MAE Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4
|
|
- Ayrton Bandeira de Caminha
- 6 Há anos
- Visualizações:
Transcrição
1 MAE Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4 Exercício 1 Uma rede de supermercados decidiu dar um bônus aos clientes em seis faixas. Mediu-se o incremento y para as faixas de compras x. a) Ajuste o modelo linear. O modelo linear ajustado tem as seguintes estimativas. Estimativa Erro padrão Valor-P Intercepto 40,99 45,37 0,3875 x 0,50 0,27 0,0935 Verifica-se significância marginal (ao nível de 10%) das faixas de bônus no incremento de consumo y. b) Faça o diagrama de dispersão com a reta ajustada. Você acha o modelo adequado? O diagrama de dispersão da Figura 1 mostra uma tendência quadrática do incremento y em relação às faixas de bônus x. A reta ajustada pelo modelo de regressão parece não estar adequada para explicar a variação em y, segundo as faixas x de bônus. Figura 1: Gráfico de dispersão do incremento y contra as faixas de bônus x c) Proponha um modelo mais adequado e faça a análise de resíduos. Um modelo mais adequado é polinomial com um termo quadrático e um termo linear. Os resultados são expressos na tabela a seguir: Estimativa Erro padrão Valor-P Intercepto -489,307 76,251 0,0001 x 7,511 0,984 < 0,0001 x 2-0,022 0,003 < 0,0001
2 O modelo apresentou R 2 ajustado de 0,864, o que indica bom poder de explicação. Os gráficos para a análise de diagnóstico são apresentados na Figura 2. Figura 2: Gráficos para a análise de diagnóstico do modelo do incremento y contra as faixas de bônus x com termo quadrático Pelo primeiro gráfico, de resíduos por valores ajustados, é possível observar que a variância parece constante pelas faixas de bônus (as dispersões dos resíduos nos valores ajustados é mais ou menos a mesma). Trata-se de um indicativo favorável à suposição de homocedasticidade utilizada no ajuste do modelo. O QQ-Norm, por sua vez, não oferece evidências fortes para a rejeição da suposição de normalidade. Por fim, há alguns pontos que apresentam resíduos um pouco mais elevados que os demais. Porém, não destoam de modo acintoso. Os códigos no R são os seguintes: x<-c(100, 100, 125, 125, 150, 150, 175, 175, 200, 200, 225, 225) y<-c(30, 44, 114, 138, 155, 163, 145, 163, 158, 126, 126, 106) mod1<-lm(y~x) summary(mod1) plot(mod1) plot(x,y) abline(mod1) mod2<-lm(y~x+i(x^2)) summary(mod2) par(mfrow=c(2,2)) plot(mod2) par(mfrow=c(1,1))
3 Exercício 2 Procura-se avaliar a capacidade de uma armadilha em pegar moscas. Então, realiza-se um experimento controlado: a cada realização do experimento, oito moscas são soltas e queremos contar quantas ficaram presas na armadilha. São selecionadas cinco distâncias e realizadas quatro réplicas do experimento em cada uma delas. Proponha um modelo, apresente as suposições, os resultados do ajuste no R e interprete as estimativas. Cada realização do experimento com as oito moscas resulta em um certo número de sucessos (capturas de moscas pela armadilha), e fracassos. Com isso, queremos verificar se esse número de sucessos está associado ou não à distância em que a armadilha é posicionada. A variável resposta do modelo, portanto, é o sucesso ou fracasso (a mosca foi ou não capturada). A variável explicativa é a distância a que a armadilha foi colocada. Um modelo adequado às características do experimento é a regressão logística. Uma das suposições é que a variável resposta assume apenas dois valores no caso, 0 para fracasso e 1 para sucesso. Além disso, deve estar assegurada a independência dos erros e o tamanho amostral deve ser suficientemente