Diagnóstico em Regressão. Rejane Sobrino Pinheiro Tania Guillén de Torres
|
|
- Wilson Maranhão Camilo
- 7 Há anos
- Visualizações:
Transcrição
1 Dagnóstco em Regressão Rejane Sobrno Pnhero Tana Gullén de Torres
2 Dagnóstcos em Regressão Introdução Conjunto de ferramentas para análse dos resíduos, detecção de valores extremos (outlers), de pontos nfluentes (alavanca) e para avalação de colneardade. Análses ncas Importante conhecer algumas característcas báscas dos dados: O tpo de undade de análse (homens dosos, lâmnas etc.) O procedmento de coleta dos dados A undade de medda de cada varável O ntervalo razoável e o valor típco de cada varável Estas nformações, juntamente com a análse exploratóra e com as estatístcas correspondentes, podem ser usadas para detecção de erros nos dados e de potencas volações dos pressupostos.
3 Análses ncas (cont...) Estatístca descrtva - depende do tpo de varável (proporção, médas, medanas e outros percents, etc.). Nas varáves quanttatvas, recomenda-se lstar os 5 maores e 5 menores valores de cada varável. Embora smples, juntamente com o conhecmento dos 4 tens do prmero parágrafo, favorece a detecção de erros nos dados ou da presença de outlers. Pode-se calcular também as estatístcas para alguns grupos mportantes (ex: homens e mulheres) de dados de nteresse. Interessante comparar os resultados obtdos com o que é esperado, dado o conhecmento centífco sobre as dferentes varáves. Estatístcas mas elaboradas também são útes nesta etapa, nclundo correlação entre pares de varáves e entre a varável resposta e as varáves ndependentes. Exame de colneardade.
4 Análses ncas - Estatístca descrtva Varáves Contnuas. sum SO- days, detal SO Percentles Smallest % 8 8 5% 9 9 0% 0 9 Obs 4 5% 3 0 Sum of Wgt. 4 50% 6 Mean Largest Std. Dev % % 6 69 Varance % Skewness % 0 0 Kurtoss graph SO, xlab(0,0,40,60,80,00,0) ylab bn(6) 0 SO Fracton SO 0
5 Análse exploratóra de dados Dagramas de espalhamento entre varável resposta (dependente) e as ndependentes. Por exemplo Peso vs. Altura. PESO vs. ALTURA A afastado da nuvem com relação ao peso, mas no ntervalo de plausbldade de altura potencal outler
6 PESO vs. IDADE
7 Análse exploratóra de dados cont. Dagrama de dspersão das varáves ndependentes, para avalar colneardade (forte assocação entre as varáves ndependentes). ALTURA vs. IDADE A afastado da nuvem potencal outler ou pq está afastado, se não for outler?
8 Nos 3 gráfcos aparece uma observação destoante. Duas nterpretações possíves para ela: Erro de medda ou dgtação Valor está correto e o seu efeto na relação deve ser analsado. Não quer dzer que deva ser retrada (a prncípo, mas deve-se fcar de olho nela).
9 Análse dos resíduos Resíduo: dferença entre o valor observado (Y ) e o valor predto pela regressão ( Yˆ ˆ ˆ ) β + β X 0 dscrepânca que permanece após os dados terem sdo ajustados pelo modelo de mínmos quadrados. ε Y Yˆ,,,..., n Posção dos Pontos em torno da reta vs. Resíduos O ponto 6 está mas afastado do modelo ajustado (reta) o resíduo é maor para este ponto.
10 Análse dos resíduos pode ser usada para estudar a adequação do modelo lnear, verfcando se: A função de regressão é lnear A dstrbução de Y possu varânca constante para todos os valores de X (homocedastcdade) Dstrbução de Y é normal ε é normal Os termos de erro ε são ndependentes.
