Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)
|
|
- Helena Guimarães Casqueira
- 6 Há anos
- Visualizações:
Transcrição
1 Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo Matrcal, LF Edtoral, ª. edção, 3
2 Problema sem solução m 6 kg m +f 65 kg f 4 kg m=6 m+f=65 f=4 SISTEMA INCONSISTENTE Quanto pesam crança e mãe? feverero/4
3 I Solução do MMQ Procurar valores de m e f que mnmzem Q( m, f ) ( m 6) ( m f 65) ( f 4) feverero/4 3
4 Valores de Q para dferentes valores de m e f Q( m, f ) ( m 6) ( m f 65) ( f Flho, f (kg) Mãe, m (kg) ,5 6,5 7,5,5,5 4,5 4, 3, 5,,, 5, 4,5,5 3,5,5,5 6,5 5, 9, 3,, 3, 9, 5,5 8,5 3,5,5 5,5,5 4) feverero/4 4
5 Outro eemplo meddas de um quadrado Lado do quadrado: l= cm Área do quadrado: a= cm Perímetro: p=35 cm Evdentemente, nconsstentes Q( l) ( l ) ( l ) (4l 35) feverero/4 5
6 Q(l) l (cm) O melhor valor para l é,9 cm feverero/4 6
7 Solução analítca Quando os dados dependem lnearmente dos parâmetros a serem ajustados, há uma solução analítca para os valores que mnmzam Q. Eemplo m 6 m+f 65 f 4 Q( m, f ) ( m 6) ( m f 65) ( f 4) feverero/4 7
8 Q( m, f ) ( m 6) ( m f 65) ( f 4) Q m m~, ~ f Q f m~, ~ f Os valores ajustados têm um tl ( m ~ 6) ( m ~ ~ f 65) ( m ~ f 65) ( ~ f 4) feverero/4 8
9 m ~ ~ f 5 m~ f 69 Escrevendo na forma de matrzes m~ 5 ~ f 69 ~ m ~ f ,3 4,3 A menos de arredondamento, são os mesmo valores obtdos numercamente acma feverero/4 9
10 Vamos nos restrngr ao caso lnear. O caso não lnear é uma apromação, e algumas propredades ótmas do MMQ não são váldas. Dearemos sso para o fm. feverero/4
11 Sobre o MMQ ) O MMQ é mas geral do que se pensa. Ele não serve apenas para ajustar funções, os dados não precsam obedecer a dstrbuções normas e pode haver dependênca entre eles. (A Wkpéda em português está errada!) ) O MMQ tem lmtações que nem sempre são consderadas (p. e., nos casos em que há erro na varável dependente ou a relação entre dados e parâmetros não é lnear). feverero/4
12 II O desvo padrão e alguns eemplos de ajustes de parâmetros Há caso em que alguns dados são mas precsos do que outros. Eemplos: como combnar meddas com nstrumentos dferentes (paquímetro e régua); meddas de uma mesma grandeza com técncas dferentes (aceleração da gravdade por queda lvre ou por osclação de pêndulos); meddas fetas por pessoas com habldades dferentes (estudantes e pesqusadores eperentes)... feverero/4
13 Aprendendo o que fazer com meddas equvalentes, e 3 três meddas equvalentes (mesmos procedmentos, equpamentos, epermentadores, condções eternas...). O melhor resultado (veremos em breve o que melhor quer dzer) é uma méda smples: 3 3 feverero/4 3
14 Suponha, agora, que e 3 tenham sdo combnados,,3 e não sabamos mas seus valores, apenas o valor médo,3. Como combná-lo com? Como,3 fo calculado usando dos dados, é razoável que ele tenha peso. Portanto, a méda deve ser 3 ;,3, feverero/4 4
15 O peso deve refletr a precsão de um dado. Esse dado pode ser o resultado de váras medções, uma méda, o resultado de um ajuste... O peso é proporconal ao nverso da varânca: /σ. σ é a varânca e σ é o desvo padrão. σ é uma medda de quanto um valor flutua em torno do valor verdadero da grandeza medda. Eemplo: σ régua,3 mm; σ paquímetro,5 mm feverero/4 5
16 Como saber o valor de σ? O fabrcante de um equpamento pode nformar Fazendo váras meddas de uma mesma grandeza Estudando as propredades físcas do processo Conhecmento anteror σ é o d.p.; σ é a varânca feverero/4 6
17 Estmando o d.p. I - Mutas vezes, precsamos estmar o d.p. a partr de meddas ndependentes de uma mesma grandeza, p. e.,,, 3... n. Neste caso, o desvo padrão de cada dado é n estmado por n feverero/4 7
18 II O desvo padrão da méda de n dados ndependentes é méda n III Eventos contáves, como o número de decamentos de uma fonte radoatva (dstrbução de Posson). Se N eventos forem observados, σ N. IV Por epermentos anterores, conhecemos muto bem o d.p. feverero/4 8
19 No que segue: Vamos nos restrngr ao caso em que os parâmetros a serem ajustados dependem lnearmente do dados. Vamos supor conhecdos os desvos padrões. Abrr mão dessas lmtações têm consequêncas que veremos mas adante. feverero/4 9
20 Dos eemplos Consumo de combustível: g c e g e (ltros/km) dstânca percorrda consumo (km) (l) cdade estrada feverero/4
21 a equação do MMQ Q( g c, g e (3g c ) (g g e c g 43) e 8) (4g c 49) Dervando em relação a g c e g e, gualando a zero 6 g ~ 5 g ~ Solução: c c 5 g ~ 5 g ~ g~ g~ c e e e , l / km,77 l / km feverero/4
22 Ajuste dos parâmetros da função =a +b 3 aos dados abao - 3,9 -,6,4 3-5 Q ( a, b) a b 3 feverero/4
23 Dervando em relação a a e b... 3 b a b a ~ ~ ~ ~,4 ~,6 ~ b a Solução feverero/4
24 feverero/4 4
25 Essa forma estranha de escrever é pelo segunte 5 A função é =a +b 3 b a b a ~ ~ ~ ~ b a b a ~ ~ ~ ~ feverero/4
26 Isso faclta as cosas =a f+b g+c h+..., f, g, h... são valores conhecdos e a, b, c... parâmetros a serem ajustados. 6 n ch bg af c b Q a...,...),, ( c b a h h g h f h g g g f h f g f f h g f ~ ~ ~ feverero/4
27 Pequena dgressão sobre tendencosdade Prmero eemplo Suponha que o tempo verdadero a ser meddo seja de s Suponha que haja um meddor de tempo não tendencoso que meça os valores abao com as probabldades ndcadas: resultado probabldade,8 s 5%, s 5%, s 5% feverero/4 7
28 Um dado obtdo pode ser,8s,,s ou,s. E. de alguns dados possíves:,8,,,,,,. A méda que será adotada como resultado, pos o epermentador não sabe que as probabldades são aquelas será (,8+,+,+,)/4=,5s. Fazer sso garante a não tendencosdade das meddas de tempo. Não tendencosdade sgnfca que se essa medda for repetda ndefndamente, a méda será,8,5+,,5+,,5=,, que é o valor verdadero. Conclusão: o tempo é meddo de forma não tendencosa feverero/4 8
29 Mas... Suponha que alguém meça a aceleração da gravdade por queda lvre, de um altura de m e, para smplfcar, suponha que o valor verdadero seja g=m/s, a velocdade ncal seja nula e a posção ncal, dem. Ou seja, s g t ou g Suponha, agora, que aquele mesmo processo seja usado para medr o tempo: t s feverero/4 9
30 Os resultados de g serão estes, com as probabldade ndcadas: resultado probabldade g (m/s ),8 s 5%,35, s 5%,,s 5% 8,6 Essa é uma medda tendencosa de g, pos,35,5+,,5+8,6,5=,5m/s. Orgem da tendencosdade: relação não lnear entre o dado e o parâmetro feverero/4 3
31 Segundo eemplo medda da massa de um lqudo em um recpente Dez meddas não tendencosas das massas do líqudo no recpente e do recpente vazo. As dferenças são os dados correspondentes ao líqudo apenas Dados (g) Dados (g) Dferenças (g),56,4,5,,96 -,74 3,5,9,6 3,9,74,6 4,9,84,5,38,84,54,7,67,6 3,78,5,53,58 3,5 -,47 3,99,76 3,3 feverero/4 3
32 Se as meddas de massa são não tendencosas, então as dferenças também não o são. A méda das dferenças também não é tendencosa. Essa méda é,9 g. Entretanto, se os dados não físcos (massas negatvas) forem descartados, a méda, que será,76 g, será tendencosa. A tendencosdade surge por causa de um procedmento nadequado do epermentador: os valores negatvos são não físcos, mas estatstcamente necessáros! feverero/4 3
33 Função densdade de probabldade III Varâncas Função densdade de probabldade (fdp) P ntervalo f ( ) d,,75,5, varável feverero/4 33
34 Mutas vezes, a fdp é conhecda. E: Mawell; lorentzana; unforme... A varânca mede a dspersão da grandeza e pode ter sgnfcado físco ou nformação estatstcamente relevante ( ) ( ) f ( ) d sendo f ( ) d feverero/4 34
35 Outras vezes conhecemos a forma e algum parâmetro da fdp e desconhecemos outro(s) E. Sabemos que a fdp é gaussana, ou lorentzana etc., mas não conhecemos algum parâmetros Gaussana: Conhecemos σ e desconhecemos. f ( ) A e ( ) / feverero/4 35
36 Podemos conhecer (ou estmar muto bem) a varânca a partr de epermentos anterores e, no epermento em questão, só precsamos estmar feverero/4 36
37 f(, ) Covarâncas cov(, ) f (, ) d d feverero/4 37
38 Representando varâncas e covarâncas V Y cov( ) cov( ) cov( cov( n n ) ) cov( n ) cov( n ) n feverero/4 38
39 Propagação de varâncas uma função de uma varável z é uma função que depende de, z(). Se epandrmos z até prmera ordem em torno de dz z( ) z( ) ( ) d então z dz z( ) z( ) ( ) z( ) d pos <>= feverero/4 39
40 A varânca de z pode ser calculada assm: feverero/4 4
41 Propagação de matrzes de covarânca Repetndo o procedmento com mas funções e mas varáves z (,,... n ), z (,,... n ),... z m (,,... n ), são m funções de n varáves: feverero/4 4
42 4 t D V D V Y Z n m m m n n z z z z z z z z z D feverero/4
43 Eemplo Lados de um retângulo: =5 (4), =48 (3) 6 V 9 Varânca do perímetro, z=( + ) D z z feverero/4 43
44 fazendo as contas.. V z 6 9 () o desvo padrão do perímetro é z Perímetro é 36 () ou 36± feverero/4 44
45 Eemplo Varânca da área z=. Neste caso não lnear, a varânca é apromada D z z 48 5 V z (3689 ) área = 54 (368) feverero/4 45
46 Eemplo 3 Perímetro e área, z =( + ), z =. Varânca e covarânca D z z z z 48 5 V feverero/4 46
47 As varâncas do perímetro e da área aparecem na dagonal e a covarânca entre ambas, fora da dagonal Perímetro = 36± Área = 54±368 Covarânca = 346 feverero/4 47
48 Eemplo 4 Ajuste dos parâmetros de uma reta =a+b (mas adante, veremos como estmar a matrz de covarânca dos parâmetros ajustados). -,9 -,,6 -,7-3,6 feverero/4 48
49 Matrz de covarânca dos parâmetros ajustados,, Varâncas em nterpolações nt =a aj +b aj ( ),, (,, ) feverero/4 49
50 Incertezas nas nterpolações e etrapolações feverero/4 5
51 Covarâncas entre valores nterpolados ou etrapolados: V a a b, b, a b t V a b,,,, a a b,,,, a b b Valores nterpolados ou etrapolados são cavarantes; são correlaconados uns com os outros. Isso é mportante. feverero/4 5
52 Eemplo da relevânca da correlação entre valores nterpolados: cálculo da ncerteza de Δ= a - b ( ),,,, a a b,,,, a b b [, ( a b ), a b ] Se a = b, evdentemente a ncerteza em Δ será nula, como esperado. feverero/4 5
53 Fontes de covarânca Cálculos a partr de valores ajustados Meddas com um mesmo equpamento (a ncerteza do equpamento afetará todos os dados gualmente), E: régua, aceleradores Não confundr covarânca com erro sstemátco feverero/4 53
54 IV a Equações do MMQ com matrzes As equações do MMQ escrtas de forma matrcal são mas smples do que na forma tradconal. Como sso só fcará totalmente claro daqu a pouco, peço alguma pacênca. feverero/4 54
55 Peso mãe e crança m 6 kg m +f 65 kg f 4 kg m=6 m+f=65 f=4 SISTEMA INCONSISTENTE, POIS HÁ ERROS feverero/4 55
56 6kg 65kg 4kg f m m m, f valores verdaderos (e desconhecdos) das massas e etc. erros de medda. Essas equações podem ser escrtas como e 3 e f e m f e e e 3 feverero/4 56
57 Atenção: erro= dferença entre valor verdadero e valor epermental. Não confundr erro com desvo padrão Erro é desconhecdo (desvo padrão é conhecdo) feverero/4 57
58 Parâmetros de uma reta b a e b a e b a e b a e e e b a feverero/4
59 Notem: as equações são lneares nos parâmetros (m, f, a, b ). Caso geral, a a... a e m m a a... a e m m a a... a e n n n m nm n m m a a e e n n n nm a m e n feverero/4 59
60 Escrevendo o problema m m a a e e n n n nm a m e n Y X A e feverero/4 6
61 Y X A e O que precsamos mnmzar: Q( A) (Y X A) t V (Y X A) V é a matrz de covarânca dos dados Quando não há covarânca entre os dados, essa epressão se reduz à Q( a, b, c,...) n af bg ch... feverero/4 6
62 Estmatva dos parâmetros pelo MMQ Dervando Q(A) em relação a cada um dos parâmetros e gualando a zero obtemos o valor ajustado, Q a j, j,,...m Vamos chamar o valor ajustado de Ã. Ele é dado por ~ A (X t V X) X t V Y feverero/4 6
63 Eemplo : pesos, mãe e flho m f e e e 3 Vamos supor que todos os desvos padrões sejam guas a (V=matrz dentdade de ordem n=3) e não haja covarânca entre os dados feverero/4 63
64 m f e e e 3 Y X V ~ A (X t V X) X t V Y ~ A 6,3 4,3 Evdentemente, o mesmo resultado que havíamos obtdo usando o procedmento tradconal feverero/4 64
65 Eemplo : parâmetros de uma reta =a +b o -,8 -,4-4, -7,5 5 -,8 =a +b o +e =a +b o +e 3 =a +b o 3 +e 3 4 =a +b o 4 +e 4 5 =a +b o 5 +e 5 X 5 Y,8,4 4, 7,5,8 V feverero/4 65
66 ~ A (X t V X) X t V Y Ã,57,85 feverero/4 66
67 Eemplo 3: méda de dos dados a) e com mesmos desvos padrões σ: = o + e = o + e Y X A e ~ A Y t (X V X) ~ X X t V Y A V o feverero/4 67
68 b) e com desvos padrões dferentes: = o + e = o + e Y X A e Y ~ A (X t X V X) X t A V Y o ~ feverero/4 68
69 IV b Varâncas e covarâncas dos parâmetros ajustados ~ A (X t V X) X t V Y Como à depende de Y, sua matrz de covarânca depende da matrz de covarânca de Y. Vamos calcular sso por propagação. feverero/4 69
70 Portanto, 7 Y V X X) V (X A t t ~ t t A V X X) (X V D n m m m n n A A A A A A A A A ~ t A A A X) (X V D V D V t ~ ~ ~ feverero/4
71 ~ A (X t V X) X t V Y V~ t (X V X) A feverero/4 7
72 Quatro equações báscas Y X A e ~ A (X t V X) X t V Y V~ t (X V X) A V Z D V Y t D feverero/4 7
73 Eemplo : pesos, mãe e flho Vamos supor que todos os desvos padrões sejam guas a e não haja covarânca entre os dados e e e f m V X feverero/4
74 V~ t (X V X) A V~ A,67,33,33,67 ~ A 6,3 4,3 m 6,3±,8 kg f 4,3±,8 kg Covarânca (m,f)= -,33 feverero/4 74
75 Eemplo : Consumo de combustível: g c e g e (ltros/km) dstânca percorrda consumo (km) (l) cdade estrada feverero/4 75
76 g g c e e Vamos supor que V seja uma matrz dentdade, V ~ A (X t V X) X t V Y ~ A,,77 V~ t (X V X) A V A,48,48 ~,48,48 4 feverero/4 76
77 Consumo em qulômetros/ltro? c =/g c =8,7km/l, e =/g e =3,km/l V V D V D t D g g c c e c g g c e e e g c g e c =(8,7±,5) km/l e =(3,±,5) km/l feverero/4 77
78 Vale a pena nsstr: resumo Relação lnear entre dados e parâmetros Y X A e ~ t t t V~ A A matrz de covarânca dos dados deve ser conhecda (os erros são desconhecdos) (X V X) X V Y (X V X) A Em nenhum momento fo feta qualquer hpótese quanto a forma da função densdade de probabldade dos dados. feverero/4 78
79 V Teste de qu-quadrado (χ ) O teste de qu-quadrado é muto utlzado em cêncas epermentas. Mas ele nada tem a ver com o Método dos Mínmos Quadrados. Para que o teste de χ seja utlzado (na forma que segue) é necessáro que os dados obedeçam dstrbuções gaussanas (o que o MMQ não ege) e que conheçamos seus desvos padrões. Rsco de confusão do teste com o MMQ. feverero/4 79
80 Defnção Comparação com valor verdadero n onde representa os dados epermentas, os valores que se pretende testar, σ os desvos padrões dos dados e não haja covarâncas entre dferentes dados. No que segue vamos supor que os dados epermentas obedeçam a f.d.p.s gaussanas, centradas nos valores verdaderos feverero/4 8
81 O valor absoluto de Portanto, n é da ordem de. De fato, o valor esperado de é da ordem de n. é gua l a n se for realmente o valor verdadero da grandeza medda e a varânca de. Valor esperado: <χ>=n e seu desvo padrão é gual a feverero/4 8
82 Eemplo Algumas meas-vdas e valores prevstos por uma teora (ou hpótese, ou modelo...) aparecem abao. Vamos testar a teora Valor Prevsto ( - ) /σ epermental pela teora ±8 35,5 ±7 33,7 837±47 78,4 3± 8,6 8± 7, χ =6,. Como o valor esperado é 5, desvo padrão 3,, os valores prevstos pela teora não dscordam dos epermentos. Não devemos rejetar a hpótese que a teora esteja correta feverero/4 8
83 Eemplo Teste de um produto Outra teora/modelo/hpótese Peso esperado peso meddo (d.p.) dferença/dp Res. quad. g 98, (,) g,8 3, g 97,7 (,5) g,6,6 5 g 497, (,) g,7 3, kg,98 (,) kg,7,7, kg,98 (,) kg,7,8 3, kg,975 (,5) kg, 4,3 feverero/4 83
84 Χ =8,6. Valor esperado: 6,; σ χ =3,6. O que conclur? O produto está falsfcado? P(Χ >8,6)=,5%.,6,4,,,8,6 Função densdade de probabldade de ququadrado com 6 graus de lberdade P,4, 5 5 feverero/4 84
85 Defnção Comparação com valores ajustados n ~ Q( parâmetros) n ( parâmetros) feverero/4 85
86 Valor esperado: <χ>=n-m, m parâmetros. Desvo padrão gual a Eemplo: ajuste de parâmetros de uma reta () n ~ ~ a b feverero/4 86
87 feverero/4 87
88 feverero/4 88
89 feverero/4 89
90 Eemplo com os ajustes acma Dados epermentas: n=; Parâmetros ( é uma parábola): m=3. Portanto, <χ>=n-m=8 com desvo padrão (n m) 4 Se tudo estver bem, esperamos que o ququadrado observado não seja muto dferente de 8, sendo a dferença não muto maor do que 4. feverero/4 9
91 qu-quadrado observado 6,6 prómo ao esperado,7 muto menor que o esperado 3 muto maor que o esperado P(χ >valor observado) 58% 99,95% zero feverero/4 9
92 Dagnóstcos 58% - Não podemos rejetar a hpótese que tudo esteja em ordem 99,95% - Desvos padrões dos dados superestmados ou há covarâncas entre os dados não consderadas % - Os desvos padrões dos dados estão errados (subestmados ou há covarâncas); ou a função modelo está errada; ou houve problemas durante os epermentos. feverero/4 9
93 Defnção geral nclundo covarâncas (Y X ~ t ~ A) V (Y X A) Não confundr com a Q do MMQ Teste de qu-quadrado: dados precsam ser gaussanos feverero/4 93
94 VI Estmando as varâncas um breve capítulo ) Se os dados são ndependentes, todos têm o mesmo desvo padrão e, =,,...n, são n dados correspondentes a meddas de uma mesma grandeza, n n é uma estmatva não tendencosa da varânca de cada dado. Lembrete: méda n feverero/4 94
95 ) Mutas vezes conhecemos a varânca de um conjunto de dados a partr de eperêncas anterores, ou de nformações do fabrcante de um equpamento. 3) Há casos nos quas o desvo padrão pode ser estmado com base em razões físcas ou estatístcas. Por eemplo, eventos que obedecem a uma dstrbução de Posson com méda a têm desvo padrão, a feverero/4 95
96 4) Como <χ >=n-m, se todos os dados de um epermento têm o mesmo desvo padrão e são estatstcamente ndependentes, a varânca de cada dado por ser estmada por observado n m onde o valor de qu-quadrado é o resultado observado correspondente ao ajuste de m parâmetros e consderando σ=. (O tem () acma é um caso partcular deste.) feverero/4 96
97 5) Se houver dos conjuntos de dados de meddas de duas grandezas dferentes, dgamos n dados,,... n e m dados,,... m, com desvos padrões guas e σ e σ forem estmatvas desses desvos padrões, então ( n ) n ( m m ) é uma estmatva (melhor) da varânca dos dados. feverero/4 97
98 VII Algumas propredades do MMQ e o TCL (a) Não tendencosdade O que se espera em cêncas epermentas é que se é uma medda de uma grandeza (um dado, uma méda, o resultado de um ajuste...), seu valor esperado seja gual ao valor verdadero da grandeza, feverero/4 98
99 O MMQ é não tendencoso quando os dados também são não tendencosos Se representa os dados e < >=, como = +e, onde e é o erro, então <e >=. Vamos ver como fca o valor esperado de parâmetros ajustados pelo MMQ: ~ A (X t V X) X t V Y feverero/4 99
100 O valor esperado de à é ~ A (X t V X) X t V Y Como os dados se relaconam com os parâmetros na forma Y X A então e Y X A e X A feverero/4
101 portanto, A ~ (X t V X) X t V Y (X t V X) X t V X A A ~ A Conclusão: se os dados não são tendencosos, os parâmetros ajustados pelo MMQ também não serão tendencosos feverero/4
102 (b) Mínma varânca Entre todas as estmatvas de parâmetros que dependem lnearmente dos dados e que não sejam tendencosas, o MMQ fornece aquelas com menor varânca Eemplo: dos dados com mesmo desvo padrão σ e não covarantes. O resultado do MMQ é / feverero/4
103 Outra estmatva geral, lnear nos dados e não tendencosa: a ( a) Qual valor de a leva à menor varânca dessa estmatva? ( a ( a) ) feverero/4 3
104 Dervando em relação à a e gualando a zero, obtemos: que é o resultado do MMQ: feverero/4 4
105 (c) O Teorema Central do Lmte Eemplo: médas de dados unformemente dstrbuídos entre zero e um. Um só dado 8 6 a 4 feverero/4 5
106 Méda de dos, quatro e oto dados 8 6 b 5 c d 5 feverero/4 6
107 O TCL garante que n n n tende uma gaussana com desvo padrão gual a, quasquer que sejam as f.d.p.s dos dados feverero/4 7
108 O TCL no conteto do MMQ ~ A (X t V X) X t V Y Ã é uma méda dos város dados epermentas, com pesos nversamente às respectvas varâncas feverero/4 8
109 Eemplo d.p. Tpo -3 5,, gaussana - 3,5,3 unforme -,3,7 tpo qu,, gaussana -,6,5 bnomal -,,4 duas unformes 3 -,8,5 bnomal =a+b, onde os dferentes valores obedecem a dferentes f.d.p.s feverero/4 9
110 Parâmetros a e b ajustados:,(8); -,4(9) devem obedecer a uma f,d,p, gaussana ou bem perto dsso, Sera eatamente gaussana se a quantdade de dados fosse nfnta feverero/4
111 Ilustração com mutas smulações Valores ajustados de a e b feverero/4
112 VIII Outros desenvolvmentos Medda de uma grandeza altera valores de outras Vínculos entre parâmetros Funções não lneares nos parâmetros Incertezas nas varáves dependentes feverero/4
113 a) Medda de uma grandeza altera outras Eemplo: a e b foram meddos, obtendo-se os valores, e,, com matrz de covarânca V 8 8 Uma medda ndependente de b forneceu o valor 5, com varânca gual a. Vamos ao MMQ. feverero/4 3
114 Y 5 V a b e e e 3 Ã (X'V X) X'V Y,,5 V 6,8 4, 4, 5, Evdentemente, valor adotado para b fo alterado; seu d. p., dem. Menos evdente: o valor adotado para a é alterado e seu d.p., dem. feverero/4 4
115 b) Vínculos entre parâmetros Eemplo: mede-se os três ângulos nternos de um trângulo, dgamos,,, e 3, sendo os resultados,σ ;, σ ; 3, σ 3. Mas queremos ~ ~ ~ o mpor a condção 8. 3 Um procedmento geral é ajustar valores para os parâmetros,, e 3, mpondo o vínculo. feverero/4 5
116 Uma forma geral de escrever vínculo lneares: j m g a j j onde a j são os parâmetros a serem ajustados e g j e r são valores conhecdos. No caso do trangulo só há um vínculo (r=8 o ) e todos os gs são guas a. r feverero/4 6
117 A equações de vínculo podem ser escrtas como GA R Solução do MMQ: ~ A V~ X t V Y BC R A V H BC B A ~ t t H X V X B H G t C GH G t feverero/4 7
118 Eemplo Ângulos de um trângulo: 48 o, 4 o, 94 º (soma=83 o ) todos com σ= e não covarantes. G=[ ] e R=[8]. 48 Y 4 94 V feverero/4 8
119 Resultado: Valores ajustados: 47 o, 4 o, 93 o, cuja soma é 8 o : obedece ao vínculo. As varâncas dmnuem,67 -,33 -,33 V V -,33,67 -,33 -,33 -,33,67 Vela a pena mpor vínculos? Depende. P. e., se o que queremos é apenas um dos ângulos, sm. feverero/4 9
120 c)funções não lneares nos parâmetros O MMQ é não tendencoso no caso lnear. Mas quando os dados não dependem lnearmente dos parâmetros, tudo muda, Eemplo: Ajustar λ da epressão (t)= ep(-λ t) consderando os dados (t, ): (, 55) e (3; -), ambos com desvo padrão gual a. Resultado do ajuste: ã=,8 feverero/4
121 Problema: o valor estmado é superestmado. Por smulação, fo possível estmar a superestmação em 4,%. Corrgndo a superestmação, o valor a se adotar é,79 feverero/4
122 d) Erros em váras varáves Eemplo: Ajuste dos parâmetros da função =a+b, com ncertezas em e, a) Ajusta-se os parâmetros consderando apenas as ncertezas em b) Propaga-se as ncertezas de para, consderando-se d/d=b ajustado novo( ) bajustado c) Faz-se novamente o ajuste com os novos d.p.s. feverero/4
123 Pergo: se as ncertezas de não forem muto menores do que a dspersão dos valores, o ajuste é tendencoso feverero/4 3
124 Eemplo com uma smulação: Y=+, com dstrbuções normas para e, com desvos padrões guas a O valor ajustado de b flutua em torno de,7 Portanto, há uma tendênca para subestmar b feverero/4 4
125 Breve resumo O MMQ deve ser usado: Sempre que as ncertezas dos dados sejam conhecdas (ou todas sejam guas) Há uma relação lnear entre os dados e os parâmetros a serem ajustados feverero/4 5
126 O ajuste é não tendencoso Os dados não precsam obedecer a nenhum f.d.p. partcular Se há uma quantdade grande de dados, as f.d.p.s dos parâmetros ajustados tende a uma gaussana Não precsa haver uma relação funconal do tpo =() As covarâncas são tão mportantes quanto as varâncas feverero/4 6
127 Cudados ou lmtações Repetndo: atenção às covarâncas Caso não lnear: problema Idem, quando há erros nos termos que multplcam os parâmetros a serem ajustados feverero/4 7
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,
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 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 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 maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
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 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 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 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 maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
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 maisRegressão 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
Leia maisEventos 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
Leia maisINTRODUÇÃO 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
Leia maisDados 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:
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 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 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 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 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
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 maisContabilometria. 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
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 maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia mais1. 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
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 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 maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
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 maisMOQ-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
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 maisCapítulo 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
Leia maisAjuste de um modelo linear aos dados:
Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,
Leia maisTestes 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,
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia mais7 - 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
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
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 maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
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 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 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 maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia maisFundamentos da Física Experimental
Curso ntrodutóro de Fundamentos da Físca Epermental Um gua para as atvdades de laboratóro Elaborado por: Marca Muller José Luís Fabrs Agosto de 07 Prefáco A déa orgnal que será abordada neste teto é a
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
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 maisR 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.
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
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 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 maisX = 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
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
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 maisMODELOS 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
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisPRESSUPOSTOS 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
Leia maisEstatística 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;
Leia maisVariação 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
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
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 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 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 maisRegressão 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
Leia maisNotas de Aula de Probabilidade A
VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável
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 maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
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 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 mais3 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.
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
Leia maisD = POLINÔMIO INTERPOLADOR DE NEWTON 1) DIFERENÇAS DIVIDIDAS 1.1) DIFERENÇAS DIVIDIDAS ORDINÁRIAS (D) Sejam n+1 pontos de uma função y = f(x):
POLINÔMIO INTERPOLAOR E NEWTON ) IFERENÇAS IVIIAS.) IFERENÇAS IVIIAS ORINÁRIAS () Sejam n pontos de uma função f():... n f( )... n - ferença dvdda de ordem zero: n n M - ferença dvdda de ordem um: M M
Leia maisFICHA 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
Leia maisAnálise de Incertezas I.B De Paula
Um bom expermentalsta deve fazer todo o esforço possível para mnmzar os erros de seu expermento. Cabe ao expermentalsta a responsabldade de apresentar uma medda da confabldade de seus dados. amos defnr
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisGabarito 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
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 maisEstatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisRAD1507 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
Leia maisNOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES
NOTAS DE AULA DA DISCIPLINA CE76 3 DISTRIBUIÇÃO NORMAL MULTIVARIADA 3 DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES A densdade normal multvarada é uma generalação da densdade normal unvarada ara dmensões
Leia 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 maisFAAP APRESENTAÇÃO (1)
ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
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 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 maisFICHA 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
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 maisFICHA 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
Leia maisUNIVERSIDADE 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
Leia maisPrograma 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
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia mais