grande, tanto para a ocorrência de sucessos quanto para de fracassos. Os dados mostram a ocorrência de 65 sucessos e 95 fracassos. O modelo de regressão logística é um modelo que pertence à classe dos Modelos Lineares Generalizados (MLGs). Ele pode ser escrito em termos de um preditor linear η, em que: η = Xβ E(Y X) = µ = g 1 (η) A probabilidade de sucessso é definida como π(x). Na regressão logística, o preditor linear η é dado pela função logito: ( ) π(x) log = Xβ 1 π(x) Assim, o modelo de regressão proposto buscará modelar o logito como resposta. Os resultados são os seguintes: Estimativa exp(estimativa) Erro padrão Valor-P Intercepto 0,1143 1,1211 0,2443 0,6399 Distância/10-0,1339 0,8747 0,0521 0,0102 A interpretação do modelo é feita a partir da razão de chances. Assim, o aumento de 10 m na distância da armadilha leva à uma diminuição de 12, 53% (1 0, 8747) na chance de captura da mosca. Os códigos em R são os seguintes: distancia<-c(rep(6.25, 32), rep(12.5, 32), rep(25.0, 32), rep(50.0, 32), rep(100.0, 32)) moscas<-c(c(rep(0,3),rep(1,5)), c(rep(0,5),rep(1,3)), c(rep(0,4),rep(1,4)), c(rep(0,2),rep(1,6)), c(rep(0,3),rep(1,5)), c(rep(0,6),rep(1,2)), c(rep(0,3),rep(1,5)), c(rep(0,4),rep(1,4)), c(rep(0,4),rep(1,4)), c(rep(0,3),rep(1,5)), c(rep(0,5),rep(1,3)), c(rep(0,8),rep(1,0)),
4 c(rep(0,5),rep(1,3)), c(rep(0,4),rep(1,4)), c(rep(0,6),rep(1,2)), c(rep(0,6),rep(1,2)), c(rep(0,7),rep(1,1)), c(rep(0,6),rep(1,2)), c(rep(0,6),rep(1,2)), c(rep(0,5),rep(1,3))) boxplot(distancia~moscas) mod1<-glm(moscas~i(distancia/10), family=binomial) summary(mod1) exp(mod1$coefficients) plot(mod1) Fonte: PAULA, Gilberto A. Modelos de Regressão com Apoio Computacional. giapaula/texto 2013.pdf. Acessado em: 13.jun Disponível em:
5 Exercício 3 Avalie os resíduos apresentados e verifique se alguma das suposições dos modelos de regressão linear foi violada. Primeiramente, plotamos os resíduos apresentados pelos valores de x fornecidos no ajuste. O resultado é apresentado na Figura 3. É possível observar que a variabilidade dos resíduos parece maior para o valor x = 11. Trata-se de um indicativo de que a suposição de homocedasticidade pode não ser respeitada. Figura 3: Diagrama de dispersão dos resíduos por valores de x Na sequência, apresentamos o histograma dos resíduos e o QQ-Norm com as bandas de confiança. A Figura 4 aponta que a suposição de normalidade dos resíduos pode estar sendo ferida, uma vez que os resíduos parecem bastante assimétricos e fugindo à normalidade. Figura 4: Histograma dos resíduos (esquerda) e QQ-Norm dos resíduos com bandas de confiança (direita)
6 Os códigos em R são: x<-c(10,10,10,10,10,11,11,11,11,11,12,12,12,12,12,12, 13,13,13,13,13,14,14,14,14,14,14) residuo<-c(-2,0,-4,12,-2,26,-4,-2,-6,2,-2,-6,2,8,-2,2, 0,4,-2,0,-4,-4,0,-4,4,-6,-2) plot(x, residuo, ylab="resíduos") par(mfrow=c(1,2)) hist(residuo,breaks = 15, main="", ylab="frequ^encia", xlab="resíduos") qqplot(residuo, xlab="quantis da N(0,1)", ylab="resíduo") par(mfrow=c(1,1))
7 Exercício 4 Cinquenta e quatro indivíduos são submetidos a um exame psiquiátrico para avaliar a ocorrência ou não de sintomas de demência senil. Ajuste um modelo de regressão logística e interprete os resultados. A variável resposta do modelo é a ocorrência (ou não) de demência senil. A variável explicativa é o escore obtido no teste psiquiátrico. Os resultados do modelo de regressão logística ajustado são apresentados na tabela a seguir: Estimativa exp(estimativa) Erro padrão Valor-P Intercepto 2, ,0678 1,1918 0,0437 Escore -0,3235 0,7236 0,1140 0,0045 Pelos resultados, pode-se afirmar que o aumento de uma unidade no escore leva à diminuição de 27, 64% (1 0, 7236) na chance de um paciente apresentar senilidade. Os códigos em R são apresentados abaixo: Escore<-c(9,13,6,8,10,4,14,8,11,7,9, 7,5,14,13,16,10,12,11,14,15,18, 7,16,9,9,11,13,15,13,10,11,6, 17,14,19,9,11,14,10,16,10,16,14, 13,13,9,15,10,11,12,4,14,20) Resp<-c(rep(1,14), rep(0,40)) mod1<-glm(resp~escore, family=binomial) summary(mod1) exp(mod1$coefficients)
