Análise Multivariada

Tamanho: px
Começar a partir da página:

Download "Análise Multivariada"

Transcrição

1 Aálse Multvarada Aula 6: Aálse Dscrmate AD Prof. Admr Atoo Betarell Juor Juz de Fora

2 Aálse Dscrmate Essa técca comara as dfereças searação etre os ruos e classfca o ovo objeto como ertecete ao ruo com erfl mas semelhate. Ao cotráro da AA essa técca é recso cohecer revamete os ruos ara obter uma fução dscrmate usada ara alocar os ovos objetos. Basea-se de uma varável cateórca como deedete omal ou ão métrca e de múltlas varáves métrcas como deedetes ara a dstrbução dos ruos. A varável deedete ode ter mas de cateoras.

3 Aálse Dscrmate Eemlo: uma fábrca de cortador de ramas está teressa em detfcar as ersectvas das suas vedas avalado aos redmetos e do tamaho do lote das famílas roretáras ou ão desta máqua.

4 Objetvos eras Determar se estem dfereças estatstcamete sfcatvas etre os dos ou mas ruos já defdos. Idetfcar a mortâca relatva de cada var. deedete a revsão de art. em um ruo. Estabelecer o e comosção das dmesões de dscrmação etre os ruos formados a artr do cojuto de varáves deedetes. Ou seja quado há mas de dos ruos você deve eamar e omear cada fução dscrmate sfcatva. Desevolver rocedmetos ara classfcar objetos em ruos e em seuda eamar a acuráca redtva da fução dscrmate ara ver se a mesma é acetável.

5 Quado usar? Quado a reocuação rcal é elorar as dfereças de ruos dsttos de observações que foram revamete defdos ara em seuda ermtr a classfcação mas rovável de ovas observações em um dos ruos.

6 Rera de classfcação É ecessáro costrur uma rera matemátca ou de classfcação ara decdr qual é ruo mas rovável que o ovo objeto ertecerá. Fudameta-se a robabldade de ertecer a um dos ruos que mmze o custo de classfcação correta.e. o erro em afrmar que um objeto ertece um ruo quado a verdade ertece a outro.

7 Rera de classfcação Sejam e f f as fuções de desdade assocadas ao vetor X ara as oulações e. O esaço amostral R é o cojuto de valores ara a qual se classfca os objetos ertecetes ao ruo ao asso que ao ruo. R Assume-se que é a robabldade a ror de e _ é a de em que.

8 Rera de classfcação As robabldades lobas de classfcação correta e correta dos objetos são: : Icorretamete classfcadocomo : Corretamete classfcado como : Icorretamete classfcadocomo : Corretamete classfcado como P P R X P P P R X P P P R X P P P R X P

9 Rera de classfcação Os custos de classfcações corretas estão a matrz: Classfca como: Poulação verdadera: 0 C C Assm o custo médo de classfcação correta ECM é: ECM C P C P Uma rera razoável de classfcação tera um ECM tão equeo quato ossível.

10 Rera de classfcação As reões que mmzam ECM são defdas or valores ara qual matem-se as seutes desualdades: R : f f C C R : f f C C a razão da fução desdade avalada em uma ova observação ; 0 a razão dos custos; e a razão de robabldade a ror. Usa-se arbtraramete ara classfcação: C / C / É ossível orar os custos e escolher as reões mmzam o total de robabldade de erro de classfcação TPM: TPM que é equvalete a mmzar ECM quado os custos são uas. R f d f d R

11 Classfcação de oulações ormas Assume-se que e sedo ara as oulações com um vetor de observações fo tem-se: Sedo e são cohecdos alca-se a RV: ~ N f ~ N f ] [ X X X X ] [. e f e e e f f

12 Classfcação de oulações ormas Assm as reões que mmzam ECM são: Tomado o loartmo atural: e : e : C C R C C R l l ] l[

13 Classfcação de oulações ormas Se a fução dscrmate será quadrátca. Se tem-se fução dscrmate de Fsher 936: em que : ] l[ a a a m a a a m

14 Classfcação de oulações ormas Cosequetemete: R R : a : a C m l[ ] 0 l C C m l[ ] 0 l C mas rómo de mas rómo de que que. é m / a uma costate que delmta a reão de classfcação e é combação lear das médas. ara a terretação recomeda-se a adrozação:. a* a a' a

15 Classfcação de oulações ormas Na rátca e são descohecdos e ortato cosderam-se e a fd: S S l l ] l[ S S S S 0. ] l[ : e 0 ] l[ : Loo: e que : tal ; em que : ] l[ a S a S S a S S S S S S S S a m y R m y R y y y y m y m

16 Classfcação de oulações ormas Ou melhor a rera de ECM mímo estmada ara duas oulações ormas leva em cota uma arorada combação lear ara as observações de ambas as oulações e etão classfca uma ova observação deededo se y 0 a 0 ca ara a dreta ou ara esquerda do oto médo etre as médas y e y. m

17 Classfcação de oulações ormas

18 Classfcação de oulações ormas Eemlo que dfereca as mulheres etre dos ruos de oulações: ruo ormal mulheres que ão carream um ee hemofílco A; ruo ortadores obratóros - mulheres e mães que carream o fator hemofílco A.

