ALTERNATIVA AO USO DA REGRESSÃO LINEAR SIMPLES PARA GRANDES BASES DE DADOS
|
|
- Orlando Barbosa Sousa
- 6 Há anos
- Visualizações:
Transcrição
1 XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturdade e desafos da Engenhara de Produção: compettvdade das empresas, condções de trabalho, meo ambente. São Carlos, SP, Brasl, 1 a15 de outubro de 010. ALTERNATIVA AO USO DA RESSÃO LINEAR SIMPLES PARA GRANDES BASES DE DADOS Roberta Montello Amaral (PUC-Ro) amaralroberta@yahoo.com.br Alfredo froner (UNIFESO) alfredofroner@hotmal.com Este artgo tem o objetvo de apresentar uma nova técnca que auxle o pesqusador que trabalha com grandes amostras a concentrar sua atenção em um menor conjunto de dados que sejam, estes sm, relevantes para a tomada de decsão. Para taanto, apresenta uma solução alternatva para o problema de calcular um elevado número de regressões smples a partr de grandes bases de dados. A ferramenta ndca que se compare apenas o quadrado do coefcente de correlação de Pearson (coefcente de determnação R) com uma determnada constante g que vara em função do tamanho da amostra. Adconalmente, mesmo sem que se calculem as regressões, esta mesma ferramenta também ndca o snal dos coefcentes de correlação das equações de regressão, cujas estmações dexam de ser necessáras se não se está nteressado na magntude dos coefcentes beta. Palavras-chaves: base de dados; regressão lnear smples;correlação
2 1. Introdução Um grande problema com o qual a maora dos pesqusadores trabalha é com o tamanho de sua base de dados. Incar uma análse a partr de um número grande nformações pode atrapalhar e dfcultar a tomada de decsões, desvando o foco do problema que se deseja analsar. Trabalhar com bases de dados pequenas, por outro lado, pode gerar resultados estatstcamente não váldos. Enquanto trabalhar com bases de dados muto grandes pode acabar gerando confusões a partr do confundmento dos resultados possíves. Para que se trabalhe com regressões múltplas, por exemplo, espera-se o menor grau possível de multcolneardade entre as varáves ndependentes, para que se dmnuam as ocorrêncas de erros do tpo I e II; na verdade, conforme ndcam BUSSAB & MORETTIN (003), procuramos controlar o erro do tpo I (...) a probabldade do erro do tpo II, na maora dos casos, não pode ser calculada. Quanto maor a correlação entre duas varáves ndependentes, maor será o mpacto da exstênca de multcolneardade, cujo problema já se sabe que é mpossível de ser totalmente elmnado (trata-se, na verdade, de um problema de defnção quanto ao grau de multcolneardade que se está dsposto a acetar). Técncas foram desenvolvdas com o ntuto de reduzr o trabalho dos pesqusadores, de modo que seja possível levar o foco para as varáves mas mportantes. São exemplos destas técncas a análse fatoral, a análse dscrmnante, entre outras. Este trabalho tem o objetvo de apresentar uma nova técnca que auxle o pesqusador que trabalha com grandes amostras a concentrar sua atenção em um menor conjunto de dados que sejam, estes sm, relevantes para a tomada de decsão. Especfcamente, este artgo trata da apresentação de um únco valor que substtu toda a avalação estatístca com relação à sgnfcânca (ndvdual e global) ou não de betas estmados a partr de regressões lneares smples pelo método de mínmos quadrados ordnáros (O). Para tanto, está dvddo em cnco seções além desta ntrodução: avalação de bases de dados (onde se faz uma revsão do que caracterza uma base de dados e se mostra a sua mportânca), a regressão lnear smples e o método de O (para que sejam conhecdos os prncípos báscos daqueles modelos para o qual a metodologa aqu proposta se adequa), o método de análse smplfcado (com a apresentação do método propramente dto), extensão para o modelo de regressão múltpla (onde são apresentados os resultados já conhecdos para modelos com mas de uma varável explcatva) e conclusões.. Avalação de Bases de Dados Avalar uma base de dados é uma tarefa muto dfícl de ser descrta tal como uma receta de bolo. Ela sofre númeras varações em função do fenômeno que se deseja estudar, do tamanho da amostra que se dspõe, das varáves que se consegue observar, da coleta de dados dsponível. Mas, a despeto desta ncapacdade de se defnr a pror o que se deve avalar, é de relevânca determnante para o sucesso de mutos dos problemas de pesqusa nas dversas áreas do conhecmento. CORRAR et al. (009) resumem bem a mportânca de se estudar uma base de dados: Raríssmos são os ramos do conhecmento e as atvdades humanas que podem dspensar o apoo de técncas estatístcas em seu desenvolvmento. Um olhar mas acurado em torno de quase todos os fenômenos que nos cercam nos remete à conclusão de que tas técncas estão
3 partcpando cada vez mas do nosso cotdano. Essa tendênca parece se tornar mas acentuada na medda em que se expandem os recursos oferecdos pela nformátca, já que eles facltam sobremanera a análse de dados. Se antes o conhecmento estatístco era prvlégo daqueles que tnham nclnação vocaconal para ldar com números, hoje se tornou requsto de prmera ordem no exercíco de váras profssões. No estudo de fenômenos da natureza, no desenvolvmento de recursos medcnas, no planejamento das atvdades governamentas, na avalação de problemas que ameaçam o bem-estar socal, no controle de eventos relaconados com o mundo corporatvo e em mutas outras áreas, a estatístca ocupa posção de destaque. Segundo LACOMBE (004) entende-se por dados, em admnstração, regstro sobre fatos, passíves de serem ordenados, analsados e estudados para alcançar conclusões. A base de dados pode ser defnda, portanto, como um conjunto de valores quanttatvos ou qualtatvos a partr do qual se realzam estudos dos mas varados tpos com o ntuto de se confrmar ou rejetar hpóteses de nteresse do pesqusador. Normalmente se ndca que se faça, ncalmente, a partr de uma base de dados já exstente ou montada para um propósto específco, uma nvestgação que envolve as estatístcas mas smples, tas como médas (artmétca, ponderada, geométrca, harmônca), meddas assocadas ao segundo momento de varáves aleatóras (e.g. desvo-padrão, varânca, desvomédo, sem-varânca), meddas assocadas a momentos maores (tas como curtose e assmétrca), presença de outlers (valores atípcos, aparentemente nconsstentes com os demas valores amostras). Para tanto, recomenda-se a elaborações de gráfcos do tpo Boxplot, hstogramas, gráfcos de dspersão, entre outros. Destaca-se que, neste estudo prelmnar que se recomenda fazer dos dados, é mportante atentar-se para o que WHEELER & CHAMBERS (199) chamam de regra empírca : The Emprcal Rule: Gver a homogeneous set of data: Part One: Roughly 60% to 75% os the data Wll be located wthn a dstance of one sgma unt on ether sde of the average. Part two: Usually 90% to 98% of the data Wll be located wthn a dstance of two sgma unts on ether sde of the average. Part Three: Approxmately 99% to 100% of the data Wll be located wthn a dstance of three sgma unts on ether sde of the average. Mas as meddas estatístcas e a construção de gráfcos, mesmo para amostras grandes que atendem à regra empírca, não geram um grupo de nformações padronzadas e, mutas vezes, ao nvés de ajudar o pesqusador a entender o comportamento de sua base de dados, podem confund-los. Por sso, conhecer e empregar adequadamente cada uma das técncas dsponíves pode fazer a dferença entre o sucesso e o fracasso de uma análse de dados. 3. A Regressão Lnear Smples e o Método de Mínmos Quadrados Ordnáros O avanço da Economa gerou a necessdade de que determnados fatos fossem comprovados com provas matemátcas e estatístca de sua exstênca. Para auxlar este trabalho desenvolveu-se a Econometra, ramo da Economa que trata da mensuração de relações econômcas (MATOS, 000). Uma ferramenta mportante da econometra é a construção de modelos que, também de acordo com o mesmo autor, pode ser descrto como uma representação smplfcada da realdade, estruturada de forma tal que permta compreender o funconamento total ou parcal dessa realdade ou fenômeno. 3
4 A Econometra tem-se tornado um nstrumento de pesqusa muto mportante em face da formulação de novas teoras e do avanço das técncas de processamento de nformações, assm como do progresso da matemátca e da estatístca, como matéras auxlares. (MATOS, 000) Os modelos econométrcos usualmente são formados por varáves, equações, coefcentes e perturbações aleatóras (comumente chamadas de erro). A mas famosa técnca para que se estme, fundamentada em certos concetos estatístcos, os coefcentes e, consequentemente, as equações destes modelos, é a técnca de regressão lnear. Quando se deseja conhecer a equação de varáves aleatóras que mantêm relação com apenas uma outra varável aleatóra se utlza um caso partcular da regressão lnear, a regressão lnear smples. O modelo lnear smples é aquele que contém apenas uma varável explcatva. (MATOS, 000) Assm, a partr de uma base de dados formada por duas outras varáves, pode-se estmar os coefcentes e da segunte equação: Y = + X + u Onde: Y : é a varável explcada ou dependente, cujo comportamento se deseja conhecer/estudar; X : é a varável explcatva ou ndependente; : é o coefcente lnear do modelo, cujo valor será estmado com a técnca de regressão lnear smples; : é o coefcente angular do modelo, cujo valor será estmado com a técnca de regressão lnear smples; u : são as perturbações aleatóras; = 1,, 3,..., n (n= tamanho da amostra a partr da qual são fetos os cálculos). Para que os resultados estmados de e tenham valdade estatístca, uma sére de pressupostos deve ser atendda, a saber: Erros devem ser: aleatóros, normalmente dstrbuídos com valor esperado zero e com varânca constante (homocedástco), ndependentes entre s e ndependentes da varável explcatva; Não pode haver erro de medção das varáves ndependentes; No caso de estmação de séres temporas, estas devem ser estaconáras; Deve-se mnmzar problemas de especfcação do modelo. Uma das técncas mas empregadas para estmatva dos parâmetros das equações de modelos econométrcos é o método de O. Ele consste em estmar os coefcentes da segunte equação: E(Y ) = + X Para tanto, adota-se a hpótese de mnmzar a soma ao quadrado dos erros u. Conforme demonstra GUJARATI (000): 4
5 ˆ ( X X )( Y Y) e ˆ Y ˆ X ( X X ) O modelo, propramente dto, pode ser dvddo em duas parcelas: Y Yˆ uˆ De modo que se defne =u ˆ como a parcela dos erros que não pode ser explcada pelo modelo. E, assm, pode-se decompor a varável dependente em duas somas: ( Y Y) ˆ ( X X ) uˆ De modo que se defne um coefcente R, uma medda sntétca que dz quão bem a reta de regressão da amostra se ajusta aos dados (GUJARATI, 000): 0 R = / TOTAL 1 Ressalta-se que ambos os estmadores de e são, conforme o teorema de Gauss-Markov, não-vesados e efcentes. Além dsso, a relação entre o estmador de beta e seu desvo padrão segue uma dstrbução t-student com n- graus de lberdade e, portanto, pode-se calcular um ntervalo de confança para seu valor. Adconalmente, para que o método esteja completo, deve-se verfcar, com a ajuda de gráfcos específcos e técncas de cálculo estatístco se nenhum dos pressupostos anterores fo volado. TOTAL 4. O Método de Análse Smplfcado Smplfcar a análse que se deseja fazer não mplca em romper com o formalsmo da análse estatístca. Conforme a própra defnção do dconáro Aurélo (FERREIRA, 1993), a prmera defnção para smplfcar é tornar smples, fácl ou claro. Não quer dzer que smplfcar mplque em perder a qualdade do que se está estudando, mas sm em tornar os fenômenos mas transparentes, cuja compreensão é mas fácl. Nesse sentdo, um mportante teste para que se possa averguar a sgnfcânca de uma regressão lnear é o teste global da regressão, onde se levanta a hpótese de que todos os betas, conjuntamente, são estatstcamente nulos: H 0 : 1 = =... = = 0 H 1 : exste pelo menos um j 0 Segundo GUJARATI (000), Essa hpótese nula é uma hpótese conjunta de que e 3 [e qualquer outro, exceto o coefcente lnear] são conjunta ou smultaneamente guas a zero. Um teste de hpótese assm é chamado de teste de sgnfcânca global da reta de regressão observada ou estmada, sto é, se Y tem relação lnear tanto com X quando com X 3 [e com as demas varáves ndependentes consderadas]. Destaca-se que o teste de sgnfcânca global, em regressões múltplas, somente é substtuído pelos testes de hpótese ndvduas de cada se e só se não exstr relação lnear entre cada uma das varáves X e todas forem ndependentes entre s. Nos demas casos, a correlação 5
6 exstente entre os pares de varáves ndependentes consderadas pode, mesmo se for de um grau relatvamente baxo, afetar o resultado do teste de sgnfcânca global em relação aos testes de hpótese ndvduas. Desta forma, para regressões múltplas, o teste de sgnfcânca global não substtu, portanto, os testes de sgnfcânca ndvduas. Pela teórca econométrca, a relação adequada para que se faça este teste é a relação entre a méda dos quadrados da regressão (soma dos quadrados em relação à quantdade de regressores) e a méda dos quadrados dos erros (soma dos erros ao quadrado em relação aos graus de lberdade do erro). No caso da hpótese nula H 0 ser verdadera, a relação entre estas médas ( RESSÃO / S ) segue a dstrbução F de Fsher BROWNLEE apud GUJARATI (000), demonstra que, sob a hpótese de que os erros da regressão são normalmente dstrbuídos, se a hpótese nula for verdadera, F CALC = / GL / GL Tem dstrbução F com GL e GL graus de lberdade. Este resultado é de extrema nportânca, pos, sob valdade testa hpótese, pode-se provar que se os erros da regressão são normalmente dstrbuídos, possuem méda zero e são homocedástcos, então o estmador da varânca do modelo de regressão lnear é não vesado. Completa GUJARATI (000): Esta afrmação não deve causar surpresa, já que, se houver uma relação trval entre Y e X e X 3 [e as demas varáves ndependentes], a únca fonte de varação em Y se deve a forças aleatóras, representadas por u [erros do modelo]. Porém, se a hpótese nula for falsa, ou seja, se defntvamente X e X 3 [e as demas varáves ndependentes] nfluencarem Y (...) E [ ] será relatvamente maor do que R [ ], levando-se devdamente em conta seus respectvos gl. Portanto, o valor de F (...) fornece-nos um teste da hpótese nula de que os verdaderos coefcentes de nclnação são smultaneamente guas a zero. Mas os betas também podem ser testados ndvdualmente usando-se a estatístca t-student. Consderando-se um modelo com teste blateral e 95% de certeza (ou unlateral com 97,5% de certeza), para amostras relatvamente grandes (n>30), em um modelo sgnfcatvo, onde se deseja rejetar H 0 : =0, espera-se que stat t >,04. Para amostras com tamanhos menores, a estatístca t de rejeção de H 0 será sempre, em módulo, nferor a,04. Assm, para amostras onde n>30, pode-se adotar o valor,04 como lmte superor para comparação com a estatístca t tabelada e níco da área de rejeção da hpótese nula. Sabe-se que a dstrbução F de Fsher cujo valor tabelado fornece F t tal que: p(f N1-1, N-1 >F t ) = p, quando N 1 =, é equvalente à dstrbução t com N graus de lberdade, ou seja, ao quadrado da dstrbução t-student, também tabelada. Conforme JOHNSTON & DINARDO (1997), The F dstrbuton s defned n terms of two ndependent varables. (...) Thus t (n)=f(1,n); that s, the square of a t varable wth n degrees of freedom s an F varable wth (1,n) degrees of freedom. Assm, para regressões smples, onde se deseja testar um e somente um valor para, os resultados do teste F e do teste t devem ser equvalentes, sendo fato que o valor calculado de F é sempre o quadrado do valor calculado da estatístca t observada, onde: stat-t OBS = valor estmado do coefcente / erro padrão estmado do coefcente Assm, para as regressões smples, deseja-se que F CALC > =,04, mas F CALC =. 6
7 Queremos, então, encontrar regressões sgnfcatvas, onde > n TOTAL n 1 R g n, R TOTAL /( n ) n 1 > n 1 R >. ( n ) TOTAL n 1 R > n,1616 n Assm, lmta-se a análse da regressão (desde que se possa garantr a nexstênca de heterocedastcdade e autocorrelação, hpótese que, mesmo exstente, em alguns casos pode ser relaxada, e.g. séres do tpo cross-secton) à comparação de um únco valor (R ) com uma constante g que vara em função do tamanho da amostra adotado. Este resultado é extremamente mportante, pos faclta que se avalem bases de dados muto grandes, como é o caso do mercado de ações. Se determnado pesqusador estver nteressado, por exemplo, em confrmar a ocorrênca do modelo CAPM para cálculo de de 60 meses de ações da Bovespa, é possível usar apenas a estatístca estmada R da regressão entre os retornos de cada ação e o prêmo de rsco. Como na Bovespa há, lstadas, mas de 300 ações, pode-se rodar as regressões pretenddas e comparar o coefcente de correlação de cada uma com o valor /(60+,1616) = 0,067. Ou seja, para aquelas ações onde R for superor a 0,067 pode-se admtr que há ndícos para se rejetar H 0 : = 0. Fca claro, por este exemplo, que o procedmento proposto faclta enormemente o trabalho do pesqusador, que fca dspensado de rodar qualquer modelo de regressão para dentfcar se há valores estatstcamente sgnfcatvos na sua base de dados. Adconalmente, o cálculo do R mplca, na verdade, em aplcar a metodologa de cálculo do coefcente de correlação de Pearson e elevá-lo ao quadrado, conforme a segunte fórmula: ( X ( X X )( Y Y) =1,, 3,..., n X ) ( Y Y) Onde: x são os valores observados da varável ndependente; y são os valores observados da varável dependente; n: tamanho da amostra. Este procedmento elmna, portanto, o uso de qualquer pacote estatístco para a análse dos dados, uma vez que uma smples planlha eletrônca é preparada para calculá-lo com bastante fdedgndade. No entanto, com o uso desta metodologa proposta não é possível conhecer o valor estmado dos betas das regressões smples, mas, anda assm, conhecendo o snal do coefcente de correlação é possível conhecer o snal dos betas, uma vez que, por construção do própro modelo de O, ambos são dêntcos. Assm, mesmo que não se possa avalar a magntude 7
8 da relação, com este procedmento pode-se determnar se as varáves em questão são postva (>0>0) ou negatvamente (<0<0) relaconadas, nformação esta que, mutas vezes, é sufcente para responder aos anseos do pesqusador. 5. Extensão para o Modelo de Regressão Múltpla No modelo de regressão lnear múltpla a comparação entre a regressão obtda torna-se mas complexa. Além de consderarmos, adconalmente, a questão da multcolneardade, há que se levar em conta não somente o tamanho da amostra, mas também o número de varáves ndependentes do modelo em questão. Para rejeção da hpótese nula H 0 : 1 = =... = = 0 é precso comparar a estatístca F calculada com a estatístca F tabelada. Conforme aponta GUJARATI (000), F R /( k 1) (1 R ) /( n k) Onde: F: estatístca F calculada a partr dos valores da amostra; R : coefcente de determnação da regressão múltpla; k: número de varáves ndependentes (consderando-se o coefcente lnear); n: número de observações. Como n, k e a estatístca F tabelada varam conforme o caso, não é possível determnar um únco valor que, se comparado a qualquer amostra gera o resultado estatístco do teste de hpóteses anterormente apresentado. Assm, há que se apurar, caso a caso, as estatístcas tabelada e a relação entre esta e o R para a efetva conclusão do teste de hpóteses. 6. Conclusões O objetvo ncal deste artgo, apresentado já na sua ntrodução fo de oferecer uma técnca alternatva às númeras regressões lneares smples para avalação conjunta de grandes bases de dados. A técnca consste em calcular um únco valor que, se comparado com o quadrado do coefcente de correlação de Pearson, ndca se o modelo é ou não sgnfcatvo com 95% ou 97,5% de certeza (para ntervalos de confança blateras ou unlateras, respectvamente da estmatva do coefcente angular estmado) e ndca o snal do, desde que respetadas as hpóteses de homocedastcdade e ndependênca de resíduos. De fato, fo possível sugerr o lmte g = /(n+,1616) para esta comparação, tendo sdo apresentada, também a fórmula para o teste de sgnfcânca global de regressões lneares múltplas descrta por GUJARATI (000), mas cuja observação é mas complcada (pos precsa-se estmar R a partr dos dversos coefcentes de correlação calculadas para cada par de varáves ndependentes) e sem resultados conclusvos a respeto dos snas das varáves explcatvas consderadas. Conclu-se, então, que, no caso do nvestgador desejar conhecer apenas a sgnfcânca estatístca e o snal do coefcente angular, este fca desobrgado a calcular dferentes regressões lneares pelo método de O (desde que as hpóteses desta modelagem sejam 8
9 atenddas), lmtando o seu trabalho ao cálculo do coefcente de correlação de Pearson,. Este procedmento garante uma redução sgnfcatva no montante de dados a serem avalados se estamos dante de grandes bases de dados, poupando tempo e, consequentemente, recursos fnanceros e computaconas. 7. Referêncas BUSSAB, W. de O.; MORETTIN, P. A.; Estatístca Básca. São Paulo: Edtora Sarava, a edção, 3 a tragem. CORRAR, L. J.; PAULO, E.; DIAS FILHO, J. M. (Coord.); Análse Multvarada para os Cursos de Admnstração, Cêncas Contábes e Economa. São Paulo: Edtora Atlas, 009. FERREIRA, A. B. de H.; Mndconáro Aurélo da Língua Portuguesa. Ro de Janero: Edtora Nova Frontera, a edção, 11 a mpressão. GUJARATI, D.N.; Econometra Básca. São Paulo: Makron Books, ª edção. JOHNSTON, J. & DINARDO, J.; Econometrc Methods.Estados Undos: McGraw-Hll, ª edção. LACOMBE, F.; Dconáro de Admnstração. São Paulo: Edtora Sarava, 004. MATOS, O. C. de; Econometra Básca: Teora e Aplcações. São Paulo : Edtora Atlas, 000.3ª edção. SILVA, E. M. da et al.; Tabelas de Estatístca. São Paulo: Edtora Atlas, a edção. WHEELER, D. & CHAMBERS, D.; Understandng Statstcal Process Control. New York: SPC Press,
1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
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 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 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 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 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 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 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 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 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 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 maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia 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 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 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 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 maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
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 maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
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 maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia 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 maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
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 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 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 maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia 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 maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia mais2. Validação e ferramentas estatísticas
. Valdação e ferramentas estatístcas Mutos aspectos relaconados à socedade são suportados, de alguma forma, por algum tpo de medção analítca. Mlhões de medções analítcas são realzadas todos os das, em
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 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 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 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 maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
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 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 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 maisEquações Simultâneas
Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma
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 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 maisSerão abordados nesse capítulo os modelos causais, utilizados como ferramentas para o desenvolvimento e análise desse trabalho.
3. Modelos causas Serão abordados nesse capítulo os modelos causas, utlzados como ferramentas para o desenvolvmento e análse desse trabalho. 3.1. Econometra A base da Econometra é a aplcação de métodos
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 maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia mais8.16. Experimentos Fatoriais e o Fatorial Fracionado
8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
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 maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
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 maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisAULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.
Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.
Leia 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 maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
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 maisREGRESSÃO LINEAR ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO CURVILÍNEA FUNÇÃO QUADRÁTICA VERIFICAÇÃO DO AJUSTE A UMA RETA PELO COEFICIENTE 3 X 3
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR Verfcado, pelo valor de r, que ocorre uma sgnfcante correlação lnear entre duas varáves há necessdade de quantfcar tal relação, o que é feto pela análse
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
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 maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisProf. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =
Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
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 maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisTipo tratamento idade Tipo tratamento sexo
Modelos de Regressão em Saúde Rejane Sobrno Pnhero Tâna Zdenka Gullén de Torres Modelos de Regressão Famíla de técncas estatístcas város fatores meddos (predtor, covarável, varável ndependente) relaconados
Leia 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 maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia 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 maisF = O modelo de Regressão Múltipla Geral é dado por: Y i = β 1 + β 2 X 1i + β 3 X 2i + +β k X ki + U i Para testar a hipótese nula de que: H
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Nem sempre se quer testar os coefcentes ndvduas da regressão. Pode ser necessáro e é convenente testar o modelo como um todo, sto é testar
Leia mais(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
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 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 maisCAPÍTULO 7 TESTES DE HIPÓTESES
CAPÍTULO 7 TESTES DE HIPÓTESES Além dos métodos de estmação de parâmetros e de construção de ntervalos de confança, os testes de hpóteses são procedmentos usuas da nferênca estatístca, útes na tomada de
Leia maisPESQUISA EM MERCADO DE CAPITAIS. Prof. Patricia Maria Bortolon, D. Sc. (colaboração de Prof. Claudio Cunha)
PESQUISA EM MERCADO DE CAPITAIS Prof. Patrca Mara Bortolon, D. Sc. (colaboração de Prof. Claudo Cunha) Cap. 15 Testes Empírcos de Modelos de Equlíbro ELTON, E.; GRUBER, M.; BROWN, S., GOETZMANN, W. Moderna
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia 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 maisCorrelação. Frases. Roteiro. 1. Coeficiente de Correlação 2. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5.
Correlação Frases Uma probabldade razoável é a únca certeza Samuel Howe A experênca não permte nunca atngr a certeza absoluta. Não devemos procurar obter mas que uma probabldade. Bertrand Russel Rotero
Leia maisANÁLISE DA RELAÇÃO ENTRE AS NOTAS DAS DISCIPLINAS DE MATEMÁTICA E FÍSICA DE ESTUDANTES DO ENSINO MÉDIO
UNIVERSIDADE REGIONAL INTEGRADA DO ALTO URUGUAI E DAS MISSÕES CAMPUS DE ERECHIM DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA CURSO DE MATEMÁTICA GRASIELA ELISA WEBBER ANÁLISE DA RELAÇÃO ENTRE AS NOTAS DAS
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisRegressão Linear Múltipla. Frases. Roteiro
Regressão Lnear Múltpla Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 004 Rotero 1. Especfcação do Modelo. Modelo
Leia maisCapítulo XI. Teste do Qui-quadrado. (χ 2 )
TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de
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 mais