8 Exercício 5 a) Descreva o conjunto de dados. O conjunto de dados trata de 45 profissões dos Estados Unidos nos anos de Ele foi construído com a finalidade de investigar o prestígio das ocupações. As variáveis disponíveis são as seguintes: type: tipo de ocupação. É uma variável categórica com os seguintes níveis: prof (profissional e administrativo), wc (colarinho-branco, trata de profissionais de cargos mais elevados, gerenciais), bc (colarinho-azul, profissionais de nível intermediário). income: proporção de homens com ganhos de $3.500 ou mais. education: proporção de homens com ensino médio completo. prestige: proporção dos escores que classificam a ocupação como de nível excelente ou bom no quesito prestígio. b) Faça uma análise descritiva o mais completa possível das variáveis. Primeiramente, apresentamos uma tabela com medidas-resumo para as variáveis do banco de dados por tipo de ocupação. N Média Desvio padrão Mínimo Mediana Máximo Assimetria Curtose Prestígio 45 47,69 31,51 3,00 41,00 97,00 0,14-1,55 Colarinho azul 21 22,76 18,06 3,00 16,00 67,00 1,07-0,03 Profissional 18 80,44 14,11 45,00 85,00 97,00-1,11 0,16 Colarinho branco 6 36,67 11,79 16,00 38,50 52,00-0,52-0,95 Renda 45 41,87 24,44 7,00 42,00 81,00 0,11-1,44 Colarinho azul 21 23,76 18,11 7,00 17,00 81,00 1,55 2,17 Profissional 18 60,06 16,33 21,00 63,00 80,00-0,66-0,52 Colarinho branco 6 50,67 19,36 29,00 51,50 76,00 0,01-1,90 Educação 45 52,56 29,76 7,00 45,00 100,00 0,22-1,61 Colarinho azul 21 25,33 8,46 7,00 25,00 47,00 0,39 0,64 Profissional 18 81,33 16,82 44,00 86,00 100,00-1,13 0,06 Colarinho branco 6 61,50 18,88 34,00 63,00 87,00-0,10-1,64 Verificamos que as taxas de prestígio, renda e educação são maiores, em média, na categoria de profissionais. A categoria de colarinho azul é a que apresenta as menores taxas nas três variáveis contínuas. Portanto, há indícios de que o tipo de profissão ajude a explicar o percentual de prestígio. Quanto ao número de observações, foram encontradas no banco de dados apenas 6 profissões associadas ao tipo colarinho branco. Colarinho azul e profissional tiveram, respectivamente, 21 e 18 observações. Os percentuais mínimos de prestígio, renda e educação foram encontrados também nas profissões de colarinho azul. No entanto, a observação máxima de renda também ocorreu em uma profissão de colarinho azul. Isso pode se dever à grande assimetria positiva encontrada na renda para esse tipo de ocupação. De modo geral, há baixa assimetria positiva tanto para prestígio, quanto para renda e educação. E curtose negativa nos três casos. Apresentamos, então os boxplots, que tornam visuais os comentários expostos e facilitam a compreensão das dispersões. Podem ser observados, na Figura 5, alguns pontos outliers. Eles ocorrem no extremo superior nas três variáveis de interesse para a categoria de profissionais de colarinho azul. A categoria de profissionais apresentou algumas profissões outliers em prestígio e educação, mas no extremo inferior. Colarinho branco aparece como uma categoria intermediária de profissões por sua mediana. Há que se lembrar, contudo, que a base de dados tem apenas 6 observações desse tipo.