19 Classfcação de oulações ormas Cosequetemete : y 37.6 Além dsso y y O oto médo etre essas duas médas é : m y S 8.9 y S S a a a S

20 Classfcação de oulações ormas Assm : R R : se :se y m y m 4.6; 4.6; 0 0 será alocado oruo ormal será alocado o ruo de ortadora obratóra Se y a Portato classfca - se a mulher o ruo de ortadora obratóra y D 0.98 S S a

21 Classfcação de oulações ormas Observa-se que a mesma fca detro de uma estmada robabldade de cotoro de 0.50 do ruo e 0.95 do ruo.

22 Classfcação de oulações ormas A searação sfcatva ão mlca ecessaramete uma boa classfcação. A efcáca de um rocesso de classfcação ode ser avalada de forma deedete de qualquer teste de searação. Por outro lado se a searação é ão sfcatva a busca or uma rera de classfcação útl rovavelmete rá revelar frutífera.

23 Rera de classfcação quadrátca

24 Rera de classfcação quadrátca S S ou de mas dmesões e ode erar resultados desaradáves + dados ão forem ormas. Sedo C / C / em dstrbuções ormas com varâcas dferetes. essa rera quadrátca leva uma reão R em dos cojutos descoeos

25 Rera de classfcação quadrátca a cauda sera meor que a revsta or uma dstrbução ormal o que ode ter sfcatvas taas de erro. Há ortato fraquezas da rera quadrátca os a mesma é sesível aos desvos de ormaldade.

26 Dstrbução ormal multvarada Dados que ão seuem dstrbução ormal há oções: Fução quadrátca: estraha com mas de dmesões. Trasformados em quase ormas e deos testar S S ara verfcar se a rera lear ou a rera quadrátca é arorada; aalsar os modelos lear de Fsher e quadrátco e aquele que resultar em meores roorções de erros de classfcação será o melhor. Se rómos deve-se escolher o modelo lear os a matrz de covarâca cojuta é estmada com um maor de tes.

27 Qualdade de ajuste Para cada tem das oulações é calculado o seu escore a fução dscrmate. A aálse dos escores ermtrá avalar a qualdade da fução em termos de erro de classfcação e caacdade de dscrmação. Se esta qualdade é boa os escores de são dferecados dos de.

28 Qualdade de ajuste Teste de Hotell: e os escores alcados aos vetores de médas amostras. A dstrbução F tem raus de lberdade. Se F> F c ara α fo rejeta-se a H 0 de ualdade das médas dos escores das oulações. 0 em que : Utlza - se a estatítca abao : : : y y T T F y y H y y H y y

29 Qualdade de ajuste Probabldade de classfcações corretas: Para avalar o rocesso de classfcação calcula-se a sua taa de erro. O total de robabldade de erro de classfcações é: TPM R P R P O meor TPM é a taa de erro ótma OER. equvalete a mmzar ECM quado. C / C Quato robabldades de erro de classfcação melhor é a fução dscrmate. Desdades: cohecdas ão cohecdas. f d f d

30 Qualdade de ajuste Desdade oulacoal cohecdas: Hóteses: o termo é uma combação lear:. Loo as suas médas e varâca são: / ~ ~ C C N f N f m y R m y R m y : : ] l[ y a y Y Y a a a a Y

31 Qualdade de ajuste Desdade oulacoal cohecdas: Tem-se: em que : Y P m Y P P P P TPM mímo TPM a fução de dstrbução acumulada de Z. sedo P Y OER Y P m Y P P Z P Y Y

32 Qualdade de ajuste Desdade oulacoal cohecdas: Assm se: OER A rera de classfcação ótma tera alocado corretamete cerca de % dos tes em uma oulação ou em outra.

33 Qualdade de ajuste Desdade ão cohecdas: Neste caso a taa de erro ótma ão ode ser calculada. Estma a taa de erro aarete APER defda em fução de observações a amostra que estão mal classfcadas ela fução dscrmate. Nela os mesmos elemetos artcam da estmação da rera dscrmate e da estmação dos erros de classfcação.