11 Os pressupostos para o erro (resíduo) são: Dstrbução normal (necessára para a execução de testes de hpóteses paramétrcos) Méda zero Varânca σ constante n k n S ε ε n n _ 0 ε ε ), ( ~ 0 σ ε ε N
12 Padronzação dos resíduos Resíduo padronzado tem varânca e méda 0. S e e z n n n k n S S k n k n Z ε ε z ~N(0,) Resíduo orgnal Desvo padrão dos resíduos Qtos DP está afastado Não subtras µ, pos é 0 S e e z µ
13 Resíduos studentzados r S e h z h 0 h h alavanca - medda da mportânca da -ésma observação em determnar o ajuste do modelo. À medda que h, denomnador 0 e r Observação nfluente méda Se elmnarmos o ponto, qto que alteram os parâmetros?
14 Resíduo Jackknfe r ( ) r S S ( ) S e Varânca usando todos os pontos r ( n k ) ( h ) ( n k ) r ( ) Varânca trando ponto se a dferença dos modelos, das varâncas (razão grande), o ponto é nfluente Valores altos de h ressaltam r (-) r segue aproxmadamente uma dstrbução de Student r (-) segue uma dstrbução de Student Se tro, afeta a reta nfluenca a estmatva dos parâmetros a medda da nfluênca é leverage alavanca Se tro, não afeta a reta A fórmula para h obtda da matrz de dados das varáves ndependentes transposta
15 Análse Unvarada dos Resíduos Padronzados, studentzados ou do tpo jacknfe : Análse Descrtva: Utlzando os resíduos padronzados, espera-se que, caso sgam uma dstrbução normal: Metade deve ser negatva e metade postva. A méda, medana e a moda sejam 0. A varânca é aproxmadamente? Aproxmadamente 68% deles caam entre os valores - e +. Aproxmadamente 95% deles caam entre os valores - e +. Aproxmadamente 99% deles caam entre os valores -3 e +3. Comparar os maores valores com os percents p 95 valores com os percents p ou p 5. ou p 99 e os menores Valores absolutos maores do que,5 ou 3 ndcaram a presença de um possível outler.
16 Coefcente de assmetra: O coefcente de assmetra (skewness) descreve o alongamento horzontal da dstrbução de freqüênca para um lado ou outro, de modo que uma cauda de observações é maor e tem mas observações do que a outra. Se uma dstrbução é assmétrca, a méda se desloca em dreção da cauda alongada, mas do que a medana, porque a méda é mas fortemente nfluencada por valores extremos. O coefcente de assmetra assume o valor zero quando a dstrbução é smétrca, por exemplo a normal. Valores negatvos para dstrbuções que apresentam uma cauda mas prolongada no lado esquerdo da dstrbução, e valores postvos quando a dstrbução apresenta uma cauda mas prolongada no lado dreto da dstrbução.
17 Coefcente de assmetra (skewness) Desvos médos ao cubo (em relação à méda) Mede o grau de assmetra Dstrbução smétrca skewness 0 < + > assmetra smétrco assmtra e sk e n n n e sk n S e e ) (, ) ( 3
18 Kurtose: A kurtose é caracterzada por um alongamento vertcal da dstrbução de freqüênca. Quanto menor for o coefcente de kurtose, mas achatada será a dstrbução. A dstrbução normal tem um coefcente de kurtose gual a 3. kurt( e) n n( n + ) e e ( n )( n 3) n S e 4,.8.6 norm0 norm norm.4 kurt( e) > 3 3 < 3 caudas pequenas dstrb. normal caudas longas abs Em curvas bem achatadas, semelhança com a normal é mas problemátca. Provavelmente, entre +/- desvos há < 95% das observações. > 5% além destes lmtes.
19 Análse dos Resíduos Padronzados, studentzados ou do tpo jacknfe : Avalar a smetra através de meddas que descrevem a forma de uma dstrbução, como é o caso do coefcente de assmetra (skewness)e do coefcente de kurtose.. sum respad, detal Standardzed resduals Percentles Smallest % % % Obs 5% Sum of Wgt. 50% Mean Largest Std. Dev % % Varance % Skewness % Kurtoss Méda um pouco negatva Não esperado para dstr smétrcas (0) Mas concentrado de um lado que de outro Referênca para dstr normal 3 Pequenos desvos da dstrbução normal não produzem efetos mportantes no modelo de regressão. Porém, as assmetras muto acentuadas nfluencam na estmação dos ntervalos de confança e nos testes de hpóteses.