9 Figura 5: Boxplots para os percentuais de prestígio, renda e educação por tipo de ocupação
10 Por fim, apresentamos os gráficos de dispersão das três variáveis contínuas, uma contra a outra, na Figura 6. (a) Diagrama de dispersão de prestígio contra educação (b) Diagrama de dispersão de prestígio contra renda (c) Diagrama de dispersão de educação contra renda Figura 6: Diagramas de dispersão de prestígio, renda e educação É possível observar que as três variáveis têm associação positiva, isto é, quando aumenta o percentual de prestígio, aumentam renda e educação. Verifica-se também que a categoria de profissionais aparece com rendas, educação e prestígio mais elevados. Os códigos em R para a os gráficos são os seguintes: par(mfrow=c(3,1)) boxplot(dados$prestige~dados$type, col=c("lightskyblue", "indianred1","ivory2"), ylab="porcentagem de prestígio", main="prestígio", names=c("col. azul", "Profissionais", "Col. branco")) boxplot(dados$income~dados$type, col=c("lightskyblue", "indianred1","ivory2"), ylab="porcentagem de renda", main="renda", names=c("col. azul", "Profissionais", "Col. branco")) boxplot(dados$education~dados$type, col=c("lightskyblue", "indianred1","ivory2"), ylab="porcentagem de educaç~ao", main="educaç~ao", names=c("col. azul", "Profissionais", "Col. branco")) par(mfrow=c(1,1)) library(ggplot2) ggplot(dados, aes(x=education, y=prestige, color=type))+ geom_point() + theme_bw()+ scale_color_manual(values=c("lightskyblue", "indianred1","gray50"), name="profiss~ao",
11 breaks=c("bc", "prof", "wc"), labels=c("col. azul", "Profissionais", "Col. branco"))+ labs(x="percentual de prof. com ensino médio", y="percentual de prestígio >= bom") ggplot(dados, aes(x=income, y=prestige, color=type))+ geom_point() + theme_bw()+ scale_color_manual(values=c("lightskyblue", "indianred1","gray50"), name="profiss~ao", breaks=c("bc", "prof", "wc"), labels=c("col. azul", "Profissionais", "Col. branco"))+ labs(x="porcentagem de rendas >= $3.500", y="percentual de prestígio >= bom") ggplot(dados, aes(x=education, y=income, color=type))+ geom_point() + theme_bw()+ scale_color_manual(values=c("lightskyblue", "indianred1","gray50"), name="profiss~ao", breaks=c("bc", "prof", "wc"), labels=c("col. azul", "Profissionais", "Col. branco"))+ labs(x="porcentagem de prof. com ensino médio", y="porcentagem de rendas >= $3.500") c) Ajuste um modelo de regressão linear. O modelo de regressão linear tem os seguintes resultados: Estimativa Erro padrão Valor-P Intercepto -0,1850 3,71 0,9605 Educação 0,3453 0,11 0,0042 Renda 0,5976 0,09 < 0,0001 Profissional 16,6575 6,99 0,0221 Colarinho branco -14,6611 6,11 0,0211 O modelo mostra que educação e renda estão positivamente associados à taxa de prestígio. Assim, uma mudança de uma unidade na taxa de educação leva a aumento de 0,3453 na taxa de prestígio. Uma mudança de uma unidade na taxa de renda igual ou superior a $3.500 leva a aumento de 0,5976 na taxa de prestígio. Já os tipos de profissão, por sua vez, indicam que, tomando a profissão de colarinho azul como referência, há aumento de 16,6575 passando para as ocupações de tipo profissional, e diminuição de 14,6611 pontos, para a posição de colarinho branco, com a renda e a educação mantidas fixadas. É claro que as taxas de profissionais com renda mais elevada e educação igual ou superior a ensino médio são mais elevadas nas ocupações de tipo colarinho branco. Isso acaba compensando o efeito de diminuição de prestígio com relação às profissões de colarinho azul.