34 Qualdade de ajuste Desdade ão cohecdas: As frequêcas de classfcações corretas e corretas estão a matrz de cofusão. Poulação classfcada ela rera π π Total Poulação de orem π C M = - C π M = C C : tes de orem π e classfcados corretamete em π ; M : tes de orem π e classfcados corretamete em π.

35 Qualdade de ajuste Desdade ão cohecdas: A taa de erro aarete é: M M APER : M P P M Os escores de cada elemeto em π e π são calculados sedo a rera dscrmate utlzada ara classfcar os = +. Tede a subestmar a APER e roblema ode desaarecer se os tamahos amostras forem bem rades. Tal roblema ocorre orque os dados ara costrur a FD são também utlzados ara avala-los. Pode servr como uma etaa cal de avalação os se o valor de APER for muto elevado é sal que a FD deve ser reformulada.

36 Qualdade de ajuste Desdade ão cohecdas: Coforme o eemlo.5 em Johso e Wcher 00.60: Poulação classfcada ela rera π π Total Poulação de orem π C = 0 M = = π M = = 0 = APER : 4 M M 0.67 P 0.67 P

37 Qualdade de ajuste Desdade ão cohecdas: A taa de erro aarete é: M M APER : M P P M Os escores de cada elemeto em π e π são calculados sedo a rera dscrmate utlzada ara classfcar os = +. Tede a subestmar a APER e roblema ode desaarecer se os tamahos amostras forem bem rades. Tal roblema ocorre orque os dados ara costrur a FD são também utlzados ara avala-los. Pode servr como uma etaa cal de avalação os se o valor de APER for muto elevado é sal que a FD deve ser reformulada.

38 Qualdade de ajuste Método Holdout: A amostra cojuta = + é artda em duas artes: Costrução da rera de dscrmação; Estmação das rob. de classfcações corretas. P e P Para tato: a faz seleção aleatóra dos tes de π e π deado-os fora da amostra ; b testa a FD feta elos demas tes os sabe-se o ruo dos tes retrados; c comuta as roorções de classfcações corretas como o método tradcoal e ateror. P e P ão são vesadas mas o tamaho da amostra ara a estmação da FD é reduzdo que ode ível de cofabldade. Deve-se dear de fora de 5 a 50% dos tes da amostra cojuta oral.

39 Qualdade de ajuste Método Holdout de Lachebruch: mas utlzado e cosste uma valdação cruzada elos assos: a retrar um vetor de tes da amostra e utlzar os +- tes restates ara costrur a FD; b utlzar a FD feta ara classfcar o tem retrado verfcado se a rera de dscrmação acertou a sua real rocedêca; c retorar o tem retrado e retrar outro reetdo a e b. Tas assos são reetdos ara Ɏtes da amostra e obtém: E AER : H H H M M M P P H M

40 Qualdade de ajuste Eemlo.6 de Johso e Wcher : l[ ] S S Poulação classfcada ela rera π π Total APER Poulação de orem π C = M = = 3 π M = = = 3

41 Qualdade de ajuste Eemlo.6 de Johso e Wcher : Retrado a º tem da [ ] matrz X etão: H É mas rádo ara classfcá-lo com base as suas dstâcas ao quadrado a artr das médas. É o mesmo or comutar o valor de y ah H e comará-lo com : / S m H H H H Como a dstâca H H < H H classfca X H = [ ] Є π está correto.

42 Qualdade de ajuste Eemlo.6 de Johso e Wcher : Retrado a º tem : H [4 0] Como a dstâca H H > H H classfca X H = [4 0] Є π está correto. Esse rocedmeto sera feto ara: H [3 8] => correto em π ; H [5 7] => correto em π ; H [3 9] => correto em π ; H [4 5] => correto em π ; E AER : 3 3 H H M M 0.5

43 Classfcação de váras oulações Ao eeralzar ara > ão é ossível retrar coclusões eras que deedem da localzação das oulações. Dee ara f ~ à e c 0se : N P P f d com P - R Tem-se o custo eserado codcoal ECM de classfcações corretas em relação à π orem : ECM c P c3 P3 c P Obtém-se também o custo eserado codcoal de classfcações corretas. ECM ECM3 ECM c P

44 Classfcação de váras oulações Multlcado cada ECM or sua resectva robabldade a ror tem-se ECM lobal: Da mesma forma que = a classfcação ótma se dá ela mecm. As reões que mecm são defdas alocado ara a oulação π em que: P c ECM ECM ECM ECM ECM 3 3 é o meor ossível. P c

45 Classfcação de váras oulações Se ocorrer um emate etre as oulações etão ode ser atrbuído a qualquer das oulações vculadas. Se todos os custos são uas tem-se: O que sfca dzer que o termo omtdo é maor. Ou seja é alocado em π se: A rera de classfcação é dêtca que ma a rob.: é o meor ossível. f f f f f f f f l l f f P refere-se que rovém de π dado que fo observado.