20 Análse gráfca dos resíduos Dos tpos de gráfcos são báscos: Análse undmensonal dos resíduos Hstogramas, box plot etc. Análse bdmensonal dos resíduos em relação à varável resposta. em relação às varáves ndependentes. em relação ao tempo. Se tvermos anotados data, hora da coleta, pode ser que exstam erros sstemátcos com relação ao horáro da coleta, data em que fo feta etc.
21 Gráfcos Undmensonas dos Resíduos Hstograma Podemos fazer um hstograma para avalar smetra do gráfco. Podemos comparar os resíduos observados com os valores que seram esperados no caso de normaldade, calculando alguns pontos onde deveram ser encontrados os percents 5%, 5%, 95% etc., usando a dstrbução t(percentl; n- graus de lberdade). nserr fg.. pg neter
22 Boxplot dos resíduos Jacknfe O gráfco mostra uma dstrbução "quase smétrca". Não são apresentados valores muto afastados (3σ).
23 Normaldade dos resíduos Podemos fazer esta análse utlzando o gráfco Q-Q plot Gráfco dos resíduos padronzados contra os percents de uma dstrbução normal. Se os resíduos tverem uma dstrbução normal, o gráfco Q-Qplot terá os pontos cando sobre uma reta de 45 o > nserr gráfco do Ponce observado esperado
24 Gráfcos bdmensonas O deal sera uma reta no zero, ou uma nuvem de pontos em torno dela Das respostas observadas vs. as respostas predtas. Resíduos vs. as respostas predtas. Normaldade, varânca cte, outlers Resíduos vs. as varáves ndependentes X. Outlers - pontos de alavanca Resíduos vs. o tempo. Resíduos vs. varáves não ncluídas no modelo. Desvos sstemátcos no tempo Se houver tendênca, a nova varável deve ser ncluída. Ex: PAS dade + sexo Resíduos x IMC se apresentar tendênca, nclur
25 Gráfcos bdmensonas Gráfco da varável dependente (Y ) vs. os valores predtos ( ) permte avalar a qualdade do ajuste e a força da assocação. Gráfco dos erros (ε) com os valores predtos ( ) Permte avalar a hpótese de varânca constante, de lneardade, deal que o gráfco apresente uma dstrbução aleatóra, nuvem de pontos sem qualquer padrão sstemátco. Gráfco dos erros (ε) com cada uma das varáves regressoras ou ndependentes (X): o ajuste será bom se o dagrama tver um padrão aleatóro em torno de zero, no exo das ordenadas. Ideal que a nuvem seja bem próxma à dagonal Modelos nadequados mostrarão algum padrão sstemátco. A nãolneardade se tornará evdente quando estes gráfcos sugerrem a necessdade de nclur no modelo termos de maor ordem. Yˆ Yˆ
26 Gráfcos bdmensonas cont. Gráfco dos erros com o tempo: para avalar ndependênca das observações. Ideal que não apresente tendênca. Se o gráfco dos resíduos vs. varáves não ncluídas no modelo apresentarem algum padrão sstemátco quer dzer que devem ser adconadas ao modelo.
27 Valores observados vs. valores predtos Gráfco da varável dependente (Y ) vs os valores predtos ( ) permte avalar a qualdade do ajuste e a força da assocação. Yˆ Melhor ajuste y_pred y y_pred Pas β 0 + β Idade + e y Menor varânca dos erros em relação ao pora à medda que avança p/ 4 y_pred y 3 4 Fonte: Dados smulados com σ, 5, 0 e 0 quanto maor σ, menor a precsão de Yˆ y_pred y Qualdade por
28 Resíduos vs valor predto ( ) Elpse em torno de zero a c a Padrão esperado quando todos os pressupostos são atenddos (faxa de pontos em torno do zero) - ausênca de tendêncas. b Padrão típco de quando os dados se afastam do padrão lnear. c Varânca não homogênea (cresce com o aumento de Y ) Yˆ d b x + x Usar modelos que ncluem estrutura de dependênca. Ex: entrevstas ou meddas cujos resultaos são dependentes no tempo. Pode ser que os ndvíduos sejam da mesma famíla entrevstados em tempos dferentes d mutas vezes, os dados são coletados em função do tempo; neste exemplo, talvez nclur mostra-se uma clara correlação dos resíduos ao longo do tempo, ou seja, termo no tempo t 0, se um resíduo é postvo, no tempo t 0 + o resíduo também é quadrátco postvo e assm por dante. (olhando o gráfco b)
29 Resíduos vs. valores predtos cont. Exemplo de Modelo não lnear Relação não lnear. Pode ser nvestgada também com o dagrama de espalhamento. Se a relação fosse lnear, os resíduos formaram uma faxa em torno do valor zero.
30 Resíduos vs. valores predtos cont. Lneardade: O gráfco dos resíduos vs. valores predtos [letura nstrumento ^ f(poluente)] Y X Não lneardade Volação do poressuposto de lneardade Incorporar termo quadrátco para melhorar ajuste? O padrão semelhante ao da fgura b. Sugestão que a ntrodução de um termo quadrátco no modelo ra melhorá-lo.
31 Resíduos vs. valores predtos cont. Lneardade: O gráfco dos resíduos vs. ^ valores predtos - nclusão termo quadrátco [letura nstrumento f(poluente)] Y X 0.54X Embora haja grande espalhamento dos pontos (em parte em função do tamanho da amostra), a fgura mostra um padrão de faxa horzontal em torno do zero. Podemos também admtr que o padrão se assemelha ao da fgura c (heterocedastcdade).
32 Resíduos vs. valores predtos cont. Homogenedade das varâncas Varânca não homogênea Pensar em transformação da varável, como termo de maor potênca Ex: Inclur x?
33 Resíduos vs. varáves ndependentes X O º. gráfco mostra que os resíduos estão aleatoramente dstrbuídos não há qualquer tendênca aparente. O º. gráfco mostra que maores resíduos estão ocorrendo para maores valores de X o pressuposto de varânca constante não fo obedecdo. Transformar a varável O 3º. gráfco mostra que o modelo não é lnear. Incorporar termo quadrátco?
34 Correlação entre os erros Quando os dados são ordenados no tempo Construr gráfco dos resíduos ordenados no tempo também auxla na vsualzação de correlação entre estes erros.
35 Detecção de outlers Um outler de um conjunto de resíduos é um valor atípco. Pode car acma de,5 a 3 desvos padrão além da méda do conjunto de resíduos padronzados A presença de tal valor pode afetar o ajuste pelos mínmos quadrados Outlers podem causar um mpacto mportante nas conclusões de um estudo. É de nteresse saber em que medda este ponto afeta o ajuste. Não se recomenda excluí-lo, somente nos casos de certeza de ser um valor errado. No mínmo, realzar análses com e sem a presença dos outlers.
36 Detecção de outlers cont. Cálculo DSE (Desvo Studentzado Extremo): Exstem dversas formas de analsar se uma observação é um outler. Iremos apresentar um modo smples Padronzam-se os valores, para saber a quantos desvos padrões da méda eles estão. Estatístca DSE máx,,...n X - _ X / S Os que se afastam muto, podem ser consderados outlers. O que é "muto"?
37 Detecção de outlers Arredondado do,58 que equvale a 99% da normal ( da de Student g.l.?); (,96) 95% Está acma de, mas muto próxmo. Há outra de 3,44 (não aparece no gráfco) que sera a mas mportante para nos preocuparmos.
38 Observações nfluentes (Leverage ou alavanca) Uma observação nfluente é defnda como aquela que, por alguma razão, causa grandes mudanças em alguns ou em todos os parâmetros do modelo, quando ela é omtda do conjunto de dados. h medda da mportânca da -ésma observação no ajuste do modelo h -ésmo elemento da matrz H X(X X) - X Dagonal do produto da matrz das varáves ndependentes 0 h e h > (k+)/n ndcara a presença de uma observação nfluente. No. de parâmetros
39 Dstânca de Cook: Ajuda a descobrr possíves outlers Ela quantfca o peso da observação no modelo É uma medda da mudança dos coefcentes de regressão, quando se retra do modelo essa observação. Pontos com valores acma de são valores suspetos. Os maores que snalzam séros problemas. ( ) ( ) + + h S k h e h h r k d Resíduo Jacknfe Resíduo
40 DFbeta: Permte avalar o efeto de cada observação nas estmatvas de cada um dos parâmetros do modelo ajustado. São calculados os coefcentes Dfbeta para cada varável. Uma observação é consderada nfluente se: Dfbeta k > se n< 30 Dfbeta k > /sqrt(n) se n > 30
41 Colneardade Colneardade Forte relação entre varáves ndependentes Pode gerar problemas numércos de modo a gerar estmatvas nacuradas dos coefcentes da regressão, varabldade e no valor-p. Supondo a regressão com varáves ndependentes X e X. Y + β X + 0 β X Pode-se demonstrar que para j ou j β + ε ˆ β j c j r ( X, X c j valor que depende dos dados. r (X,X ) é ao quadrado da correlação entre X e X. ) Β depende das observações (c j ), mas tb da correlação
42 Colneardade
43 Colneardade Então: são proporconas a (VIF) Se r (X,X ) então : [ - r (X,X )] 0 e Superestma os coefcentes, a varânca (que também é proporconal à parcela) e os testes que têm por base o valor do coefcente e a varânca (p-valor) 0 ˆ ˆ ˆ X X Y β β β + + ), ( ) ( ˆ ˆ ˆ 0 X X r X c X c X X Y β β β 0 ˆ e ˆ, ˆ β β β Y ), ( X X r ), ( X X r
44 Colneardade r > 0.90 merece atenção exste uma medda que verfca se a correlação pode causar problema de colneardade VIF - Varance nflaton factor Se não detectou colneardade na exploratóra, O VIF ajuda depos do ajuste, na fase de dagnóstco VIF r ( X, X ) VIF 0 0,8 e 0,85 por ex. tb afetam as estmatvas. O ponto de corte é controverso Regra prátca: VIF 0 r > 0.90 ou r > 0.95
45 Estratégas alternatvas Algumas estratégas podem ser adotadas quando os pressupostos báscos não são atenddos. Transformações Exstem 3 razões báscas pra usar transformações matemátcas dos dados:. Establzar a varânca no caso de heterocedastcdade. Normalzar a varável depedente Y. Ou varável resposta ou a ndependente 3. Lnearzar o modelo de regressão caso os dados não sugram uma relação lnear. Mas que normalzar Y, normalzar a dstrbução dos resíduos A dstr Y normaldade de Y é condconada à X (dstr Y para dade0, para dade30 etc.)
46 As transformações mas usadas são: Log (Y' log Y) Para establzar varânca, quando ela cresce acentuadamene com o aumento de Y Normalzar a dstrbução da varável dependente Y (caso a dstrbução dos resíduos seja marcadamente assmétrca à dreta) Para lnearzar a relação de Y e X, caso a relação sugra uma nclnação consstentemente crescente log log undade log X X Y Y X X X Y X Y β β β β β β β β log log log ) ( log log Y Y Y Y Y Y Y Y X X Y Y β β β β β Cauda à dreta
47 As transformações mas usadas são: Raz quadrada (Y' Y): Establza a varânca nos casos em que a varânca é proporconal à méda de Y. Em especal se a varável dependente tem uma dstrução de Posson.
48 As transformações mas usadas são: Inverso (Y' /Y) Establza a varânca nos casos em que a varânca é proporcnal à 4a. potênca da méda de Y (var Y 4 ). Indca que um aumento abrupto ocorre a partr de um determnado lmar de Y. Esta transformação mnmza o efeto de valores elevados de Y, uma vez que a transformação os trará para próxmo de zero. Aumentos grandes em Y ocasonarão aumentos pequenos em Y (Y transformada)
49 As transformações mas usadas são: Quadrado (Y' Y ) Establza a varânca quando a varânca dmnu com a méda de Y Para normalzar a varável dependente Y, se a dstrbução dos resíduos é assmétrca à esquerda Lnearzar o modelo se a relação orgnal for curvlína para baxo (se a nclnação consstentemente decresce com o aumento de X).
50 As transformações podem ser realzadas também na varável ndependente X /x
Análise dos resíduos e Outlier, Alavancagem e Influência
Análse dos resíduos e Outler, Alavancagem e Influênca Dagnóstco na análse de regressão Usadas para detectar problemas com o ajuste do modelo de regressão. Presença de observações mal ajustadas (pontos
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Varáves Varável: característcas ou tens de nteresse de cada elemento de uma população ou amostra Também chamada parâmetro, posconamento, condção...
Leia maisAnálise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres
Análse de Varânca Rejane Sobrno Pnhero Tana Gullén de Torres Análse de Varânca Introdução Modelos de análse de varânca consttuem uma classe de modelos que relaconam uma varável resposta contínua com varáves
Leia maisb. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda.
Meddas de Posção Introdução a. Dentre os elementos típcos, destacamos aqu as meddas de posção _ estatístcas que representam uma sére de dados orentando-nos quanto à posção da dstrbução em relação ao exo
Leia maisVariáveis Indicadoras. Roteiro. Introdução
Varáves Indcadoras Rotero 1. Introdução 2. Varável Bnára de Intercepto 3. Varável de Interação 4. Aplcação 5. Varáves Qualtatvas com Váras Categoras 6. Referêncas Introdução Varáves Bnáras Modelo estenddo
Leia maisESTATÍSTICA. na Contabilidade Revisão - Parte 2. Medidas Estatísticas
01/09/01 ESTATÍSTICA na Contabldade Revsão - Parte Luz A. Bertolo Meddas Estatístcas A dstrbução de frequêncas permte-nos descrever, de modo geral, os grupos de valores (classes) assumdos por uma varável.
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisMedidas de tendência central. Média Aritmética. 4ª aula 2012
Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem
Leia maisY = AN α, 0 < α < 1 (1) Π = RT CT = P Y W N (2) Π/ N = α N α -1 AP W = 0. W = α P AN α -1. P = W/α AN α -1
Gabarto da Lsta 1 de Macro II 2008.01 1 a Questão a)falso, pode ocorrer que a força de trabalho cresça juntamente com o número de empregados. Se a Força de trabalho crescer mas que o número de empregados
Leia maisESTATÍSTICA APLICADA
UNIVERSIDADE FEDERAL DO PARÁ ASSESSORIA DE EDUCAÇÃO A DISTÂNCIA INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS ESPECIALIZAÇÃO EM GESTÃO EMPRESARIAL NA MODALIDADE SEMIPRESENCIAL ESTATÍSTICA APLICADA Prof. João
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisTabela 1. Porcentagem de crianças imunizadas contra DPT e taxa de mortalidade de menores de 5 anos para 20 países, 1992.
Regressão Lnear Algumas vezes estamos nteressados não apenas se exste assocação entre duas varáves quanttatvas x e y, mas nós temos também uma hpótese a respeto de uma provável relação de causa e efeto
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisLEIS DE KIRCHHOFF EM CIRCUITOS DE CORRENTE CONTÍNUA
EXPERIÊNCI 04 LEIS DE KIRCHHOFF EM CIRCUITOS DE CORRENTE CONTÍNU 1. OBJETIVOS a) Determnar a força eletromotrz e a resstênca nterna de uma batera em um crcuto de malha únca. b) Calcular a resstênca nterna
Leia maisA esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.
Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela
Leia maisCÁLCULO DA DIRECTRIZ
CÁCUO DA DIRECTRIZ I - Elementos de defnção da polgonal de apoo: - Coordenadas dos vértces da polgonal (M, P ); - Dstânca entre vértces da polgonal ( d); - Rumos dos alnhamentos (ângulo que fazem com a
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia mais2 PROPRIEDADES ÓPTICAS
23 2 PROPRIEDADES ÓPTICAS A segur será feta uma revsão sobre as prncpas propredades óptcas de nteresse para o nosso estudo. 2.1. Luz Segundo Maxwell, a luz é uma modaldade de energa radante que se propaga
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMedidas de Localização
07/08/013 Udade : Estatístca Descrtva Meddas de Localzação João Garbald Almeda Vaa Cojuto de dados utlzação de alguma medda de represetação resumo dos dados. E: Um cojuto com 400 observações como aalsar
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisCasos de estimação do modelo de ajustamento da dívida com o xtabond2 do Stata
Lus Fernandes Rodrgues Casos de estmação do modelo de ajustamento da dívda com o xtabond do Stata Arellano-Bond (99) nspraram-se na forma de nstrumentar de Holtz-Eakn, Newe, e Rosen (988) que preconzam,
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisProbabilidade: Diagramas de Árvore
Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisEm muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.
.4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais4.1. Medidas de Posição da amostra: média, mediana e moda
4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisIncerteza e propagação de Erros em sistemas de medição. Prof. Valner Material desenvolvido com notas de aulas e
Incerteza e propagação de Erros em sstemas de medção Prof. Valner Materal desenvolvdo com notas de aulas e bblografa Incerteza de medção Documento mportante: Gude to the Epresson of Uncertant n Measurement
Leia maisEscola Secundária de Lousada Ficha de trabalho de Matemática do 7º ano nº Data: / / 2011 Assunto: Tratamento de dados I Lições nº, e,
Escola Secundára de Lousada Fcha de trabalho de Matemátca do 7º ano nº Data: / / 2011 Assunto: Tratamento de dados I Lções nº, e, Estatístca é um ramos da Matemátca que permte fazer um estudo de uma forma
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisIncerteza na Medição da Largura de Cordões de Solda
(Weld Bead Wdth Measurement Uncertanty) Rosenda Valdés Arencba, José Rbamar dos Santos Rbero Unversdade Federal de Uberlânda, FEMEC, Av. João Naves de Ávla, 22 Bloco M, Uberlânda - MG, CEP 3800-902, arvaldes@mecanca.ufu.br,
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisComprimento de Arco. Comprimento de Arco
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Comprmento de Arco
Leia mais67 das 88 vagas no AFRF no PR/SC 150 das 190 vagas no TRF no PR/SC 150 das 190 vagas no TRF Conquiste sua vitória ao nosso lado
Estatístca AFRF Tele - Transmtdo Mas de 360 aprovados na Receta Federal em 006 67 das 88 vagas no AFRF no PR/SC 50 das 90 vagas no TRF no PR/SC 50 das 90 vagas no TRF Conquste sua vtóra ao nosso lado Teora
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia maisUma estimativa bayesiana aplicada aos casos notificados de hantavirose no estado do Pará via regressão logística
Uma estmatva bayesana aplcada aos casos notfcados de hantavrose no estado do Pará va regressão logístca Pâmela Tamrs Caldas Serra de Souza 1 Wagner Rogéro Ferrera Pnhero 1 Crstane Nazaré Pamplona de Souza
Leia maisControle de Processo de Produção do Alto Forno por meio de Técnicas Estatísticas Multivariadas em Tempo Real
Eduardo Perera da Rocha Thomsen Controle de Processo de Produção do Alto Forno por meo de Técncas Estatístcas Multvaradas em Tempo Real Dssertação apresentada à banca examnadora como parte ntegrante dos
Leia maisRegressão linear múltipla. Prof. Tatiele Lacerda
Regressão linear múltipla Prof Tatiele Lacerda Yi = B + Bx + B3X3 + u Plano de resposta E(Y i ) = 0,00 Y i i 0 (,33;,67) Y i 0 X i Xi X p i, p i 3 Modelo de regressão linear múltipla em termos matriciais,
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisRegressão Linear - Introdução
Regressão Lear - Itrodução Na aálse de regressão lear pretede-se estudar e modelar a relação (lear) etre duas ou mas varáves. Na regressão lear smples relacoam-se duas varáves, x e Y, através do modelo
Leia maisTipo tratamento idade Tipo tratamento sexo
Modelos de Regressão em Saúde Rejane Sobrno Pnhero Tâna Zdenka Gullén de Torres Modelos de Regressão Famíla de técncas estatístcas város fatores meddos (predtor, covarável, varável ndependente) relaconados
Leia maisCURSO 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;
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisProposta de resolução da Prova de Matemática A (código 635) 21 de Junho de 2010
Proposta de resolução da Prova de Matemátca A (códgo 6 Como A e B são acontecmentos ncompatíves, 0 e Ou seja, de acordo com os dados do enuncado, 0% 0% 0% Versão : B Versão : C Como se trata de uma únca
Leia mais(c) 0,5; 9,5; -10,5; -0,5; 12,3; 2,3; etc. Ocorre desvio alto para o indivíduo 19 (-19,5) X (idade da casa)
Bussab&Morettn Estatístca Básca Capítulo 6 Problema zˆ,5, 55x αˆ : a acudade vsual méda estmada para recém-nascdos (zero anos de dade) é,5; βˆ : a acudade vsual méda estmada dmnu,55 a cada ano,5; 9,5;
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisAULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.
Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisAnálise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisLei dos transformadores e seu princípio de funcionamento. Os transformadores operam segundo a lei de Faraday ou primeira lei do eletromagnetismo.
Le dos transformadores e seu prncípo de funconamento Os transformadores operam segundo a le de Faraday ou prmera le do eletromagnetsmo. Prmera le do eletromagnetsmo Uma corrente elétrca é nduzda em um
Leia maisMedidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.
Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas
Leia maisCapítulo 1 Variáveis Elétricas
Capítulo 1 Varáes Elétrcas 1.1 Vsão geral da engenhara elétrca A engenhara elétrca é uma profssão empolgante e desafadora para qualquer um que tenha nteresse genuíno pela cênca e matemátca aplcada. Engenhara
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisAnálise de Regressão Linear Simples III
Análise de Regressão Linear Simples III Aula 03 Gujarati e Porter Capítulos 4 e 5 Wooldridge Seção.5 Suposições, Propriedades e Teste t Suposições e Propriedades RLS.1 O modelo de regressão é linear nos
Leia maisProgramação de Computadores II TCC 00.174/Turma A 1
Programação de Computadores II TCC 00.174/Turma A 1 Professor Leandro A. F. Fernandes http://www.c.uff.br/~laffernandes Conteúdo: Introdução ao Java (exercícos) Materal elaborado pelos profs. Anselmo Montenegro
Leia maisANÁLISE ESTATÍSTICA APLICADA A MODELAGEM DE MISTURAS EXPERIMENTAIS DE ARGAMASSAS PARA ASSENTAMENTO DE BLOCOS DE CONCRETO
ANÁLISE ESTATÍSTICA APLICADA A MODELAGEM DE MISTURAS EXPERIMENTAIS DE ARGAMASSAS PARA ASSENTAMENTO DE BLOCOS DE CONCRETO Fernando Pelsser (); Phlppe J. P. Gleze (); Humberto R. Roman (); Ghad Mohamad (3)
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisCURVAS CARACTERÍSTICAS DE RESISTORES
EXPERIÊNCIA 02 CURVAS CARACTERÍSTICAS DE RESISTORES 1. OBJETIVOS a) Levantar curvas característcas (corrente x tensão) de resstores lneares e não lneares. b) Calcular a resstênca de um resstor metálco
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia mais