12 d) Faça uma análise de diagnóstico do modelo. Os quatro gráficos de diagnóstico para a função lm do R são apresentados na Figura 7. Figura 7: Gráficos para a análise de diagnóstico do modelo ajustado no item c) No gráfico de resíduos x valores ajustados, utilizados para verificar a suposição de homocedasticidade, não se verifica nenhum padrão que salta aos olhos. Assim, aparentemente, a suposição é válida. No QQ-Norm, há alguns pontos que fazem com que a distribuição fuja à normalidade, principalmente na cauda superior. As duas observações que se destacam são de maquinista e ministro. As duas também se destacam no gráfico de Locação-Escala, indicando que podem ser pontos outliers. Alguns pontos também são destacados como tendo grande alavancagem na distância de Cook, pelo gráfico de resíduos x alavancagem. A Figura 8 mostra o QQ-Norm com bandas de confiança. Novamente, dois pontos se destacam fugindo às bandas. Porém, todos os demais se encontram dentro do envelope.
13 Figura 8: QQ-Norm com bandas de confiança para os resíduos do modelo linear do item c) e) Você acha que o modelo pode ser utilizado? Justifique. Pela análise de resíduos, verificamos que não há indícios de heterocedasticidade. A dúvida maior é quanto à normalidade dos resíduos. O modelo tem um R 2 ajustado de 0,9044 e há 45 observações para o ajuste. Sua capacidade de explicação para o prestígio das profissões diante da renda, da educação e do tipo de profissão parece relevante. Com esses argumentos, o modelo pode ser utilizado. É evidente que novos modelos (que serão abordados em cursos de análise de regressão) podem ser estudados para aperfeiçoar o ajuste.
Regressão Linear Múltipla no R MAE-0217: ESTATÍSTICA DESCRITIVA MAIO DE 2017 PROFESSORA: MÁRCIA D ELIA BRANCO
Regressão Linear Múltipla no R MAE-0217: ESTATÍSTICA DESCRITIVA MAIO DE 2017 PROFESSORA: MÁRCIA D ELIA BRANCO MONITORA PAE: SIMONE HARNIK Regressão Linear Simples > O modelo de regressão linear simples
Leia maisAnálise de Resíduos. investigar características que comprometem a validade do MRLS:
Análise de Resíduos investigar características que comprometem a validade do MRLS: (1) relação entre X e Y não é linear (2) erros não tem variância constante (3) erros correlacionados (4) erros não são
Leia maisAnálise de Resíduos. investiga características que comprometem a validade do MRLS:
Análise de Resíduos investiga características que comprometem a validade do MRLS: (1) relação entre X e Y não é linear (2) erros não tem variância constante (3) erros correlacionados (4) erros não são
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisMAE Planejamento e Pesquisa II
MAE0327 - Planejamento e Pesquisa II EXPERIMENTOS/ESTUDOS NÃO-BALANCEADOS COM FATORES FIXOS - PARTE 1 7 de agosto de 2016 Denise A Botter MAE0327 7 de agosto de 2016 1 / 1 PLANEJAMENTO E PESQUISA I Estudos
Leia mais1 z 1 1 z 2. Z =. 1 z n
Gabarito Lista 3. Tópicos de Regressão. 2016-2. 1. Temos que y i ind N (µ, φi ), com log φ i = α + γz i, para i = 1,..., n, portanto (i) para o γ = (α, γ) a matriz modelo ca Z = 1 z 1 1 z 2.. 1 z n (ii)
Leia maisExemplo Vida Útil de Ferramentas
Exemplo Vida Útil de Ferramentas Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Vida útil de Ferramentas 2 o Semestre 2016 1 /
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA BRUNO GERONYMO - GRR20159232 HERMANN MOGIZ DELGADO - GRR20159211 MARIA HELENA OLIVEIRA - GRR20159213 VINICIUS CESAR PEDROSO
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisDistribuição Gaussiana. Verificação da Suposição de Normalidade dos Dados