46 Classfcação de váras oulações O eemlo.9 em Johso e Wcher 00.65:

47 Classfcação de váras oulações O eemlo.9 em Johso e Wcher 00.65: Loo alca-se o mímo ECM sedo : o é alocado em π P c

48 Classfcação de váras oulações O eemlo.9 em Johso e Wcher 00.65: Se todos os custos são uas bastara atrbur 0 de acordo com f f ou melhor: o é alocado em π 3

49 Classfcação de váras oulações O eemlo.9 em Johso e Wcher 00.65: Equvaletemete ode-se calcular as robabldades osterores:

50 Classfcação oulações ormas Matedo e etão classfca-se _ em _ se for o mámo. Desde: A costate é orada desde que uas ara π. O escore de dscrmação quadrátca ara -ésma oulação: ~ N f c 0 c l f f e ma l l l l l f f l d Q l l

51 Classfcação oulações ormas Usado o escore dscrmate ecotra-se a rera de classfcação.e. é alocado em se: Na rátca quado são descohecdos usa-se : Se assumr que as matrzes são uas ou rómas: c Q Q Q Q d d mámo d d S d Q l l S S S S S S

52 Classfcação oulações ormas Tem-se o escore dscrmate lear com : Os rmeros termos são os mesmos ara todo π : Tem-se a rera de classfcação.e. é alocado em π se: S d l l S S S S d l S S d d mámo d d

53 Classfcação oulações ormas Os escores dscrmates leares odem ser comarados dos de cada vez. Usado os valores de cada é ossível detectar que será maor etre : d d d d d l l Adcoado ambos oslados l l 0 0 S S S S

54 Classfcação oulações ormas Essa codção defe as reões de classfcação R R or R laos. Se há =3 etão: R d l l : 3. 0 se Para o rocedmeto de Lachebruch a taa de erro atual eserada é:. E AER : H M

55 Classfcação oulações ormas

56 Dscrmates caôcas de Fsher Fsher 956 elaborou fuções dscrmates a artr de combações leares das varáves oras. Sua etesão ermte: a reresetações coveetes das oulações em uma dmesão meor. Há erda de formação; b lotar as médas das rcas combações leares ajudado a mostrar as relações e os ossíves aruametos das oulações. c costrur um ráfco de dsersão dos rmeros comoetes dcado rováves outlers. Objetvo: searar as oulações mas ode classfcar as observações mesmo que as oulações ão sejam ormas multvaradas.

57 Dscrmates caôcas de Fsher Suoha varáves aleatóras oulações ão ecessáro ara dscrmação e. As s combações leares s m- são: Cosequetemete o valor eserado altera quado muda a oulação de _. oulações. ara todasas ; ara a oulação : em forma matrcal e e e X e e X X e e e Cov Y Var E Y E Y y y Y s s Y e X

58 Dscrmates caôcas de Fsher A méda lobal é: E forma a razão: : soma de rodutos cruzados etre ruos; : varabldade detro dos ruos. Busca-se mamzar razão cujo vetor de coefcetes será os autovetores da matrz tal que. e e e Y Y Varâca dey de Y oulações em relação a méda lobal soma das dstâcas ao quadrado das e e e e B e e e e e e e e e e Y Y B B ee

59 Dscrmates caôcas de Fsher Suodo amostra aleatóra de tamaho de toda a oulação π =... etão: A matrz W é a matrz da soma de rodutos cruzados detro dos ruos: Cosequetemete que é a matrz de covarâcas amostral combada.. ; j j j j j B j j j S W W / S

60 Dscrmates caôcas de Fsher Como W é uma costate vezes S loo o mesmo: e e Be e Be que mamza também mamza e Se e We Portato essa razão mede a varabldade etre ruos de em relação à varabldade comum detro dos ruos. Os autovetores ê de W B satsfazem W Be e e S Be e tal que. e We e e e e j j j

61 Dscrmates caôcas de Fsher Como em ACP a combação lear y e X chamada de rmero dscrmate amostral detém o maor autovalor da matrz W B. Isto sfca que tem o maor oder dscrmate que as sucessvas fuções dscrmates: y e X y e X y e 3 3 X. Y Portato há uma ordeação em termos de mortâca da searação dos ruos. s

