâmetros do modelo Binomial Negativa pelo método bootstrap não paramétrico. 5 Conclusão No presente trabalho desenvolveu-se dois modelos lineares generalizados para estimar o número de óbitos por agressões no estado de São Paulo no ano de Os modelos desenvolvidos apresentaram estatística de ajuste e medidas de diagnóstico satisfatórias, mas recomenda-se o modelo Binomial Negativa devido ao desempenho superior. Melhores resultados podem ser obtidos em futuros estudos se considerar a inclusão de termos com interação e covariáveis que tenham relações mais expressivas com o número de óbitos por agressões. A inclusão de covariáveis que apresentam forte correlação entre si tornam interessante o uso da análise de componentes principais em futuros estudos. Futuros tópicos a serem explorados estão relacionados com a inclussão de informações temporais da dinâmica das variáveis, caracterizando um estudo longitudinal, uma vez que permite desenvolver o perfil dos municípios ao longo do tempo quanto ao comportamento do número de óbitos por agressões. Além disso, considerar uma possível dependência espacial entre os municípios também é importante para adequada avaliação do número de óbitos no estado de São Paulo. 10
Óbitos por Acidentes de Transporte em Santa Catarina no ano de 2016
Óbitos por Acidentes de Transporte em Santa Catarina no ano de 2016 Modelos Lineares Generalizados Lais Hoffmam Simone Matsubara Willian Meira Yasmin Fernandes Curitiba 2018 Sumário 1. Resumo... 3 2. Introdução...
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR -20149072 DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DA QUANTIDADE DE MATRÍCULAS NO ENSINO REGULAR NO ESTADO DO
Leia maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA
06 UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CAROLINE MARTINS SELIS GRR: 20137507 MILTON ABRAAO FERREIRA GRR: 20137581 NATHALIE DO AMARAL PORTO MARTINS GRR: 20137583 RELATÓRIO DE ANÁLISE
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisAdriane Machado Cinthia Zamin Cavassola Luiza Hoffelder da Costa REGRESSÃO EM DADOS DE CONTAGEM: UM ESTUDO SOBRE A QUANTIDADE DE BICICLETAS ALUGADAS
Adriane Machado Cinthia Zamin Cavassola Luiza Hoffelder da Costa REGRESSÃO EM DADOS DE CONTAGEM: UM ESTUDO SOBRE A QUANTIDADE DE BICICLETAS ALUGADAS Relatório técnico apresentado como atividade avaliativa
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA. Jayme Gomes dos Santos Junior Luciana Helena Kowalski
UNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA Jayme Gomes dos Santos Junior Luciana Helena Kowalski MODELAGEM DA EXPECTATIVA DE VIDA NOS MUNICÍPIOS DO PARANÁ A PARTIR DE COVARIÁVEIS DO CENSO 2010
Leia maisESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística ESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES CE225 - Modelos Lineares Generalizados
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA BRUNO GERONYMO - GRR20159232 HERMANN MOGIZ DELGADO - GRR20159211 MARIA HELENA OLIVEIRA - GRR20159213 VINICIUS CESAR PEDROSO
Leia maisRegressão para Dados de Contagem - Segurança e privatização ferroviária na Grã-Bretanha
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados de Contagem - Segurança e privatização ferroviária na Grã-Bretanha CE22 - Modelos Lineares Generalizados Francielle Przibiciem
Leia maisTrabalho de Modelos Lineares Generalizados
Universidade Federal do Paraná Trabalho de Modelos Lineares Generalizados Ananda Bordignon 1, Brendha Lima 2, Giovanna Lazzarin 3 12 de Novembro de 2018 1 GRR20149157 2 GRR20149163 3 GRR20149088 1 SUMÁRIO
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Leia maisAnalise de sobreviventes em acidentes de carros
Analise de sobreviventes em acidentes de carros Modelos Lineares Generalizados Lais Hoffmam GRR20159455 Simone Matsubara GRR20124663 Willian Meira GRR20159077 Yasmin Fernandes ISO20180365 Curitiba 2018