Distribuição Gaussiana Verificação da Suposição de Normalidade dos Dados Verificação da Suposição de Normalidade dos Dados Já é conhecido que o modelo gaussiano não é adequado para muitas variáveis aleatórias
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA
06 UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CAROLINE MARTINS SELIS GRR: 20137507 MILTON ABRAAO FERREIRA GRR: 20137581 NATHALIE DO AMARAL PORTO MARTINS GRR: 20137583 RELATÓRIO DE ANÁLISE
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisI.1. Seleccionado um passageiro ao acaso, qual a probabilidade de ter idade no intervalo [20 a 50) anos e ser fraudulento?
INTRODUÇÃO À ANÁLISE DE DADOS INSTITUTO SUPERIOR DE CIÊNCIAS SOCIAIS E POLÍTICAS UNIVERSIDADE TÉCNICA DE LISBOA Frequência - 29 de Janeiro de 8 Grupo I (4, v) No seguimento de um estudo efectuado pela
Leia maisMAE Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Gabarito - Lista 1. x i = 19, 01 (1) x = 1 15
MAE0217 - Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Gabarito - Lista 1 Exercício 1. a) Defina a variável X como a velocidade do vento. A média é dada por A variância
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR -20149072 DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DA QUANTIDADE DE MATRÍCULAS NO ENSINO REGULAR NO ESTADO DO
Leia maisAnalise de sobreviventes em acidentes de carros
Analise de sobreviventes em acidentes de carros Modelos Lineares Generalizados Lais Hoffmam GRR20159455 Simone Matsubara GRR20124663 Willian Meira GRR20159077 Yasmin Fernandes ISO20180365 Curitiba 2018
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisBioestatística UNESP. Prof. Dr. Carlos Roberto Padovani Prof. Titular de Bioestatística IB-UNESP/Botucatu-SP
Bioestatística UNESP Prof. Dr. Carlos Roberto Padovani Prof. Titular de Bioestatística IB-UNESP/Botucatu-SP Perguntas iniciais para reflexão I - O que é Estatística? II - Com que tipo de informação (dados)
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia maisMÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Leia maisRELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística RELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE CE225 - Modelos
Leia maisESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística ESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES CE225 - Modelos Lineares Generalizados
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisCE-003: Estatística II - Turma: AMB, Avaliações Semanais 1 o semestre/2012
CE-003: Estatística II - Turma: AMB, Avaliações Semanais 1 o semestre/2012 1. Foram feitas medições dos teores de um poluente em duas regiões (A e B), representadas nos gráficos da figura a seguir. (a)
Leia maisTrabalho de Modelos Lineares Generalizados
Universidade Federal do Paraná Trabalho de Modelos Lineares Generalizados Ananda Bordignon 1, Brendha Lima 2, Giovanna Lazzarin 3 12 de Novembro de 2018 1 GRR20149157 2 GRR20149163 3 GRR20149088 1 SUMÁRIO
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisGrupo A - 1 semestre de 2012 Lista de exercícios 2 - Estatística Descritiva II C A S A (gabarito)
Exercício 1. (1,0 ponto) Considere os dados abaixo sobre a distribuição de salário em (reais) num grupo de 1000 indivíduos. Tabela 1: Distribuição de frequências dos salários Classe de Salário Total Frequência
Leia maisEstatística para Geografia. Rio, 13/09/2018
Estatística para Geografia Rio, 13/09/2018 Objetivos: mostrar como usar o R para construir um diagrama de dispersão entre duas variáveis quantitativas. calcular a correlação entre duas variáveis quantitativas.
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA. Jayme Gomes dos Santos Junior Luciana Helena Kowalski
UNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA Jayme Gomes dos Santos Junior Luciana Helena Kowalski MODELAGEM DA EXPECTATIVA DE VIDA NOS MUNICÍPIOS DO PARANÁ A PARTIR DE COVARIÁVEIS DO CENSO 2010
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisLista de Exercícios Cap. 2
Lista de Exercícios Cap. 2 ) Considere os dados de Sexo e Raça para os dados abaixo: Sexo F M M F M F F F M M M M M M F F F M F F F F M M F M M Raça B B B B B B B B B B B B B B B B B P B B B A B B B B
Leia maisExemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2013 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2013 1 / 21 Cupons
Leia maisExemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Leia maisExemplo Multicolinearidade
Exemplo Multicolinearidade Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Calor do Cimento 1 o Semestre 2013 1 / 28 Calor de Cimento
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisTutorial para o desenvolvimento das Oficinas
Tutorial para o desenvolvimento das Oficinas 1 Métodos Quantitativos Profa. Msc. Regina Albanese Pose 2 Objetivos Objetivo Geral Este tutorial tem como objetivo parametrizar o desenvolvimento da oficina
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisExemplo Abastecimento de Refrigerantes
Exemplo Abastecimento de Refrigerantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2016 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre
Leia maisExemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2016 1 / 22 Cupons
Leia maisExemplo Regressão Robusta
Exemplo Regressão Robusta Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre 2013 1 /
Leia maisExemplo Número de Clientes da Loja
Exemplo Número de Clientes da Loja Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Clientes da Loja 2 o Semestre 2015 1 / 24 Clientes
Leia maisINSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisINFLUÊNCIA DE PONTOS ATÍPICOS. investigar a causa das discrepâncias
INFLUÊNCIA DE PONTOS ATÍPICOS como identificá-los? investigar a causa das discrepâncias avaliar seus efeitos (influências) no ajuste do modelo No MRLS podemos identificar pontos atípicos influentes com:
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisVerificando as pressuposições do modelo estatístico
Verificando as pressuposições do modelo estatístico Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 As pressuposições do modelo estatístico: 1) os efeitos do modelo estatístico devem ser
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisRenda x Vulnerabilidade Ambiental
Renda x Vulnerabilidade Ambiental ANEXO D ANÁLISE EXPLORATÓRIA E PREPARAÇÃO DOS DADOS Identificamos tendência linear positiva. A correlação entre as variáveis é significativa, apresentando 99% de confiança.
Leia maisPara as opções de dólar, os resultados encontrados foram os seguintes: Corrado Su Modificado IN THE MONEY 100,63% 97,57% 100,53% 100,51%
4 Resultados Inseridos os parâmetros de entrada correspondentes a cada modelo abordado nas funções programadas no Excel, foram calculados os prêmios de opção de dólar em cada cenário. Foi calculado a razão
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisEstatística para Cursos de Engenharia e Informática
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 3 Análise exploratória de dados APOIO: Fundação de Apoio
Leia maisREGRESSÃO LINEAR Parte II. Flávia F. Feitosa
REGRESSÃO LINEAR Parte II Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 ANÁLISE DE REGRESSÃO Análise de regressão é uma ferramenta estatística que
Leia maisLista 1 - Gabarito. Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados. 29 de Abril. f(y i, θ i ) = θ i exp( yiθ i ).
Lista 1 - Gabarito Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados 29 de Abril 1. (Concurso Petrobrás - 2011) Em um modelo de regressão logística, o que indica se o modelo se
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisInferência Estatística: Conceitos Básicos I
Inferência Estatística: Conceitos Básicos I Introdução, Medidas de Tendência Central, Medidas de Variabilidade, Distribuições de Frequência e Probabilidade Flávia F. Feitosa BH1350 Métodos e Técnicas de
Leia maisAula inaugural do curso Análise de Regressão
Aula inaugural do curso Prof a Silvia Nagib Elian Sala 215 - Bloco A Instituto de Matemática e Estatística Universidade de São Paulo Agenda 1. Exemplo 2. Introdução 3. Modelo de regressão linear simples
Leia maisAplicação de modelos lineares generalizados na captura de atum da espécie Thunnus albacares.
Reunião Anual da Região Brasileira Internacional de Biometria -22 a 26 de julho de 2013 - Campina Grande/PB Aplicação de modelos lineares generalizados na captura de atum da espécie Thunnus albacares.
Leia mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisMario de Andrade Lira Junior lira.pro.br\wordpress
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress autorais. 27/04/2009 1 Modelo simplificação da realidade Linear formato de reta Generalizado não específico Cada delineamento experimental
Leia maisIntrodução à Regressão Logística Quantílica
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA Introdução à Regressão Logística Quantílica Autor: Tiago Buchweitz Correa Orientador: Professor
Leia maisRelatório de análise estatística Bairro : Dois Irmãos Recife/PE
Relatório de análise estatística Bairro : Dois Irmãos Recife/PE 1 INTRODUÇÃO O objetivo deste relatório é determinar fatores de risco e proteção para a ocorrência de ovos do mosquito Aedes aegypti para
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisPrincípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
Leia maisModelos de Regressão Múltipla - Parte VI
1 Modelos de Regressão Múltipla - Parte VI Erica Castilho Rodrigues 7 de Fevereiro de 2017 2 3 Podemos fazer uma transformação na variável resposta Y e/ou na preditora X para: solucionar problemas de variância
Leia maisUniversidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 4 a Aula Prática Medidas de Dispersão
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 4 a Aula Prática Medidas de Dispersão 1) Os dados apresentados a seguir referem-se ao levantamento dos intervalos
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisCoeficiente de Assimetria
Coeficiente de Assimetria Rinaldo Artes Insper Nesta etapa do curso estudaremos medidas associadas à forma de uma distribuição de dados, em particular, os coeficientes de assimetria e curtose. Tais medidas
Leia maisEXPLORANDO OS MODELOS LINEARES GENERALIZADOS APLICAÇÃO A DADOS DE UM PEQUENO SUPERMERCADO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística EXPLORANDO OS MODELOS LINEARES GENERALIZADOS APLICAÇÃO A DADOS DE UM PEQUENO SUPERMERCADO CE225 - Modelos Lineares Generalizados
Leia maisMAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler
MAE 37 Planeamento e Pesquisa I Profa. Júlia Maria Pavan Soler pavan@ime.usp.br IME/USP º Semestre/09 Delineamento Completamente Aleatorizado - DCA T T... T Y Y... Y Y Y... Y...... Yi... Yn Y n... Yn n
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisPROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2006
Instruções para a prova: PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 006 a) Cada questão respondida corretamente vale um ponto. b) Questões deixadas em branco valem zero pontos (neste caso marque todas
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisAULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
Leia maisNa aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Regressão Múltipla Na aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. 1. definimos uma medida de associação
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisExemplo Ataques Epilépticos
Exemplo Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2015 1 / 20 Ataques
Leia mais