62 Dscrmates caôcas de Fsher O eemlo.3 em Johso e Wcher calcula as dscrmates amostras de Fsher ara 3 oulações:

63 Dscrmates caôcas de Fsher Para calcular os s m-=m= autovalores de : W B Desse modo as dscrmates são: e e y y e e

64 Dscrmates caôcas de Fsher Aós a costrução das dscrmates ara cada elemeto j é ossível obter os seus escores elo seu vetor de varáves j : De maera semelhate obtém os escores das dscrmates a artr dos vetores de médas ara π =... : Assm as dstâcas eucldaas etre e são comutadas sedo o corresode elemeto j classfcado a oulação cuja dstâca é a meor. j s j j j y e e e s y e e e j ŷ ŷ

65 Dscrmates caôcas de Fsher Ou melhor j é classfcado em π coforme a rera baseada sobre os rmeros r s dscrmates amostras: r j j j r j j j r j j j r j j j y y y y ou e e em que j ê é defdo em e We e Be j j y ê e s r.

66 Dscrmates caôcas de Fsher Retomado os valores do eemlo.3 em Johso e Wcher 00.63: y y e e

67 Dscrmates caôcas de Fsher Retomado os valores do eemlo.3 em Johso e Wcher 00.63:

68 Dscrmates caôcas de Fsher Cometáros fas: É comum aeas a ª dscrmate fazer a classfcação dos objetos os ossu o maor oder de dscrmação. Todava um melhor resultado será obtdo se o usuáro utlzar as fuções dscrmates caôcas mas mortates. Essa escolha oder ser feta como em ACP. Não deede trscamete do ressuosto de ormaldade. Ou seja é smlar à ACP.

69 Fuções dscrmates loístcas Estem stuações que há varáves quattatvas e qualtatvas ara cada observação. Numa varável bára a robabldade de é um arâmetro de teresse que rede: méda : 0.. varâca : 0.. Loo a varâca ão é costate :. 5.5;.8.6. Se Y for uma varável bára etão em um modelo lear: 0 E Y X X Havera ortato alumas desvataes ara esse modelo: os valores redtos de Y oderam ser maor que ou feror a 0 os a eressão lear ara o valor eserado é lmtado; a varâca ão sera costate.

70 Fuções dscrmates loístcas É ecessára outra abordaem ara troduzr X.e. o modelo Lot. Em vez de modelar a robabldade dretamete em um modelo lear cosdera-se calmete a razão de chace RC: Y RC Y 0 Cotudo há uma falha de smetra os. 8 4 e. 4. Para evtar esse roblema toma-se l eatamete e l o oosto. Nesse setdo a reressão loístca modela-se: l l RC tal que : β e X X X l βx 0 X

71 Fuções dscrmates loístcas Alcado-se o atloarítmo tem-se: RC X X e βx 0 X e 0 βx e βx 0 Os valores do vetor de arâmetros a curva loístca determa o quato rádo X muda com o vetor X. Não obstate a terretação ão é tão smles como a reressão lear os a relação ão é lear.

72 Fuções dscrmates loístcas Rera de classfcação loístca: Seja Y uma varável resosta que: tem valor se a observação j com o vetor X ertece à π ou valor 0 se ela for da π. Assm tal observação j será alocada à π caso: P Y X X RC e 0 X X X ou l P Y 0 X X X X RC l X X X 0 sedo o vetor estmado β or máma verossmlhaça [ X] [ X] ou equvalet emete X X etão RC 0

73 Cosderações dos modelos e quado se tem varáves qualtatvas Modelo loístco: sofre fluêca da correlação etre as varáves elcatvas afetado as estmatvas obtdas ara os arâmetros do modelo multcoleardade. Não requer dstrbução ormal multvarada. Arorada ara varáves são cotíuas e qualtatvas. Modelo de Fsher: ode erar resultados obres ou satsfatóros deededo das correlações etre as varáves qualtatvas e cotíuas. A baa correlação em uma oulação mas uma alta correlação a outra ou até mesmo uma mudaça de sal das correlações etre as oulações ode dcar codções desfavoráves ara a fução de Fsher.

74 Seleção de varáves A qualdade da fução dscrmate deede: a detfcação da dstrbução de robabldade de X em cada oulação; b As varáves escolhdas ara a classfcação devem ossur valores bem dferetes etre as oulações ara dstu-las. Se há mutas varáves => subcojuto equeo de varáves com tata formação quato o oral. A escolha de um subcojuto de varáves é reocuate se a classfcação é o rcal objetvo da esqusa. Os roblemas com a seleção de varáves são amlados se houver altas correlações das varáves ou etre combações leares das varáves. Imortate: aumeto do úmero de varáves ão eleva a caacdade de dscrmação.

