Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
|
|
|
- João Guilherme Bandeira Medina
- 7 Há anos
- Visualizações:
Transcrição
1 Prof. Lorí Val, Dr. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de varâca ANOVA É utlzada para mostrar os efetos prcpas de varáves categórcas depedetes deomadas de fatores sobre uma varável quattatva depedete. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca O Modelo Lear eral LM -eeral Lear Model suporta, também, varáves categórcas depedetes. Um efeto prcpal" é um efeto dreto de uma varável depedete sobre a varável depedete. Um efeto de teração é o efeto de duas ou mas varáves depedetes sobre a varável depedete. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca
2 Obetvos Os modelos de regressão ão podem maear terações a meos que um termo de produto cruzado sea explctamete adccoado. A ANOVA mostra efetos de teração como resultado da própra técca. Exste uma varate para a utlzação de varáves de cotrole quattatvas deomada de ANCOVA Aalyss of Covarace. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Exste, também, para o caso de múltplas varáves depedetes a MANOVA Multple aalyss of Varace e falmete exste uma combação das duas deomada de MANCOVA. MANOVA ANCOVA. A estatístca teste a ANOVA é a F de Sedecor que testa a dfereça etre as médas grupos. A dstrbução F é assm deomada em homeagem a Sr Roald Aylmer Fsher Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Ela testa se as médas dos grupos formados pelos valores da varável depedete ou combação de valores para as múltplas varáves depedetes pode ter ocorrdo por acaso. Se as médas dos grupos ão dferem sgfcatvamete etão pode-se assumr que a varável depedete ão tem efeto sobre a varável depedete. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca
3 Oe-Way ANOVA Testa a dfereça etre uma úca varável quattatva depedete cotra dos, três ou mas grupos formados pelas categoras de uma uma úca varável categórca depedete. É também cohecda coo ANOVA uvarada, ANOVA de classfcação smples ou ANOVA de um fator. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Two-Way ANOVA A Two-way ANOVA aalsa uma varável quattatva depedete em termos de categoras grupos de duas varáves qualtatvas depedetes, uma das quas pode ser cosderada como varável de cotrole. A Two-way ANOVA é também comhecda como Aálse de Varâca de dupla classfcação. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca -Way ANOVA ou MANOVA eeralza a ANOVA ldado com varáves depedetes. Note-se que o úmero de terações cresce este caso. Duas varáves depedetes apresetam uma úca teração de prmera ordem AB. Três varáves depedetes apresetam três terações de prmera ordem AB, AC, BC e uma de segudaordem ABC, ou sea, quatro o total. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 3
4 Quatro varáves depedetes apresetam ses terações de prmera ordem AB, AC, AD, BC, BC, CD, três de seguda-ordem ABC, ACD, BCD e uma de tercera ordem ABCD. Dez o total. Ã medda que o úmero de terações aumeta, tora-se bastate dfícl terpretar o modelo. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca O Modelo: U Cada valor obsevado da varável quattatva depedete é dado pela soma da méda da população de ode este valor fo retrado mas um erro aleatóro U. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Suposções ões: Os erros são varáves aleatóras com méda zero, sto é, EU 0, para,,..., e,,..., ; Os erros são varáves aleatóras depedetes, sto é, EU.U hl 0, se h e l; 3 Os erros apresetam varâca costate, sto é, E U,,..., ;, para,,..., e 4 Os termos erro U seguem uma ormal. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 4