Leia maisINCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística INCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO CE225 - Modelos Lineares Generalizados Eduardo
Leia maisRegressão Logística: Um Estudo sobre o Uso de Tabaco entre Alunos da Universidade Federal do Paraná Curitiba
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Regressão Logística: Um Estudo sobre o Uso de Tabaco entre Alunos da Universidade Federal do Paraná Curitiba CE225 - Modelos Lineares Generalizados
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia mais4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
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 maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisEFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA
Universidade Federal do Paraná Departamento de Estatística EFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA CE225 - Modelos Lineares Generalizados Jhenifer Caetano Veloso - GRR20137558 Rogério
Leia maisAnálise de dados de Contagem
Análise de dados de Contagem Alexandre Morales Diaz Eduardo Pereira Lima Pedro Henrique Moraes Trabalho de Modelos Lineares Generalizados (CE-225), Universidade Federal do Paraná, submetido ao professor
Leia maisQuantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisAplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisModelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisRelatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão generalizado com resposta Binomial
UNIVERSIDADE FEDERAL DO PARANÁ Rafael Morciani Alves da Silva Maike Willian Martins dos Santos Mateus Gemelli Ramos Relatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão
Leia maisExemplo Falhas em Tecidos
Exemplo Falhas em Tecidos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Falhas em Tecidos 2 o Semestre 2016 1 / 27 Rolos de Tecido
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisEXPLORANDO OS MODELOS LINEARES GENERALIZADOS APLICAÇÃO A DADOS DE UM PEQUENO SUPERMERCADO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística EXPLORANDO OS MODELOS LINEARES GENERALIZADOS APLICAÇÃO A DADOS DE UM PEQUENO SUPERMERCADO CE225 - Modelos Lineares Generalizados
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia mais1 z 1 1 z 2. Z =. 1 z n
Gabarito Lista 3. Tópicos de Regressão. 2016-2. 1. Temos que y i ind N (µ, φi ), com log φ i = α + γz i, para i = 1,..., n, portanto (i) para o γ = (α, γ) a matriz modelo ca Z = 1 z 1 1 z 2.. 1 z n (ii)
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 maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisAplicação do modelo de Quase-Verossimilhança
Aplicação do modelo de Quase-Verossimilhança Fábio Hideto Oki 1 1 Introdução O câncer é uma doença de proporção mundial, atingindo só no Brasil cerca de 350 mil pessoas por ano e é caracterizado pela mutação
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 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 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 mais4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
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 maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisModelos lineares generalizados: um estudo sobre leilões de veículos
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos lineares generalizados: um estudo sobre leilões de veículos CE5 - Modelos Lineares Generalizados Aline Benatti, GRR: 454 Andryas Waurzenczak,
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisAnálise de dados de contagem para jogadores de futebol americano
Análise de dados de contagem para jogadores de futebol americano Alexandre Morales Diaz Eduardo Pereira Lima Pedro Guilherme Guimaraes Vinicius Larangeiras Trabalho de Modelos Lineares Generalizados (CE-225),
Leia maisRenda x Vulnerabilidade Ambiental
Renda x Vulnerabilidade Ambiental ANEXO D ANÁLISE EXPLORATÓRIA E PREPARAÇÃO DOS DADOS Identificamos tendência linear positiva. A correlação entre as variáveis é significativa, apresentando 99% de confiança.