75 Seleção de varáves Aálse da varâca uvarada Comara-se a varâca etre ruos em relação à cada varável searadamete ANOVA. As varáves com valores da estatístca F mas sfcatvos serão as mas mortates ara dscrmar os ruos. Tal rocedmeto ão cosdera a correlação etre as varáves.

76 Seleção de varáves Foward etrada de varáves. ajusta-se uma aálse de varâca ara cada varável searadamete. No modelo etra aquela de maor sfcâca. Se ão houver qualquer varável sfcatva o alortmo é terromdo.. busca-se uma ova varável sfcatva cosderado a varável caddata a etrar como resosta VD e a que já etrou como elcatva VI elo asso. Isto é feto ara todas as varáves caddatas e escolhe a de maor sfcâca. 3. reete-se ara as varáves caddatas restates cosderado as varáves que etraram o asso e como elcatvas. O rocesso se reete até que ão esta mas varáves sfcatvas ara etrar o modelo.

77 Seleção de varáves Bacward saída de varáves. testa a sfcâca de cada varável elmado as de meor sfcâca meor oder de dscrmação. Para tato cada varável é tratada como resosta e as - demas como elcatvas. A estatístca F é calculada ara cada varável e se o valor F for meor do que o valor de referêca ara a saída das varáves a varável é elmada;. em cada asso retra a varável de meor sfcâca. Se uma varável é removda o rocedmeto busca uma seuda varável ara remoção cosderado como varável resosta como fução das - varáves restates. O rocedmeto é reetdo até que ão haja mas varáves ara serem removdas.

78 Seleção de varáves Stewse comba Foward e Bacward eemlo 7.5 da Mot utlza-se cada varável X XX3X4 como resosta da varável detfcadora do ruo X5 varável elcatva: X =fx5... X4 =fx5. Como em Forward os valores de F arcas e suas sfcâcas são calculados. No eemlo X3 =fx5 se destacou.. A varável X3 etra o modelo como elcatva e alca-se: X=fX3 X5 X=fX3 X5 e X4=fX3 X5. No eemlo as varáves X e X se destacram sedo X a de maor sfcâca.

79 Seleção de varáves Stewse comba Foward e Bacward eemlo 7.5 da Mot A varável X etra o modelo ara testar a saída da varável X3 como o método Bacward. No eemlo X3=fX X5 é sfcatva e etão ela ermaece o modelo; 4. Por fm como X=fX3 X5 e X3=fX X5 foram sfcatvas etão elas etram como elcatvas e testam-se as demas varáves como resosta: X=fX X3 X5 X4=fX X3 X5. No eemlo tato X quato X4 ão foram estatstcamete sfcatvas. 5. Portato o modelo fal será comosto or X e X3.

80 Seleção de varáves Stewse comba Foward e Bacward eemlo 7.5 da Mot 005. Portato em cada asso é feto um teste de etrada e saída das varáves. Johso 998 recomeda que ara o método bacward seja cosderado um α=% equato que ara stewse etre 5 a 50% ara etrada e 5% ara saída. Geralmete recomeda-se o uso do método bacward e/ou stewse. Ada assm deve-se semre aalsar a qualdade do ajuste robabldades de erro de classfcação deos da costrução da fução dscrmate.

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL ESTATÍSTICA MÓDULO 3 MEDIDAS DE TEDÊCIA CETRAL Ídce. Meddas de Tedêca Cetral...3 2. A Méda Artmétca Smles ( μ, )...3 3. A Méda Artmétca Poderada...6 Estatístca Módulo 3: Meddas de Tedêca Cetral 2 . MEDIDAS

Leia mais

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES: NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

MAE 5776 ANÁLISE MULTIVARIADA. Júlia M Pavan Soler

MAE 5776 ANÁLISE MULTIVARIADA. Júlia M Pavan Soler MAE 5776 ANÁLISE MULTIVARIADA Júla M Pava Soler ava@me.us.br º Semestre IME/09 Baco de Dados: Dados Multvarados Varáves Udades Amostras j j j j j j : Matrz de Dados resosta do -ésmo dvíduo a j-ésma varável

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 4- Método de Dereças Ftas Alcado às Equações Derecas Parcas. 4.- Aromação de Fuções. 4..- Aromação or Polômos: Iterolação. 4..- Ajuste de Dados: Mímos

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se

Leia mais

1- Qual a diferença entre amostragem probabilística e não-probabilística? Qual é a mais recomendada?