5 Resumdo: Supõem-se que os valores são valores que resultam da adção de um valor médo com um termo erro U que são varáves aleatóras depedetes com dstrbução ormal de méda zero e varâca costate gual a. Metodologa: Fazedo α, ode os α ι são os efetos dos tratametos, o modelo fca: α U Os α ι, estão suetos a restrção Σ α 0. Etão de α, segue que: Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Fazedo m dcar as estmatvas de,,...,. Tem-se que: m E Ode E é o desvo da -ésma observação em relação a estmatva da méda do tratameto. Dados os valores com,,..., e,,...,, de acordo com o Método dos Mímos Quadrados, as estmatvas de m são os valores que mmzam a soma dos quadrados dos desvos ou soma resdual, dada por: Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Q S.Q.R E m Dervado e gualado a zero, tem-se: Q m m 0 Ou m Segue, etão: Isto é, o estmador de Mímos Quadrados para a méda do -ésmo tratameto é a méda artmétca das observaçoes deste tratameto. m Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 5
6 Idcado por A o total do -ésmo tratameto, sto é, fazedo: Tem-se: m A A As Somas dos Quadrados S.Q.R m Elevado o bômo ao quadrado, segue: S.Q.R Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Substtudo as expresssões aterores smplfcado, tem-se: S.Q.R A e Pela defção, tem-se: S.Q.Total Ode: Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Pode-se verfcar, também: Ode: S.Q.Total Pela defção, a soma de quadrados dos tratametos é: S.Q.Trat. A Lembrado que: m A e α 0 Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 6
7 Tem-se: A S.Q.Trat. Jutado os resultados, segue que: S.Q.Res. S.Q.Total - S.Q.Trat. ou S.Q.Total S.Q.Trat. S.Q.Res. Esta expressão mostra que a Soma dos Quadrados Totas é composta de duas parcelas: A Soma dos Quadrados dos Tratametos varação etre tratametos e a Soma dos Quadrados dos Resíduos varações detro de tratametos. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Exemplo: Tem-se: Cosderese os valores de três amostras supostamete depedetes: Am Am Am , 6 e e 3 A 55, A 87 e A 3 9 ; 4,5 ; 7 e 4,5 S.Q.Total - 60,50 3 S.Q.Trat. A 3889, ,5 05 Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca A soma dos resíduos vale: S.Q.R ,50 55,50 A S.Q.Total S.Q.Trat. S.Q.Res. Assm: 60, ,50 Espectâca da Somas de Quadrados Temos: E Etão: E Como: A e E De acordo com o modelo, tem-se: Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 7
8 8 Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Segue, etão: A ν A Mas: 0 E Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Com l, segue: l l E E Daí: A E Como: Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Segue:. Mas: 0 E E com h e/ou l, segue Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Assm: Portato: h l hl E E E S.Q.Total E Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Ou: W S.Q.Total E W Ou: W A expressão mostra que W 0, apeas se... Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Para os tratametos, tem-se: Ou S.Q.Trat. E W S.Q.Trat. E
9 Causa da Varação Tratametos Resíduo Total Soma dos Quadrados A - A - - Espec. da Soma W Esp. da Soma sob H Os Quadrados Médos Cosderemos a hpótese de uldade: H 0 : Isto é, cosderemos a hpótese de que as médas das populações sob aálse seam dêtcas. Sob esta hpótese, o valor W, defdo aterormete é gual a zero. Etão, tem-se: Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca ES.Q.Total e ada que; ES.Q.Trat. Pode-se mostrar que se, os são varáves aleatóras depedetes com dstrbução ormal de méda zero e varâca etão: S.Q.Res/ tem uma dstrbução Qu- Quadrado com graus de lberdade. Além dsso, pode-se demostrar que sob H 0 : S.Q.Trat./ tem uma dstrbução Qu- Quadrado com graus de lberdade e S.Q.Total/ tem uma dstrbução Qu- Quadrado com graus de lberdade e as três dstrbuções são depedetes etre s. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Por defção o Quadrado Médo é o quocete etre a Soma dos Quadrados pelo respectvo Número de raus de Lberdade. Desta forma, o Quadrado Médo dos Tratametos é: Q.M.Trat S.Q.Trat./ Q.M.Res. S.Q.Res./ Substtudo algus resultados aterores, tem-se: EQ.M.Trat. W/ e EQ.M.Res. A tabela, segute, resume algus resultados. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 9