Leia maisExemplo Ausências Escolares
Exemplo Ausências Escolares Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ausências Escolares 2 o Semestre 2015 1 / 24 Ausências
Leia maisMÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisINFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE
INFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE A análise de deviance é uma generalização, para modelos lineares generalizados, da análise de variância. No caso de modelos lineares, utiliza-se
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adi M. A. Junior Leonardo H. B. Krüger Kristiany J. Martini Konstanz T. Winter
UNIVERSIDADE FEDERAL DO PARANÁ Adi M. A. Junior Leonardo H. B. Krüger Kristiany J. Martini Konstanz T. Winter ESTUDO DO NÚMERO DE PONTOS EFETUADOS EM UMA TEMPORADA DE BASQUETEBOL CURITIBA 27 de novembro
Leia mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia mais5 Resultados e conclusões
5 Resultados e conclusões As conclusões alcançadas neste trabalho serão analisadas separadamente a fim de proporcionar maior clareza e entendimento facilitando identificar o cumprimento dos objetivos propostos
Leia maisFundação Oswaldo Cruz
Fundação Oswaldo Cruz Instituto de Comunicação e Informação Científica e Tecnológica em Saúde Escola Nacional de Saúde Pública Sergio Arouca Carla Lourenço Tavares de Andrade (ENSP) Célia Landmann Szwarcwald
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Modelagem paramétrica Valeska Andreozzi 1 valeska.andreozzi@fc.ul.pt & Marilia Sá Carvalho 2 cavalho@fiocruz.br 1 Centro de Estatística e Aplicações da Universidade de Lisboa,
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ) Cinthia Zamin Cavassola (GRR ) Luiza Hoffelder da Costa (GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152) Cinthia Zamin Cavassola (GRR20149075) Luiza Hoffelder da Costa (GRR20149107) INFLUÊNCIA DE CARACTERÍSTICAS RELACIONADAS À ESCOLA, DEMOGRÁFICAS
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisAnálise de correlação e regressão da mortalidade por acidentes de transporte e homicídios da cidade do Rio de Janeiro, 1990 a 2002
Análise de correlação e regressão da mortalidade por acidentes de transporte e homicídios da cidade do Rio de Janeiro, 1990 a 2002 V. R. Souza 12, R. V. C. Oliveira 3 L. H. Oliveira 4 Introdução Para entendermos
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 maisRELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística RELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE CE225 - Modelos
Leia maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisEstimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson Wagner Hugo Bonat - LEG/DEST, UFPR 1 Resumo: Este texto descreve de forma rápida o processo de estimação baseado em Verossimilhança
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisVERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS
VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS Conforme foi apresentado anteriormente, o modelo de análise de variância assume que as observações são independentes e normalmente
Leia maisVERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1
PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO
Leia maisModelo Linear Generalizado Distribuição de Poisson
Valeska Andreozzi 1 Modelo Linear Generalizado Distribuição de Poisson Problema 1 O objetivo desta aula é exemplificar a modelagem de dados de contagem. Vamos ilustrar como os modelos lineares generalizados
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisExemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisTrabalho de GLM 2. Adi M. ARAÚJO, Kristiany J. MARTINI, Konstanz W. TONEGAWA, Leonardo H. KRÜGER. 17 de outubro de 2017
Trabalho de GLM 2 Adi M. ARAÚJO, Kristiany J. MARTINI, Konstanz W. TONEGAWA, Leonardo H. KRÜGER 17 de outubro de 2017 1 - Resumo Para o trabalho, foi extraída do site kaggle.com uma base com uma amostra
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisTESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS
TESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS Antes de apresentar alguns dos testes de hipóteses e intervalos de confiança mais usuais em MLG, segue a definição de modelos
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisDistribuição de Probabilidade de Poisson
1 Distribuição de Probabilidade de Poisson Ernesto F. L. Amaral Magna M. Inácio 07 de outubro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4)
Leia maisESTATÍSTICA ECONÔMICA A 6EMA
6EMA020-2000 Lucas Santana da Cunha email: lscunha@uel.br Universidade Estadual de Londrina 13 de abril de 2016 CRONOGRAMA 1 o BIMESTRE: MÓDULO I - Estatística Descritiva Noções Básicas em estatística:
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisExemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Métodos Estatísticos Avançados em Epidemiologia Modelo de Poisson e Análise de Dados Longitudinais Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/
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 maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisPROVA ESPECÍFICA Cargo 23
27 PROVA ESPECÍFICA Cargo 23 QUESTÃO 41 Sobre métodos de amostragem, NÃO é correto afirmar: a) Na amostragem aleatória simples, todas as unidades experimentais têm a mesma chance de serem selecionadas.
Leia maisAlexandre Morales Diaz Eduardo Pereira Lima Vinicius Larangeiras
Análise de Desempenho de Jogadores de Basquete Alexandre Morales Diaz Eduardo Pereira Lima Vinicius Larangeiras Trabalho de Modelos Lineares Generalizados (CE-225), Universidade Federal do Paraná, submetido
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018
A função plot.gamlss() CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018 Considere os dados de circunferência abdominal discutido anteriormente. relacionamos a circunferência
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia mais