1- Qual a diferença entre amostragem probabilística e não-probabilística? Qual é a mais recomendada? VIII-AMOSTRAGEM A Etatítca Iferecal ou Iferêca Etatítca tem como objetvo bucar cocluõe robablítca obre oulaçõe com bae o reultado obervado em amotra etraída dea oulaçõe Am, certo cudado báco devem er tomado

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira Hdrologa, Ambete e Recursos Hídrcos 009 / 00 Rodrgo roeça de Olvera Aálse estatístca IST: Hdrologa, Ambete e Recursos Hídrcos Rodrgo roeça de Olvera, 009 Cocetos base Varável aleatóra oulação Fução de

Leia mais

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES Itrodução Em dversos camos da Egehara é comum a ecessdade da determação de raízes de equações ão leares. Em algus casos artculares, como o caso de olômo, que

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

Técnicas Não Paramétricas

Técnicas Não Paramétricas Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

6. Inferência para Duas Populações USP-ICMC-SME 2013

6. Inferência para Duas Populações USP-ICMC-SME 2013 6. Iferêca ara Duas Poulações UP-ICMC-ME 3 8.. Poulações deedetes co dstrbução oral Poulação Poulação,,,, ~ N, ~ N, ~ N, Obs. e a dstrbução de e/ou ão for oral, os resultados são váldos aroxadaete. Testes

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

Teoria das Comunicações

Teoria das Comunicações Teora das Comucações.6ª Revsão de robabldade rof. dré Noll arreto rcíos de Comucação robabldade Cocetos áscos Eermeto aleatóro com dversos resultados ossíves Eemlo: rolar um dado Evetos são cojutos de

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

Métodos tipo quadratura de Gauss

Métodos tipo quadratura de Gauss COQ-86 Métodos Numércos ara Sstemas Algébrcos e Dferecas Métodos to quadratura de Gauss Cosderado a tegração: Método de quadratura de Gauss com otos teros I f d a ser comutada com a maor recsão ossível

Leia mais

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

Análise de Correspondência

Análise de Correspondência MA 0330 ANÁS MUTVARAA AOS Aálse de orresodêca úla M Pava Soler ava@me.us.br Sem/016 Obetvos: Aálse de orresodêca Varável olua u.a. / Varável ha 1 1 Y 11 Y 1 Y 1 Y 1 Y 1 Y Y Y Y 1 Y Y Y Y 1 Y Y Y detfcar

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

Tópicos Extras 2ª parte. Análise de Correlação e Regressão Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO

Leia mais

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015 Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 9. ANÁISE DE AGUPAENTOS (CUSTER) 9. INTRODUÇÃO A Aálse e Agruametos é uma técca stta os étoos e Classfcação (Aálse Dscrmate, Regressão ogístca). Na Classfcação temos um úmero e gruos cohecos, e o objetvo

Leia mais

NOTA BREVE SOBRE O CONCEITO DE MÉDIA 1

NOTA BREVE SOBRE O CONCEITO DE MÉDIA 1 NOTA BREVE SOBRE O CONCEITO DE MÉDIA O coceto de méda surge de modo abudate a dscla de Métodos Estatístcos, resete em mutos cursos de lcecatura de sttuções de eso sueror. Surge, de gual modo, em domíos

Leia mais

tica ou tica como Rui Vilela Mendes CMAF, ICC, CFN dos TPC s

tica ou tica como Rui Vilela Mendes CMAF, ICC, CFN dos TPC s O oder da matemátca tca ou A matemátca tca como metáfora Ru Vlela Medes CMAF, ICC, CFN Soluções dos TPC s Curso o Mestrado de Comlexdade,, ISCTE, Ivero 007 07-03 03-007 TPC Dados ( I(I(,,, N ( I(/N, /N,,,

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

1 (0,8 ln0,8+0,2 ln0,2) 0,512 0,512 0, , , , , , , , , ,

1 (0,8 ln0,8+0,2 ln0,2) 0,512 0,512 0, , , , , , , , , , GABARITO DA TERCEIRA LISTA DE EXERCÍCIOS DE PTC-3 TEORIA DA INFORMAÇÃO E CODIFICAÇÃO Questão Uma fote de formações dscreta e sem memóra emte símbolos A e B com robabldades P(A =,8 e P(B =,. a calcule a

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

Estatística. 2 - Estatística Descritiva

Estatística. 2 - Estatística Descritiva Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores

Leia mais

Regressao Simples. Parte I: Introdução

Regressao Simples. Parte I: Introdução Regressao Smples Parte I: Itrodução Curso A aplcação da aálse de regressão requer cohecmeto teórco e eperêca com aálse de dados. Este curso procura combar a teora estatístca com a prátca, dado mas efâse