10 Causa da Varação Tratametos Resíduos Total rau de Lberdade.L. - Soma dos Quadrados S. Q. A - A - - Espec. Do Quadrado Médo W - Esp. da Soma sob H 0 A Tabela da ANOVA Causa da Varação Tratametos Resíduos Total rau de Lberdade - Soma dos Quadrados SQT rat. SQR es. SQT otal Quadrado Médo MQT rat. MQR es F MQT rat. MQR es Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca O Teste F Pode-se demostrar que se X e X são varáves aleatóras depedetes com dstrbuções Qu-Quadrado de g e g graus de lberdade, respectvamete, etão a varável resultate do quocete: X /g /X /g apreseta uma dstrbução F com g e g graus de lberdade. Aota-se Fg ; g. A Dstrbução F de Sedecor Uma varável aleatóra X tem uma dstrbução F ou de Sedecor se sua fdp for do tpo: f x m Γ 0 m m x m - m Γ Γ mx m - se x se x > 0 0 Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Expectâca e Varâca E X VarX m m - m - - m m m é o grau de lberdade do umerador e do deomador Dagramas,0 0,8 0,6 0,4 0, 0,0 fdp de F, 3 F, 5 F5, 0 F0, Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 0
11 Plalha O que é tabelado é a área à dreta de cada curva fução dreta, sto é, dado um certo valor de f, tem-se: P[Fm, f] α, ou dado uma área à dreta α pode-se determar o valor f que satsfaça P[Fm, f] α fução versa. Exemplo a Dada uma dstrbução F com parâmetros g.l. do umerador 3 e g.l. do deomador gual a 5, determar PF,5 b O valor de f tal que PF f 80%. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Item a Item b Etão PF,5 7,39% Etão, o valor de f tal que, PF f 80% é f,5. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Exercíco co Dados Com base em um teste prelmar um grupo de aluos fo classfcado de acordo com o desempeho em: Ótmo, Bom, Regular e Fraco. Para verfcar se este teste era útl como prevsor da méda fal dos aluos, amostras de cada grupo foram selecoadas. Teste se exste dfereça etre as médas dos grupos ao ível de % de sgfcâca. Ótmo 9,4 9,0 8,5 8,0 Bom 7,5 6,8 7,7 8,3 8,8 Regular 7,0 7,3 7,6 7,8 8,0 6,8 6,5 Fraco 6,8 7,0 7, 6,5 7,4 6,5 Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca
12 Itervalos de cofaça Um tervalo de cofaça de α para a méda do -ésmo tratameto édado por: MQR es t t MQR es Um tervalo de cofaça de α para a dfereça as médas de dos tratametos - também pode ser determado. O estmador de - é varâca desse estmador é: V - - e a Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Uma Medda de Assocação Utlzado MQR es para estmar etão o tervalo de cofaça para a dfereça etre as médas de dos tratametos será: MQRes MQRes - -t- - - t- MQRes MQRes A reeção da hpótese ula a ANOVA dca que exste uma dfereça sgfcatva etre as médas populacoas. No etato, com grades amostras, estas dfereças podem ter pouca sgfcâca prátca. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Uma medda da força da assocação etre a varável depedete e a varável depedete a ANOVA é w ômega dos. Este coefcete dca a proporção da varâca da varável depedete que é explcada pelos íves da varável depedete. Esta medda é aáloga ao coefcete de determação r a regressão. A expressão para o cálculo do w é dada por: w SQT rat. SQT - - MQR MQR otal es. es. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca
13 Comparações Múltplas Quado reetamos a hpótese ula em uma ANOVA, estamos admtdo que as médas ão são todas guas. A estatístca F, o etato, ão forece oretações sobre qual é ou quas são a méda tratameto resposável pela dfereça. As comparações múltplas também são cohecdas como Aálse Post Hoc. A vatagem do uso deste tpo de comparação ao vés de város testes t é que ela matém a probabldade de erro do tpo I a mesma taxa α, mesmo fazedo váras comparações etre as médas. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Por exemplo se tvermos cco grupos tratametos para serem comparados, teremos 0 comparações dferetes de médas para serem fetas. Algumas são: méda com méda, méda com méda 4, etc. A probabldade de Erro do Tpo I, este caso, será dada por: α f α c, ode: α probabldade de erro I em cada comparação; c úmero de comparações. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca O método de Tuey Assm se tvermos cco grupos e dez comparações o ível de sgfcâca fal, cosderado cada teste com 5% de sgfcâca, será de: α f α c 0, ,3% O método de Tuey é também deomado de Teste DHS Dfereças Hoestamete Sgfcatvas Hoestly Sgfcat Dfferece. Ele fo proetado para mater a taxa de Erro do Tpo I a um ível de sgfcâca α. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 3
14 A dstrbução Q A hpótese ula para cada para sedo comparado é: H 0 : para, Isto é, cada par das médas populacoas são guas. A estatístca teste Q é defda por: Q X X EMQ/ A dstrbução Q é deomada de Dstrbução da Ampltude Estudetzada Studetzed Rage Dstrbuto. Supoha que se teha observações depedetes y,..., y r retradas de uma dstrbução ormal com méda e desvo. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Sea w a ampltude desta amostra, sto é, w máxy,..., y r - míy,..., y r. Supoha agora que ós temos uma estmatva s da varâca, que é baseada em ν graus de lberdade e depedete de y. A ampltude estudetzada é defda por: Q r,ν w/s Esta dstrbução á fo tabelada e aparece em város lvros de Estatístca. É possível cosultar seus valores o-le pela Iteret. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Por exemplo sea r 5 e ν 0. O percetl 95% da dstrbução será: Q 0,95 0, 5 4,65. Isso sgfca que: Pw/s 4,65 95% A dstrbução Q fo desevolvda para determar a dfereça míma etre a maor e a meor méda em um couto de médas que é ecessáro para reetar a hpótese que as médas correspodetes a população são guas. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 4
15 No desevolvmeto da dstrbução Q o úmero de grupos varou, mas o úmero de observações em cada um dos grupos é o mesmo. Isto e é o mesmo para os grupos. Os valores crítcos são depedetes do úmero de grupos comparados e o gl assocado com a estmatva da varâca da população EQM, sto é, Q-,. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Esta expressão é válda quado a ANOVA é balaceada, sto é, todos os grupos apresetam o mesmo tamaho. Quado os grupos dferem uma versão modfcada é utlzada. Neste caso o teste é deomado de método de Tuey-Kramer TK. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca A expressão para o cálculo da estatístca de TK é dada por: X X Q / / EMQ A dstrbução amostral é Q e é dada em fução para 5% e % do grau de lberdade gl e de úmero de tratametos. Exemplo: Supoha que um método de produção possa ser executado de 4 formas dferetes: A, B, C e D. A tabela da ANOVA é dada próxma lâma. Como o valor F3, 9 é,93 e o F c 0,47 é sgfcatvo, determar através do método de TK quas dfereças de médas são sgfcatvas. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Tabela da Aova rupo A B C D,86 3,00 7,9 6, Causa Trat. Resíduo Total L Resumo da ANOVA SQ MQ 55,45 35,89 49,34 85,5 8,3 F 0,47 F 0,05,93 O valor da estatístca Q para o método TK é ecotrado através de tabelas. Neste caso, r 4 e v 9 o valor para uma sgfcâca de 5% é 3,86. Assm é dferete de 3 e 4. E é dferete de 3 e 4. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 5
16 Q - Q -3 Q -4 Cálculos do valor Q utlzado o método TK,86-3,00 /7 /9 8,3,86-7,9 /7 /7 8,3,86-6,80 /7 /0 8,3 -, - 4,4 * -5,09 * Q -3 Q -4 Q 3-4 3,00-7,9 /9 /7 8,3 3,00-6,80 /9 /0 8,3 7,9-6,80 /7 /0 8,3-5,6 * - 6,69 * - 0,49 * Relação etre a ANOVA e o teste t Ao testar a hpótese H 0 para amostras depedetes pode ser utlzado tato o teste t quato a Aálse de Varâca. Os dos procedmetos são equvaletes. A estatístca teste t para um grau de lberdade de -, matém a segute relação: t F e t c Fc Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca ANOVA: meddas repetdas O deleameto de meddas repetdas evolve medr um mesmo sueto duas ou mas vezes a varável depedete. Em vrtude desta depedêca as varações precsam ser austadas de modo que o valor F adequado sea calculado. A soma total dos valores SQT é partcoada em em três compoetes: a varação etre suetos - SQ I a varação etre duas ocasões sucessvas SQ T e 3 a varação restate que é deomada de resdual SQ R. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Os quadrados médos são calculados da mesma forma que a ateror, sto é, pela dvsão da Soma dos Quadrados pelo úmero de graus de lberdade adequado. O erro quadrado médo da varação resdual QM R SQ R /gl R é utlzado para testar o efeto etre as repetções do tratameto. Este é o efeto de maor teresse prcpal. Se qusermos testar a dfereça etre os suetos é só fazer; MQ I /MQ R. A tabela para a ANOVA de meddas repetdas fca etão: Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 6
17 ANOVA de meddas repetdas Causa da Varação Suetos Ocasões Resíduo Total rau de Lberdade - l -l- Soma dos Quadrados SQ I SQ O SQ R SQT Quadrado Médo MQ I MQ T MQ R F MQ I /MQ R MQ T /MQ R Hpóteses da ANOVA MR:. As amostras são aleatóras;. A varável depedete é ormalmete dstrbuída; 3. As varâcas das repetções são homogêeas; 4. Os coefcetes de correlação etre os pares de repetções são guas. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Exemplo: Um teste fo aplcado a um couto de 0 pessoas em três ocasões dferetes. A varável depedete é o desempeho os testes as dferetes ocasões. O teresse é verfcar se exste dfereça etre os testes. Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Dados Sueto A B C D E F H I J Teste Teste Teste Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Solução: SQT A SQ T - l SQ l - l B I - SQR SQT - SQ I -SQ O úmero de repetções tratametos l úmero de pessoas em cada repetção casos total de dados.l A soma de cada repetção tratametos B soma dos resultados do -ésmo caso lhas soma de todos os valores ΣA ΣB Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 7
18 Resumo: m SQT ,33 640,67 l B SS I , ,333 67, 33 Causa da Varação Suetos Testes rau de Lberdade Soma dos Quadrados 67,33 43,7 Quadrado Médo 8,59,64 F 6,68 76,09 A SQ T ,60-343,33 43,7 l SQR SQT - SQ I SQ O 50,07 Resíduo Total ,07 640,67,78 Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Coclusão:. Exste dfereça etre suetos pos a sgfcâca do F 6,68 ecotrado é p 0,03%. Exste dfereça etre as repetções tratametos pos a sgfcâca do valor F 76,09 ecotrado é p 0,00% Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca 8
Objetivos. O Modelo Linear Geral (GLM - General Linear Model) suporta, também, variáveis categóricas dependentes.
Prof. Lorí Val, Dr. http://www. ufrgs.br/~val val/ val@mat.ufrgs.br Obetvos álse de varâca (NOV) É utlzada para mostrar os efetos prcpas de varáves categórcas depedetes (deomadas de fatores) sobre uma
A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
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:
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 Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val/ ou expermetal. Numa relação expermetal os valores de uma das varáves
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
CAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
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
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
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
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
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](/thumbs/97/134766993.jpg "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
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
Análise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
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
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
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
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
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
2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida
. MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +
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,
( ) ( 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.
? 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
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
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
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
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.
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
IND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
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
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
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
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
13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL
3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
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
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.
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
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
MEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Hipóteses do Modelo de Regressão Linear Clássico
Uversdade Federal da Baha Facldade de Cêcas coômcas Departameto de cooma CO 66 Itrodção à coometra Hpóteses do Modelo de Regressão Lear Clássco Gerváso F. Satos Propredades dos estmadores de MQO As estmatvas
FINANCIAMENTOS UTILIZANDO O EXCEL
rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas
Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
MAE116 Noções de Estatística
Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,
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.
Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC)
Isttuto Nacoal de Estudos e Pesqusas Educacoas Aíso exera INEP stéro da Educação EC Ídce Geral de Cursos (IGC) O Ídce Geral de Cursos (IGC) é ua éda poderada dos cocetos dos cursos de graduação e pós-graduação
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;
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
REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Estatística: uma definição
Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero
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
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
Regressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
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%
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
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](/thumbs/81/84536274.jpg "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:
Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático
Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças
UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
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
CURSO SOBRE MEDIDAS DESCRITIVA Adriano Mendonça Souza Departamento de Estatística - UFSM -
CURSO SOBRE MEDIDAS DESCRITIVA Adrao Medoça Souza Departameto de Estatístca - UFSM - O telecto faz pouco a estrada que leva à descoberta. Acotece um salto a coscêca, chame-o você de tução ou do que quser;
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,
Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.
Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca
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
Parte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Difusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
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
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. + +...
n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Métodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Como CD = DC CD + DC = 0
(9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (
Modelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
Noções Básicas de Medidas e Algarismos Significativos
Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos
(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Medidas Numéricas Descritivas:
Meddas Numércas Descrtvas: Meddas de dspersão Meddas de Varação Varação Ampltude Ampltude Iterquartl Varâca Desvo absoluto Coefcete de Varação Desvo Padrão Ampltude Medda de varação mas smples Dfereça
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
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
Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto
Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para
AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR. José Antonio Stark Ferreira
1 AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR José Atoo Stark Ferrera I - INTRODUÇÃO O presete estudo fo desevolvdo objetvado mesurar os gahos e perdas patrmoas
Regressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS
PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho
16 - PROBLEMA DO TRANSPORTE
Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,
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
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
Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade
Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca
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
INTRODUÇÃO A ESTATÍSTICA
Hewlett-Packard INTRODUÇÃO A ESTATÍSTICA Aulas 01 e 06 Elso Rodrgues, Gabrel Carvalho e Paulo Luz Sumáro Defções... 1 EXERCÍCIOS FUNDAMENTAIS... 1 Meddas de tedêca cetral... 1 Méda artmétca smples... 1
Forma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
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
Regressão Linear e Multilinear
Regressão Lear e Multlear Deleameto Expermetal Mestrado em Sstemas de Produção em Agrcultura Medterrâca Modelo de Regressão Lear Smples X Varável Idepedete Y Varável Depedete y =β +β x +ε β ordeada a orgem
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
Módulo: Binômio de Newton e o Triângulo de Pascal. Binômio de Newton e o Triângulo de Pascal. 2 ano do E.M.
Módulo: Bômo de Newto e o Trâgulo de Pascal Bômo de Newto e o Trâgulo de Pascal ao do EM Módulo: Bômo de Newto e o Trâgulo de Pascal Bômo de Newto e o Trâgulo de Pascal Exercícos Itrodutóros Exercíco Para
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....
Organização; Resumo; Apresentação.
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado
Sumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
CAPÍTULO 5: AMOSTRAGEM
CAPÍTULO 5: AMOSTRAGEM 5. Itrodução A estatístca dutva busca trar coclusões probablístcas ou fazer ferêcas, sobre populações, com base em resultados verfcados em amostras retradas dessas populações. Além
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
Capitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Monitoramento ou Inventário Florestal Contínuo
C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo