Prof. Lorí Viali, Dr.
|
|
|
- Bianca Tomé Fraga
- 7 Há anos
- Visualizações:
Transcrição
1 Prof. Lorí Val, Dr.
2 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
3 Numa relação expermental os valores de uma das varáves são controlados. No relaconamento correlaconal, por outro lado, não se tem nenhum controle sobre as varáves sendo estudadas. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
4
5 O Estoque de Moeda (M1) está relaconado com a varação dos preços. Verfque se exste correlação entre o IPC amercano com a oferta monetára, consderando dados do período de 1960 a 003. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
6 Ano Y M1 X IPC ,7 9, , 9, ,8 30, ,3 30, ,3 31, ,8 3, ,9 177, ,4 179, ,1 184,0 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
7 O prmero passo para determnar se exste relaconamento entre as duas varáves é obter o dagrama de dspersão (scatter dagram). Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
8 IPC M Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
9 O dagrama de dspersão fornece uma dea do tpo de relaconamento entre as duas varáves. Neste caso, percebe-se que exste um relaconamento lnear. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
10 Quando o relaconamento entre duas varáves quanttatvas for do tpo lnear, ele pode ser meddo através do: Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
11
12 Observado um relaconamento lnear entre as duas varáves é possível determnar a ntensdade deste relaconamento. O coefcente que mede este relaconamento é denomnado de Coefcente de Correlação (lnear). Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
13 Quando se está trabalhando com amostras o coefcente de correlação é ndcado pela letra r e é uma estmatva do coefcente de correlação populaconal que é representado por ρ (rho). Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
14
15 Para determnar o coefcente de correlação (grau de relaconamento lnear entre duas varáves) vamos determnar ncalmente a varação conjunta entre elas, sto é, a covarânca. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
16 A covarânca entre duas varáves X e Y, é representada por Cov Cov(X (X; Y) e calculada por: Cov( X,Y ) ( X X )( Y n 1 Y ) Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
17 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca Mas nxy Y X nxy nxy nxy Y X XY X Y Y X Y X XY Y X X Y Y X XY ] Y X X Y Y X [ ) Y Y )( X X (
18 Então: Cov( X,Y ) ( X X )( Y n 1 Y ) X Y n 1 nxy Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
19 A covarânca podera ser utlzada para medr o grau e o snal do relaconamento entre as duas varáves, mas ela é dfícl de nterpretar por varar de - a +. Assm é mas convenente utlzar o coefcente de correlação lnear de Pearson (momento produto). Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
20 O coefcente de correlação lnear (de Pearson) é defndo por: Cov ( X,Y ) r X Y Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
21 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca Onde: 1 n ny Y 1 n X n X 1 n nxy Y X ) X,Y Cov( Y X
22 Esta expressão não é muto prátca para calcular o coefcente de correlação. Pode-se obter uma expressão mas convenente para o cálculo manual e o cálculo de outras meddas necessáras mas tarde. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
23 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca Tem-se: ( )( ) Y n Y X n X n X Y Y X 1 n Y n Y 1 n X n X 1 n n X Y Y X ),Y X ( Cov r Y X
24 F a Fazendo: z e n d 0 Tem se : XY XX YY X Y X Y r n X ny XY nxy XX. YY Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
25 A vantagem do coefcente de correlação (de Pearson) é ser admensonal e varar de 1 a + 1, que o torna de fácl nterpretação. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
26 Assm se r -1, temos uma relaconamento lnear negatvo perfeto, sto é, os pontos estão todos alnhados e quando X aumenta Y decresce e vce-versa. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
27 50 40 r Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
28 e r +1, temos uma relaconamento lnear postvo perfeto, sto é, os pontos estão todos alnhados e quando X aumenta Y também aumenta. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
29 50 40 r Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
30 Assm se r 0, temos uma ausênca de relaconamento lnear, sto é, os pontos não mostram alnhamento. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
31 50 40 r Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
32 Assm se 1 < r < 0, temos uma relaconamento lnear negatvo, sto é, os pontos estão mas ou menos alnhados e quando X aumenta Y decresce e vce-versa. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
33 < r < Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
34 Assm se 0 < r < 1, temos uma relaconamento lnear postvo, sto é, os pontos estão mas ou menos alnhados e quando X aumenta Y também aumenta. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
35 < r < Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
36 Uma correlação amostral não sgnfca necessaramente uma correlação populaconal e vce-versa. É necessáro testar o coefcente de correlação para verfcar se a correlação amostral é também populaconal. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
37 Observada uma amostra de ses pares, pode-se perceber que a correlação é quase um, sto é, r 1. No entanto, observe o que ocorre quando mas pontos são acrescentados, sto é, quando se observa a população! Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
38 50 40 r ρ Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
39 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
40 Determnar o grau de relaconamento lnear entre as varáves X Índce de Preços ao Consumdor versus Y Estoque de Moeda, para os valores da Economa Amercana de 1960 a 003. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
41 Ano X Y XY X Y ,7 9, , 9, ,8 30, ,3 30, ,3 31, ,8 3, ,9 177, ,4 179, ,1 184,0 Total 5894,5 410, , , ,97
42 Vamos calcular r utlzando a expressão em destaque vsta anterormente, sto é, através das quantdades, xy, XX e YY. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
43 Tem-se: n 44 X 5894,50 Y 410,90 X 588,5114 Y 93,477 XY ,69 X ,1 Y ,97 Então: XY X Y nxy ,4161 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
44 XX X n X ,7043 YY Y ny 10601,8698 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
45 r XY XX. YY , ,8698 0, ,4161 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
46 Apesar de r ser um valor admensonal, ele não é uma taxa. Assm o resultado não deve ser expresso em percentagem. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
47
48 Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
49 A análse de regressão é uma técnca estatístca para modelar e nvestgar o relaconamento entre duas ou mas varáves. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
50 De fato a regressão pode ser dvdda em dos problemas: () o da especfcação e ( ) o da determnação. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
51 O problema da especfcação é descobrr dentre os possíves modelos (lnear, quadrátco, exponencal, etc.) qual o mas adequado. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
52 O problema da determnação é uma vez defndo o modelo (lnear, quadrátco, exponencal, etc.) estmar os parâmetros da equação. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
53 Normalmente é suposto que exsta uma varável Y (dependente ou resposta), que está relaconada a k varáves (ndependentes ou regressoras) X ( 1,,..., k). Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
54 A varável resposta Y é aleatóra, enquanto que as varáves regressoras X são normalmente controladas. O relaconamento entre elas é caracterzado por uma equação denomnada de equação de regressão. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
55 Quando exstr apenas uma varável regressora (X) tem-se a regressão smples, se Y depender de duas ou mas varáves regressoras, então tem-se a regressão múltpla. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
56 Vamos supor que a regressão é do tpo smples e que o o modelo seja lnear, sto é, vamos supor que a equação de regressão seja do tpo: Y α + βx + U. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
57 y Y α + βx + U; x 1 x x n x Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
58 O termo U é o termo erro, sto é, U representa outras nfluêncas sobre a varável Y, além da exercda pela varável X. A varação resdual (termo U) é suposto de méda zero e desvo constante e gual a σ. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
59 Ou anda pode-se admtr que o modelo fornece o valor médo de Y, para um dado x, sto é: E(Y/x) α + βx Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
60 Y α + βx + U; E(Y/x) α + βx, sto é, E(U) 0 V(Y/x) σ ; Cov(U, Uj) 0, para j; A varável X permanece fxa em observações sucessvas e os erros U são normalmente dstrbuídos. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
61 O modelo suposto E(Y/x) α + βx é populaconal. Vamos supor que se tenha n pares de observações, dgamos: (x 1, y 1 ), (x, y ),..., (x n, y n ) e que através deles queremos estmar o modelo acma. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
62 A reta estmada será representada por: Ŷ a + bx ou Y a + bx + E Onde a é um estmador de α e b é um estmador de β, sendo Ŷ um estmador de E(Y/x). Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
63 Exstem dversos métodos para a determnação da reta desejada. Um deles, denomnado de MMQ (Métodos dos Mínmos Quadrados), consste em mnmzar a soma dos quadrados das dstâncas da reta aos pontos. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
64 Tem-se: Y a + bx + E, Então: E Y - (a + bx ) Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
65 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca Deve-se mnmzar: φ n 1 n 1 n 1 ) bx a Y ( ) Ŷ Y ( E
66 Y a + b X + E y ŷ E x Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
67 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca Dervando parcalmente tem-se: ) X b a Y ( x b ) X b a Y ( a n 1 n 1 φ φ
68 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca Igualando as dervadas parcas a zero vem: 0 ) X b a Y ( x 0 ) X b a Y ( n 1 n 1
69 Isolando as ncógntas, tem-se: Y na + b X X Y n X + b X Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
70 Resolvendo para a e b, segue: b X X y nxy n X XY XX a Y bx Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
71 Lembrando que: XY X Y nxy XX X n X YY Y ny Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
72 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
73 Consderando os valores das varáves Oferta Monetára e Índce de Preços ao Consumdor, consderadas anterormente, determnar uma equação de regressão lnear para prever o IPC dado um determnado nível de Oferta Monetára. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
74 Ano Y IPC X M ,6 140, ,9 145, , 147, ,6 153, ,5 160, ,4 167, ,1 117, ,9 110, ,0 187,1 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
75 Da mesma forma que para calcular o coefcente de correlação é necessáro a construção de três novas colunas. Uma para X, uma para Y e outra para XY. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
76 Ano X Y XY X Y ,7 9, , 9, ,8 30, ,3 30, ,3 31, ,8 3, ,9 177, ,4 179, ,1 184,0 Total 5894,5 410, , , ,97 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
77 Tem-se: n 44 X 5894,50 Y 410,90 X 588,5114 Y 93,477 XY ,69 X ,1 Y ,97 Então: XY X Y nxy ,4161 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
78 XX X n X , 7043 YY Y ny 10601,8698 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
79 A equação de regressão, será, então: b XY XX ,4161,7043 0,133 0,13 a Y bx 93,477 0, , , ,89 Yˆ 14,89 + 0,13x Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
80 A pergunta que cabe agora é: este modelo representa bem os pontos dados? A resposta é dada através do erro padrão da regressão. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
81 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
82 O objetvo do MMQ é mnmzar a varação resdual em torno da reta de regressão. Uma avalação desta varação é dada por: E ( Y a bx ) n n Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
83 O cálculo da varânca resdual, por esta expressão, é muto trabalhoso, pos é necessáro prmero determnar os valores prevstos. Entretanto é possível obter uma expressão que não requera o cálculo dos valores prevstos, sto Ŷ a + bx é, de. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
84 vem: Desenvolvendo o numerador da expressão, ( Y a bx ) [Y Y ( Y Y ) YY b [Y ( Y + bx bx] b ( X X )(Y Y ) XY + b [Y XX bx ) bx] Y b( X X )] + b ( X X ) Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
85 Uma vez que: ( X X )( Y Y ) X Y nxy ( X X ) ( Y Y ) XY X n X Y ny XX YY Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
86 Deste modo, tem-se: ( Y a bx ) YY b XY + b XX Mas: b XY XX XY b XX Então: ( Y a bx ) YY b XX + b YY b XX XY YY + b b XX XX Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
87 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca Assm: n b n b s XY YY XX YY n ) bx a Y ( n E s erá, fnalmente:
88 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
89 Consderando os valores do exemplo anteror, determnar o erro padrão da regressão. Tem-se: XY ,4161 XX ,7043 b XY ,4161 0,133 XX ,7043 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
90 Então: s YY -b n - XY 10601,8698 8,878 8,83-0, ,4161 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
91 A pergunta, agora, é: este erro é razoável?, quer dzer, ele não é muto grande? A resposta envolve o cálculo do erro relatvo, sto é, devemos comparar este resultado com a varável de nteresse. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
92 A varável envolvda aqu é a Y, sto é, a base monetára, então, o erro relatvo, será: s 8,878 g s Y 93,477 9,47% Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
93 Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
94 Y Ŷ Y Y Y Y Ŷ Ŷ Y Y Y Y x Ŷ + Ŷ Y ( Y Y ) ( Y Ŷ ) + ( Ŷ Y ) VT VR + VE Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
95 (a) Varação Total: VT VT ( Y Y ) YY (b) Varação Resdual: VR VR ( ) Y Ŷ b YY XX VT VE (c) Varação Explcada: VE VE ( ) Yˆ Y b XX Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
96 Uma manera de medr o grau de aderênca (adequação) de um modelo é verfcar o quanto da varação total de Y é explcada pela reta de regressão. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
97 Para sto, toma-se o quocente entre a varação explcada, VE e a varação total,vt: R VE / VT Este resultado é denomnado de Coefcente de Determnação. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
98 R b VE b XX XY VT YY YY XY XX YY Este resultado mede o quanto as varações de uma das varáves são explcadas pelas varações da outra varável. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
99 Ou anda, ele mede a parcela da varação total que é explcada pela reta de regressão, sto é: VE b XX R YY A varação resdual corresponde a: VR (1 R ) YY Assm 1 R é o Coefcente de Indetermnação. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca - Departamento de Estatístca
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 entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Prof. 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
Prof. 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
Prof. 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. UFRGS Insttuto de Matemátca
É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
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
CORRELAÇÃO 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
Associação 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
Análise 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
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
Estatística 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
Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
NOÇÕES 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
Cap. 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
3 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
Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Regressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Métodos 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
REGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Regressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Covariância 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
CAPÍTULO 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
Gráficos 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
Análise 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
Estatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
REGRESSÃO 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
PRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Contabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
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
Gabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7
Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Algarismos 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
Modelo 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
Os 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,
Correlação. Frases. Roteiro. 1. Coeficiente de Correlação 2. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5.
Correlação Frases Uma probabldade razoável é a únca certeza Samuel Howe A experênca não permte nunca atngr a certeza absoluta. Não devemos procurar obter mas que uma probabldade. Bertrand Russel Rotero
4 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
Modelo 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
3. 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
O 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
RISCO. 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 $
MODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
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
Testes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Curso 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,
Tabela 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
R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Regressão Linear Simples. Frases. Roteiro
Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear
X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
O 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
UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Análise 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
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
Análise 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
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
2 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
Ao 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
CAPÍTULO 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
Métodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
CURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
ANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Serão abordados nesse capítulo os modelos causais, utilizados como ferramentas para o desenvolvimento e análise desse trabalho.
3. Modelos causas Serão abordados nesse capítulo os modelos causas, utlzados como ferramentas para o desenvolvmento e análse desse trabalho. 3.1. Econometra A base da Econometra é a aplcação de métodos
UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Dados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
DEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
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
Ajuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Redução 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
EXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
DIAGNÓSTICO 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
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Capítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Realimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Tipo 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
RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
AULA 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.
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
3.6. 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
Variáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
MOQ-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.
(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;
(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
Prof. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =
Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo
Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Cap. 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