Leia mais

NOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES

NOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES NOTAS DE AULA DA DISCIPLINA CE76 3 DISTRIBUIÇÃO NORMAL MULTIVARIADA 3 DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES A densdade normal multvarada é uma generalação da densdade normal unvarada ara dmensões

Leia mais

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se

Leia mais

Reconhecimento de Padrões. Reconhecimento de Padrões

Reconhecimento de Padrões. Reconhecimento de Padrões Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina:

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Deartameto de Iformátca Dscla: do Desemeho de Sstemas de Comutação Processos de ascmeto e Morte Prof. Sérgo Colcher colcher@f.uc-ro.br Processos de ascmeto e Morte CMTC Homogêea a ual trasções acotecem

Leia mais

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 4 - Regressão Múltipla em Notação Matricial Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

Leia mais

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional. Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem

Leia mais

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

3. TESTES DE QUALIDADE DE AJUSTAMENTO

3. TESTES DE QUALIDADE DE AJUSTAMENTO Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução

Leia mais

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete

Leia mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

Capítulo 9 Problema 01 Problema 03 Problema 04

Capítulo 9 Problema 01 Problema 03 Problema 04 Bssab&Morett Caítlo Problema mod, orqe + mod, orqe + Problema a, m m, ( ) mod mod, ( ) mod mod, ( ) mod mod,...,,,,..., Portato, o eríodo esse caso é h. Problema a, m, m ( ) mod mod, ( ) mod mod, ( ) mod

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura

Leia mais

Estatística Descritiva

Estatística Descritiva Estatístca Descrtva Cocetos Báscos Poulação ou Uverso Estatístco: coj. de elemetos sobre o qual cde o estudo estatístco; Característca Estatístca ou Atrbuto: a característca que se observa os elemetos

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Probabilidade de Óbito por Leptospirose Humana em Belém - PA

Probabilidade de Óbito por Leptospirose Humana em Belém - PA Probabldade de Óbto or Letosrose Humana em Belém - PA. Introdução Bolssta de Incação Centífca ICEN/UFPA. e-mal: dana.olvera@cen.ufa.br ² Mestrando em Estatístca Alcada e Bometra CCE/UFV. ³ Professor(a

Leia mais

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se

Leia mais

3 Experimento com Mistura com Respostas Não-Normais

3 Experimento com Mistura com Respostas Não-Normais Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,

Leia mais

Testes de Hipótese Multivariados para Matrizes de Covariâncias em Processos Autocorrelacionados com Aplicações em Controle de Qualidade

Testes de Hipótese Multivariados para Matrizes de Covariâncias em Processos Autocorrelacionados com Aplicações em Controle de Qualidade Uversdade Federal de Mas Geras Isttuto de Cêcas Eatas Programa de Pós-Graduação em Estatístca Dssertação de Mestrado: estes de Hótese Multvarados ara Matrzes de Covarâcas em Processos Autocorrelacoados

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA UNIVERSIDADE DO ALGARVE

ESCOLA SUPERIOR DE TECNOLOGIA UNIVERSIDADE DO ALGARVE SCOLA SUPIO D CNOLOGIA UNIVSIDAD DO ALGAV CUSO BIÁPICO M NGNHAIA CIVIL º cclo egme Duro/Nocturo Dscpla de COMPLMNOS D MAMÁICA Ao lectvo de 7/8 - º Semestre Ídce. egressão lear múltpla.... Itrodução....

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e

Leia mais

CAPÍTULO 7 INTERVALO DE CONFIANÇA E TESTES DE HIPÓTESES

CAPÍTULO 7 INTERVALO DE CONFIANÇA E TESTES DE HIPÓTESES CAPÍTULO 7 INTERVALO DE CONFIANÇA E TESTES DE HIPÓTESES 7. Itervalo de cofaça A cada aos (ormalmete), os acostumamos a acomahar as esqusas eletoras. Geralmete elas são mostradas assm: Caddato Iteção de

Leia mais

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Análise da Informação Económica e Empresarial

Análise da Informação Económica e Empresarial Aálse da Iformação Ecoómca e Empresaral Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração Aálse da Iformação Ecoómca e Empresaral Guão Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

Estatística Descritiva

Estatística Descritiva Estatístca Descrtva Cocetos Báscos Poulação ou Uverso Estatístco: coj. de elemetos sobre o qual cde o estudo estatístco; Característca Estatístca ou Atrbuto: a característca que se observa os elemetos

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais