Análise Bivariada. Frases. Roteiro. 1. Introdução
|
|
- Gabriel Chagas Sá
- 6 Há anos
- Visualizações:
Transcrição
1 Análse Bvarada Frases Torture os dados por um tempo sufcente, e eles contam tudo! fonte: mcrsoft@amnet.com (Barry Fetter) Um homem com um relógo sabe a hora certa. Um homem com dos relógos só sabe a méda. Anônmo 1. Introdução Rotero 2. Dagramas de Dspersão 3. Correlação 4. Regressão de Mínmos Quadrados 5. Cudados com a Regressão e Correlação 6. Relações em Dados Categórcos 7. Referêncas
2 Introdução Relação entre Varáves (1) Estudar as relações (assocações) entre varáves; Ex.: Carros pesados causam menos vítmas fatas? Pessoas que fumam tendem a não vver tanto quanto pessoas que não fumam? Para o estudos das relações entre varáves, medmos os valores em mesmos ndvíduos. Relação entre Varáves (2) A relação entre duas varáves pode ser fortemente nfluencada por varáves que estão ocultas no contexto; Assocações estatístcas são tendêncas globas e não regras rígdas.
3 Exame da Relação entre Varáves 1. Que ndvíduos os dados descrevem? 2. Que varáves estão presentes? Como são meddas? 3. Quas varáves são quanttatvas e quas são qualtatvas. Podem ser: Objetvos explorar a natureza da relação; ou mostrar que uma das varáves pode explcar varações na outra. Tpos de Varáves Varável resposta (Y): Varável Explanatóra (X): Afrmações do tpo: se x é dada, então ocorre y São mas fáces de serem dentfcadas quando fxamos os valores das varáves explanatóras para vermos como a varável resposta é afetada.
4 x Y Varável explcatva Varável ndependente Regressor Predtor Varável exógena Varável de controle ou estímulos Varável explcada Varável dependente Regreddo Predto Varável endógena Varável resposta Causa Há stuações em que o objetvo é mostrar que a varação em uma ou mas varáves explcatvas causam efetvamente varações em uma varável resposta. Avalações do ENEM podem ajudar a predzer as futuras notas dos estudantes na faculdade. Mas avalação elevada não causa nota alta em uma faculdade. Rotero para Estudo de Assocação 1. Incar o trabalho com apresentação gráfca e, em seguda, acrescentar resumos numércos; 2. Procurar padrões geras e desvos em relação a eles. 3. Quando o padrão geral é regular, utlzar o modelo matemátco compacto.
5 Dagramas de Dspersão Dagrama de Dspersão Mostra a relação entre 2 varáves quanttatvas ; Cada ndvíduo é representado por uma ponto no gráfco; par ordenado; Se for possível dentfcar: Exo horzontal: varável explcatva; Exo vertcal: varável resposta. Resultados do ENEM 26 Dese mpe nho Ger al po r E stado 4 Brasl = 52, 8 38 Prova Objet va , 9 32 Dados: ENEM, , 47, 5 5, 52,5 55, 57,5 Redação Aparentemente há uma relação entre os desempenhos na redação e na prova objetva.
6 Interpretação Procurar o padrão geral e desvos acentuados; Descrção do padrão geral: Forma Dreção Intensdade Importante: Indentfcar e analsar outlers Forma Tpos mas comuns de relações: Lnear: Exponencal Quadrátca Exemplo 1 Vendas/Renda Varável resposta: Vendas no varejo ($) Varável explcatva: Renda dsponível ($) 7 Vendas no Varejo ($) Tendênca lnear Renda Ds ponível ($)
7 Exemplo 2 Absorção de Oxgêno Varável resposta: Absorção de Oxgêno Varável explcatva: Ventlação Absorçã o de Oxgê no Tendênca exponencal Ventlaç ão Outros Padrões (1) Concentração de qunase de creatnna no sangue 1 Concentração (mu/ml) Tempo (horas) Os padrões da tendênca varam Exemplo 3 Comprmentos de Fígados Varável resposta: Comprmento do fígado (mm) Varável explcatva: Tempo de gestação (sem.) 7 Comprme nto do fígado (mm) Tendênca não-lnear Tempo de Ge sta ção (se m. )
8 Dreção Assocação Postva: Valores acma da méda de uma delas tendem a ocorrer com valores acma da méda da outra e vce-versa. Assocação Negatva: Valores acma da méda de uma delas, acompanham valores abaxo da méda da outra e vce-versa. Trânsto em Captas 16 1 V ít mas Fat as Vít ma s Fat as por 1. veículos V ít mas de A cden te Moto rzação (veícu los po r 1 habtan tes) D ados: Denatran, 26 D ados: Denatran, 26. Postva Negatva Intensdade Determnada pela proxmdade dos pontos observados a uma forma defnda.
9 Desempenho ENEM 26 57,5 Dese mpenho Reda ção Des empenho Estudante s que Cursa ram ape na s Esc ola s Partculare s 62 Desempenho Geral 55, 52,5 5, 47,5 Desempenho e m Reda çã o , 45, 47,5 5, 52,5 55, 57,5 De se mpenho Estudant es que Cursa ram a penas Escolas Públcas PIB per capta (R$) Dados: ENEM, 26 Dados: ENEM, 26 Correlação Forte Correlação Fraca Intensdade de correlação lnear: proxmdade à uma reta Correlação Lnear Postva y y y Postva x Postva Forte x Postva Perfeta x Dagramas de Dspersão Correlação Lnear Negatva y y y Negatva x Negatva Forte x Negatva Perfeta x Dagramas de Dspersão
10 Sem Correlação Lnear y y Sem Correlação x Correlação não-lnear x Dagramas de Dspersão Conglomerados Análse de Clusters ou Conglomerados: Classfcação de objetos em dferentes grupos, ou seja, a partção do conjunto de dados em subconjuntos (clusters) de manera que os dados em cada grupo compartlhe dealmente alguma característca comum Em geral, proxmdade entre objetos de acordo a alguma medda de dstânca Acrescentando Categoras no Dagrama A lunos que Cursaram apenas Es colas Públc as 57,5 55, 52,5 5, 47,5 45, 52 Da dos: ENEM, 26 G rupo N /N E Outr as Desempe nho em Re dação Alunos que Cursaram apenas Es colas Part culares Aparentemente há um padrão dferente para os estados do N e NE. 62
11 Suavzação usando a Méda Exemplo 2.5: Safra de mlho nos EUA: 1 acre,447 ha 45 alqueres por acre 5 sacas/ha Plantas por acre Méda ,1 113, 118,4 142,6 131, ,9 12,7 135,2 149,8 143, ,3 13,1 139,6 149,9 146, ,7 138,4 156,1 143, , 15,5 134,8 Méda 16,8 124,6 13,1 149,8 17 Safra de mlho (alqueres por acre) Taxa (mlhares de plantas por acre) 1956 teve safras altas, nfluencando as médas Relação entre 2 varáves nem sempre pode ser entendda sem conhecmento sobre outras varáves. Suavzação Nem todos os dagramas de dspersão têm mutos valores de y para o mesmo valor de x; Os suavzadores consderam a méda de y em uma vznhança de cada valor de x; Eles costumam ser resstentes a outlers; Objetvo da Suavzação: auxlar na vsualzação de padrões mas complexos
12 Exemplo Suavzação Exemplo 2.6: Teste de Colsão de Motoccletas Planlha: colsao_motos 1 Varação de Velocdade em Colsão de Motoccleta 5 Acele ração (gs) Tempo (mlssegundos) Dados: Schmdt, Mattern, S chüler (1981) Varáves Explcatvas Categórcas Os dagramas de dspersão mostram a assocação entre duas varáves quanttatvas; Para mostrar relação entre varável resposta quanttatva e varável explcatva qualtatva os box-plot, em geral, dão bons resultados Assocação entre Renda per capta e Regão Há dfereças entre rendas per capta e regões? Identfque
13 Relação entre Desempenho ENEM e Regões 57,5 4 Desempenho Geral em Redação 55, 52,5 5, 47,5 Desempenho Geral em Prova Objetva , C entr o-oeste Nordeste N orte Regão Sudeste Sul 3 Centro-Oeste Nordeste Norte Re gão S udeste Sul Dados: Enem, 26. Dados: Enem, 26 A Regão ajuda a explcar o desempenho? Exemplo com Varável Qualtatva Ordnal Correlação
14 Intensdade de Assocação Lnear No dagrama de dspersão: Forte:os pontos se dstrbuem próxmos a uma reta; Fraca: os pontos estão muto dspersos em torno dela. Medda numérca que complementa o dagrama de dspersão para estabelecer a ntensdade de relação lnear: Correlação Soma de Quadrados Notação S xx = 2 ( x x) = x 2 n( x) 2 S yy = 2 ( y y) = y 2 2 n ( y) S = ( x x)( y y) = x y n ( x. y) xy Coefcente de Correlação Lnear Amostral Mede o grau de relaconamento lnear entre os valores emparelhados x e y em uma amostra. r = S Em geral, calculadoras fnanceras calculam o valor de r. S xx xy S yy
15 Outra expressão para Cálculo de r r = ( x x)( y y) ( n 1) s s x y s x : desvo padrão amostral de x s y : desvo padrão amostral de y Desempenho ENEM 26 4 Desempenho Geral por Estado 3 8 Prova Objetva Dados: ENEM, 26 45, 47,5 5, Reda ção 52,5 55, 57, 5 Correlatons: Objetva_so_pub; Objetva_so_part Pearson correlaton of Objetva_so_pub and Objetva_so_part =,741 P-Value =, Propredades da Correlação A correlação não faz qualquer dstnção entre varáves explanatóras e varáves resposta; A correlação exge que ambas as varáves sejam quanttatvas; A correlação mede apenas ntensdade de relação lnear entre varáves; Não descreve relações curvlíneas por mas fortes que sejam
16 1 8 6 X^2 4 2 r =, -1-5 X 5 1 MTB > correlaton 'X' 'X^2' Correlatons: X; X^2 Pearson correlaton of X and X^2 = -, P-Value = 1, Exste uma relação de dependênca NÃO LINEAR entre as varáves. Propredades da Correlação (2) A correlação r não se altera quando mudamos as undades de medda de x e y; r postvo ndca assocação postva entre as varáves e r negatvo, assocação negatva; r é sempre um número entre -1 e 1: Valores próxmos de -1 ndcam que os pontos se stuam próxmos a uma reta decrescente; Próxmos de 1, próxmos a uma reta crescente Intensdade de relação lnear dmnu na medda em que se aproxma de Dagramas de Dspersão (1)
17 Dagramas de Dspersão (2) Dagramas de Dspersão (3) Correlação e Outlers Utlze r com cautela quando houver outlers no dagrama de dspersão; Assm como a méda e o desvo-padrão, a correlação é fortemente afetada por outlers.
18 4 Des empenho Ger al por Estado RS 3 8 Prova Objetva , 47, 5 5, 52,5 Da dos: ENEM, , 5 7,5 Re da çã o Todos os estados: r =,741 Todos, exceto RS: r =,849 O RS nfluenca no resultado da correlação? Porcentagem de Varação 1 r r ( ) r r: correlação calculada com todas as observações r():correlação calculada sem a -ésma observação.,849,741 1 = 14,6%,741 Comentáros A correlação não é uma descrção completa dos dados de duas varáves; É precso dar as médas e os desvos-padrão tanto de x quanto de y. Correlação baseada em médas, em geral, é mas alta do que se dspuséssemos os dados por ndvíduos Uma correlação elevada não mplca causação.
19 Regressão de Mínmos Quadrados Reta de Regressão Resume a relação entre duas varáves, somente no contexto em que uma das varáves ajuda a explcarmos ou predzermos a outra. Descreve como uma varável resposta y vara me função de uma varável explanatóra x; A regressão, ao contráro da correlação, exge que tenhamos varável explanatóra e varável resposta. Ajuste de uma Reta aos Dados Nenhuma reta passa exatamente por todos os pontos; Ajustamento de uma reta: Traçar uma reta que passe tão próxma dos pontos quanto possível.
20 Equação da Reta y = a + bx y se modfca a uma taxa constante em relação à sua varável explcatva x a e b são constantes y a : ntercepto-y b : coefcente angular x Exemplo 2.11, pg. 77 Estudo de nutrção em cranças Dados de alturas médas de grupo de cranças de Kalama (aldea egípca) Medções mensas de alturas de 161 cranças, dos 18 aos 29 meses de dade Planlha: kalama A lt ura ( em cm) Idade (em meses) Correlatons: Idade; Altura Pearson correlaton of Idade and Altura =,994 P-Value =, Evdênca de forte assocação lnear postva Sem outlers
21 Qualquer reta que descreva os dados de Kalama terá a forma: altura = a + ( b dade) A ltura (em c m) Idade (em meses) Como por exemplo a reta: altura = 64,93 + (,635 dade) 3 64,93 cm: altura méda no nascmento A crança cresce em méda,635 cm por mês Predção Podemos usar a reta de regressão para predzer a resposta y para um valor espec ífco da varável explanatóra x; Exemplo: Vamos predzer a altura méda das cranças aos 32 meses de dade altura = 64,93 + (,635 32) = 85, 25cm
22 32 85, 85,25 Altura (em cm) 82, 5 8, 77, 5 75, Idade (em meses) Os pontos estão próxmos da reta, logo a precsão do valor prevsto ser á razoável. Precsão das Predções Se os dados apresentam padrão lnear com razoável dspersão, podemos usar a reta de regressão para resumr o padrão, mas não teremos tanta confança em predções baseadas na reta Intervalo de Predção 7 Comprmento do fígado (mm) Para 25 semanas: comprmento fígado entre 23 e 41 mm Tempo de Ge sta ção (se m. ) Grande dspersão em torno da tendênca Relação fraca Intervalos de predção amplos Predção mprecsa
23 Extrapolação Aplcação da reta de regressão para predções muto afastadas do ntervalo de valores de x usados para obter a reta; Em geral, tas predções não são recomendadas. Será que podemos usar a reta de regressão ajustada para prever a dade dos resdentes do Kalama aos 2 anos? altura = 64,93 + (,635 24) = 217, 33cm Comentáros Conduz a uma altura de 2,17 m!!! Fo um cálculo cego Os dados cobrem apenas o período de 18 a 29 meses; Na medda em que as pessoas envelhecem, crescem mas devagar (dferentes valores de b); A reta ajustada não é um bom modelo para dades muto afastadas dos dados da amostra. Importante Métodos estatístcos não podem ultrapassar as lmtações dos dados que os almentam!
24 Y Erro de Predção erro = altura observada altura predta Para a 7ª. observação (tabela): erro = y 7 (a + b x 7 ) ou seja, o erro depende da reta que escolhemos Ajuste da Reta , 1,5 2, Qual a reta que se ajusta melhor aos dados? ou seja quas os valores de a e b? Escolher a e b de manera a tornar mínma a dstânca entre a reta e os pontos 2,5 X 3, 3,5 4, Método dos Mínmos Quadrados Crtéro: Valores dos parâmetros que mnmzam a soma dos quadrados dos erros n ( y yˆ ) = 1 2
25 Método dos Mínmos Quadrados (2) Mnmzação em relação a ß e ß 1 : 2 S = d = + S = a 2 { Y ( a bx )} y d S = b x Método dos Mínmos Quadrados (3) Resultados das dervadas parcas: bˆ = aˆ = n. ( x y ) ( x ) ( y ) 2 n. x ( ) 2 x y b x n s bˆ = r s Calculando por meddas estatístcas : s ˆβ 1 = = r s XY 2 X XY s s Y X y x aˆ = Y bx ˆ Exemplo 2.14 contnuação Dados calculados a partr da Tabela 2.5: x = 23,5 meses y = 79,85cm r =,9944 Cálculo dos parâmetros: s = 3,66meses s = 2,32cm Equação da reta: yˆ = 64,928+, 635 x x ˆ s x 3,66 b = r =,9944,635 s 2,32 = aˆ = y bˆ x = 79,85 64,928 23,5 = 64, 928 y y
26 Saída do Mntab Regresson Analyss: Altura versus Idade The regresson equaton s Altura = 64,9 +,635 Idade Predctor Coef SE Coef T P Constant 64,9283, ,71, Idade,63497,214 29,66, S =, R-Sq = 98,9% R-Sq(adj) = 98,8% b =,635 : taxa mensal de varação da altura méda a = 64,926: não podemos afrmar que é a altura ao nascer, pos, as dades ncam com 18 meses Propredades dos EMQO A reta de regressão passa pelo ponto Podemos escrever a regressão exclusvamente em termos das meddas descrtvas básca: sx, sy, x, y, r ( x, y) Se x e y são ambas varáves padronzadas (méda zero e desvo-padrão1) então teremos a reta de regressão: Passando pela orgem, com coefcente angular r. Correlação e Regressão O coefcente angular da reta de mínmos quadrados (b) envolve r; O quadrado da correlação r 2 é a percentagem de varação nos valores de y que é explcada pela regressão de mínmos quadrados de y em x. É comum usar r 2 para mostrar a capacdade de a regressão explcar a resposta.
27 Regresson Analyss: Altura versus Idade The regresson equaton s Altura = 64,9 +,635 Idade No Exemplo Predctor Coef SE Coef T P Constant 64,9283, ,71, Idade,63497,214 29,66, S =, R-Sq = 98,9% R-Sq(adj) = 98,8% r =,994 r 2 =,989 A reta de regressão explca 98,9% da varação das alturas Trânsto Captas 16 V ítmas fatas por 1. veículos r 2 =, Severdade(vítmas fatas por 1. ac dentes) Dados: Denatra n, Outra Interpretação r 2 dá a razão entre a varânca das respostas predtas e a varânca das respostas efetvas; Varânca dos valores predtos: Varação dos valores se não houvesse dspersão em torno da reta Varânca dos valores observados: Varação que os valores efetvamente apresentam.
28 No exemplo Varânca dos valores observados (y): 5,391 Varânca dos valores predtos ( y): 5,24135 r2 2 5,24135 r = =, ,391 Cudados com Regressão e Correlação Avalação do Modelo A técnca têm lmtações e há necessdade de avalar a qualdade do ajuste; Em uma análse ncal necesstamos: Avalar os resíduos; Verfcar a presença de varáves ocultas; Avalar a presença de outlers ou observações nfluentes.
29 Resíduos As dstâncas vertcas dos pontos à reta de regressão são as menores possíves; mínmos quadrados Resíduo: é a dferença entre um valor observado da varável resposta e o valor predto pela reta de regressão. resíduo = y observado y predto eˆ = y yˆ Reta de Regressão e Resíduos Valores ajustados: y ˆ = a + Resíduos: bx y ŷ ê y ˆ = a+ bx eˆ = y yˆ A méda dos resíduos de mínmos quadrados é sempre zero x Gráfco de Resíduos É um dagrama de dspersão dos resíduos da regressão versus a varável explanatóra; Esses gráfcos ajudam a avalar o ajuste de uma reta de regressão.
30 Exemplo Kalama x Observado 76,1 77, 78,1 78,2 78,8 79,7 79,9 81,1 81,2 81,8 82,8 83,5 Predto 76,4 77, 77,6 78,3 78,9 79,5 8,2 8,8 81,4 82,1 82,7 83,3 Resíduo -,26 y ˆ1 = 64,928+, = 76, 4,1,47 -,6 -,1,17 -,27,3 -,24 -,27,9,16 e = 76,1 76,4 =,26 ˆ , 5, 4 Resdual s Versus the F tted Values (r esponse s Altur a) Altura (em cm) Resíd uos (cm), 3, 2, 1, -, 1 -, Idade (em meses) , Va lo r A justado Os resíduos tem a dspersão rregular típca de dados que não se afastam do modelo de forma sstemátca Análse Gráfca dos Resíduos Se a regressão estver bem ajustada não observaremos qualquer padrão no gráfco; Espera-se que os pontos estejam: dstrbuídos em uma faxa horzontal não estruturada; smétrcos em relação a zero.
31 Resíduos vs Varável Explcatva ê ê x x Não há defetos óbvos no modelo A varânca é crescente de y. função Prevsões de y mas precsas para menores valores de x. Resíduos vs Varável Explcatva ê x Modelo não lnear. Varáves Ocultas É uma varável que tem um efeto mportante sobre a relação entre as varáves em estudo, mas não está ncluída entre as varáves estudadas.; Um método convenente é grafar a varável resposta e os res íduos da regressão segundo a ordem temporal das observações
32 Exemplo 2.17, pg. 88 Predção do número de alunos dos cursos elementares do Departamento de Matemátca com base no número de alunos do 1º ano. Varável explanatóra (x): número de alunos do 1º ano Varável resposta (y): número de estudantes matrculados em cursos elementares de matemátca Dados coletados de 199 a 1997 Reta de Regressã o Ajus ta da Elementar es = , 66 1º ano Res íduos v s. Valores Ajustados ( Resposta: Matrículas em Cursos Element ar es) Eleme ntares Resíduo s S 18 8,94 9 R-Sq 6 9,4% R-Sq(a dj) 6 4,3% º a no Valor Aj ustado A reta parece ajustar-se razoavelmente bem; Os três pontos acma da reta representam uma relação um tanto dferente. Gráfco Resíduos vs Ordem Resíduos vs Ano (Resposta : Mat rículas e m Cursos Elemen tares) 3 2 Resíduos = Ordem das Observações 7 8 Os 3 res íduos postvos representam de 95 a 97; Houve um aumento entre 1994 (5) e 1995 (6) que provocou aumento da proporção de estudantes
33 Outlers e Observações Influentes Devemos também procurar pontos ndvduas surpreendentes Exemplo 2.18, pg. 91 A dade em que uma crança começa a falar permte predzer a nota em teste posteror de capacdade mental? Varável explcatva: dade, em meses, em que a crança pronuncou sua 1ª palavra; Varável resposta: Escore Adaptatvo de Gesell, resultado de teste de capacdade feto muto mas tarde Grupo de 21 cranças Planlha: nco_fala Reta de Regressão Ajustada Escore = 19,9-1,127 Idade Resí duo s vs Valo re s Aj ustado s (Resposta: Escore adaptatvo de Gesell) Escore ada ptat vo de Gesell S 11, 229 R- Sq 4 1,% R- Sq (adj) 3 7,9% 1 8 Resíduo Idade à pr mer a palavra (em meses) Valor Ajustado 9 1 Relação negatva moderadamente lnear % de explcação da varação do escore: 41% Outlers: Dreção x: crança 18 Dreção y: crança 19
34 Escore ada ptat vo de Gesell Reta de Regressão Ajustada Escore = 19,9-1,127 Idade Ponto Influente 1 9 S 11, 229 R- Sq 4 1,% R- Sq (adj) 3 7,9% 1 8 Escore ada ptat vo de Gesell Reta d e Regressão Aju sta da - Se m Observaç ão 1 8 es cor e_2 = 15,6 -,7792 dade_2 S 11,168 R-Sq 1 1,2% R-Sq (ad j) 6,3% Idade à pr mer a palavra (em meses) Idade à prmera pa lavr a (em me ses) 4 45 A observação 18 nfluenca bastante o ajuste r 2 baxou para 11,2% a nclnação reduzu-se Se o dado for mantdo são necessáras mas observações de cranças que demoraram a falar Outlers Observação stuada fora do padrão global das demas observações; Outlers na dreção y tem grandes resíduos; Outlers na dreção x necessaramente não apresentam a mesma característca. Pontos Influentes Observações cuja remoção do cálculo estatístco, modfca sensvelmente o resultado; Os pontos que são outlers na dreção x em geral são nfluentes para a reta de regressão. A manera mas segura de verfcar se um ponto é nfluente é achar a reta de regressão com o ponto suspeto e sem ele; Se a reta sofrer mas que um pequeno deslocamento então o ponto é nfluente.
35 Correlação e Regressão A correlação e a regressão devem ser nterpretadas com cudado: Grafe os dados para ecrtfcar-seda lneardade; Detecte outlers e pontos nfluentes. A correlação e a regressão podem ser enganosas se gnorarmos varáves ocultas mportantes; Uma correlação elevada não mplca causação. Relações com Dados Categórcos Relação entre Varáves Qualtatvas Varáves categórcas: Varáves nerentemente categórcas: Sexo, raça, ocupação, tpo sanguíneo, etc. Varáves cradas por agrupamentos ou classes: Classe de renda, etc. Descrção das relações entre duas varáves categórcas: Tabela de dupla entrada.
36 Trânsto Captas Regão Condutor/ Passagero Pedestre/ Cclsta Motocclsta Outros Total Sul Sudeste C.Oeste NE Norte Freqüêncas Podemos responder questões como: Qual o percentual de vítmas fatas motocclstas do SE? 463 = 9,71% Qual o percentual de pedestres/cclstas no N e NE? = 16,64% Tabela de Dupla Entrada Descrção de duas varáves: Cada lnha um dos níves de uma das varáves; Cada coluna um dos níves da outra. A ordem das lnhas e colunas deve refletr a ordem dos níves; Caso a(s) varável(es) seja(m) categórca(s) Cada célula contém a freqüênca (contagem) ou a percentagem da ocorrênca conjunta do par de níves correspondentes.
37 Dstrbuções Margnas Dstrbuções de cada varável separadamente; São as somas de cada lnha e cada coluna Total à margem Em geral, as percentagens são assmladas mas faclmente que as contagens; Neste caso, a soma das totalzações das lnhas e das colunas será 1%. Dstrbuções Margnas Regão Condutor/ Passagero Pedestre/ Cclsta Motocclsta Outros Total Sul,97% 1,59%,76%,1% 3,42% Sudeste 13,45% 19,72% 9,71% 7,36% 5,25% C.Oeste 3,73% 4,85% 2,1%,15% 1,83% NE 4,15% 1,64% 3,46% 4,26% 22,51% Norte 4,8% 6,% 1,95%,23% 12,99% 27,11% 42,8% 17,98% 12,11% 1,% Gráfcos Dstrbuções Margnas Vítmas Fa ta s e m Cap ta s - D strb uçã o p or Reg ão Vítmas Fa ta s e m Cap ta s - Dstr bu ção do T po de Ví tma 5 5, , ,11 3 % 22,51 % 2 17, ,83 12, ,11 3,4 2 S SE CO NE N Cond./Passagero Ped./ Cclsta Motocclsta Outros R egão Tpo de Vít ma As margnas não fornecem nformações sobre a dstrbução conjunta das varáves
38 Dstrbuções Condconas Comparação do comportamento de uma varável com relação à cada nível da outra. Ex.: Dado a regão Sudeste, qual a percentagem de cada tpo de vítma fatal? As dstrbuções são semelhantes em cada regão? Dada a regão SE, qual a percentagem de cada tpo de vítma fatal Regão Condutor/ Passagero Pedestre/ Cclsta Motocclsta Outros Total Sudeste Condconada 26,76% 39,25% 19,33% 14,66% 1,% Repete-se o procedmento para as outras regões Dstrbuções Condconas por Regão Regão Condutor/ Passagero Pedestre/ Cclsta Motocclsta Outros Total Sul 28,22% 46,63% 22,9% 3,7% 1,% Sudeste 26,76% 39,25% 19,33% 14,66% 1,% C.Oeste 34,5% 44,77% 19,38% 1,36% 1,% NE 18,45% 47,25% 15,38% 18,92% 1,% Norte 37,% 46,2% 15,2% 1,78% 1,%
39 28,22 46,63 22,9 3,7 26,76 39,25 19,33 14,66 34,5 44,77 19,38 1,36 18,45 47,25 18,92 15, ,2 15,2 1,78 Gráfcos Condconas por Regão Dstrbução do T po de Vítmas Fatas no SE Tpos de Vítmas F ata s - Dstrbuçã o por Regã o 4 39, ,76 3 % 2 19, , Cond./Passagero Ped./ Cclsta Tpo Mot occlsta O utros Tpo Cond./Passagero Ped./Cclsta Motoc clsta O utros Sul C ond./passagero Ped./Cclsta Motocclsta Outros Sudeste Cond./Passagero Ped./C clsta Motocclsta Outros C.Oeste Cond./Passagero Ped./Cclsta Motocclsta O utros NE Cond./Passagero Ped./Cclsta Motocclsta Outros Norte A comparação das dstrbuções condconas revela a natureza da assocação entre o tpo de vítmas e as regões. Dstrbuções Condconas por Tpo de Vítma Regão Condutor/ Passagero Pedestre/ Cclsta Motocclsta Outros Sul 3,58% 3,71% 4,23%,83% Sudeste 49,63% 46,7% 54,% 6,83% C.Oeste 13,76% 11,33% 11,68% 1,24% NE 15,31% 24,86% 19,24% 35,21% Norte 17,71% 14,2% 1,85% 1,9% 1,% 1,% 1,% 1,% Gráfcos Condconas por Tpo de Vítma Dstrbução do T po de Vítmas Fatas no SE T pos de Vítmas F atas - Dstrb uçã o p or Reg ão 4 39,25 1 Tp o Cond./Pa ssag ero P ed./cclsta Mo toc c lsta 3 26,76 8 Ou tros % 2 19,33 % 6 1 4, Cond./Passagero Ped./ Cclsta Tpo Mot occlsta O utros Sul Sudeste C.Oeste NE Norte A comparação das dstrbuções condconas revela a natureza da assocação entre o tpo de vítmas e as regões.
40 3,58 28,22 49,63 46,63 22,9 3,7 17,71 15,31 13,76 26,76 3,71 39,25 46,7 19,33 14,66 11,33 24,86 14,2 34,5 44,77 19,38 4,23 1, ,68 18,45 19,24 47,25 1,85 18,92 15,38,83 6, ,24 46,2 35,21 15,2 1,9 1,78 Gráfcos de Dstrbuções Condconas A mesma nformação em gráfcos dferentes 1 8 T pos de Vítmas F atas - Dstrb uçã o p or Reg ão Tp o Cond./Pa ssag ero P ed./cclsta Mo toc c lsta Ou tros Tpos de Vítmas F ata s - Dstrbuçã o por Regã o 6 2 % 4 2 Sul Sudeste C.Oeste NE Norte Tpo 1 Cond./Passagero Ped./Cclsta Motoc clsta O utros Sul C ond./passagero Ped./Cclsta Motocclsta Outros Sudeste Cond./Passagero Ped./C clsta Motocclsta Outros C.Oeste Cond./Passagero Ped./Cclsta Motocclsta O utros NE Cond./Passagero Ped./Cclsta Motocclsta Outros Norte Gráfcos Condconas por Regão 5 Vítma s Fa ta s e m Captas - Ds trbuç ão de Pedetres/Cc lstas 46,7 6 Ds trbu ção das Re gõ es por T po de Ví tma % 2 24,86 % 3 1 3,71 11,3 3 14,2 2 1 S SE CO Reg ã o NE N C3 S S E CO NE N Cond./Pa ssag ero S S E CO NE N P ed./cclsta S SE CO NE N Moto cclsta S SE CO NE N Ou tro s. As dstrbuções são semelhantes? E sua moda? Está localzada como esperado? Comentáros Não há gráfco únco (como o dagrama de dspersão) que retrate a forma da relação entre varáves qualtatvas Não há medda numérca únca (como o coefcente de correlação) que, por s só, resuma a ntensdade de uma relação entre varáves categórcas.
41 Referêncas Bblografa Recomendada Moore, D. S. e McCabe, G. P. (LTC) Introdução à prátca da estatístca. Wld, C. J. e Seber, G. A. (LTC) Encontros com o acaso.
Análise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Análise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Análise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Prof. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Métodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Prof. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Regressão Linear Simples. Frases. Roteiro
Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear
Associação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Prof. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Regressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Tabela 1. Porcentagem de crianças imunizadas contra DPT e taxa de mortalidade de menores de 5 anos para 20 países, 1992.
Regressão Lnear Algumas vezes estamos nteressados não apenas se exste assocação entre duas varáves quanttatvas x e y, mas nós temos também uma hpótese a respeto de uma provável relação de causa e efeto
Estatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Cap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Contabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Prof. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRGS Insttuto de Matemátca
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
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
3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
1. 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
Correlação. Frases. Roteiro. 1. Coeficiente de Correlação 2. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5.
Correlação Frases Uma probabldade razoável é a únca certeza Samuel Howe A experênca não permte nunca atngr a certeza absoluta. Não devemos procurar obter mas que uma probabldade. Bertrand Russel Rotero
REGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Gráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Probabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
O problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
O problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
REGRESSÃO LINEAR ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO CURVILÍNEA FUNÇÃO QUADRÁTICA
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
Regressão 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
Estatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7
Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
(c) 0,5; 9,5; -10,5; -0,5; 12,3; 2,3; etc. Ocorre desvio alto para o indivíduo 19 (-19,5) X (idade da casa)
Bussab&Morettn Estatístca Básca Capítulo 6 Problema zˆ,5, 55x αˆ : a acudade vsual méda estmada para recém-nascdos (zero anos de dade) é,5; βˆ : a acudade vsual méda estmada dmnu,55 a cada ano,5; 9,5;
Gabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
PRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 011 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Covariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
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,
Tipo tratamento idade Tipo tratamento sexo
Modelos de Regressão em Saúde Rejane Sobrno Pnhero Tâna Zdenka Gullén de Torres Modelos de Regressão Famíla de técncas estatístcas város fatores meddos (predtor, covarável, varável ndependente) relaconados
Tópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Introdução 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
Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Capítulo 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
Regressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Capítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Experiência 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
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais
Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:
Probabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Varáves Varável: característcas ou tens de nteresse de cada elemento de uma população ou amostra Também chamada parâmetro, posconamento, condção...
x 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
2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Análise 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)
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
DEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Ajuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Análise 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...).
REGRESSÃO 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
RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Resumos 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
Probabilidade 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
Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
REGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
CURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
CAPÍTULO 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
Métodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Regressão múltipla linear
Regressão múltpla lnear (Análse de superfíces de tendênca) Coefcente de correlação lnear produto momento, segundo Pearson (r) SPXY = -( ) / n; SQX = - () / n; SQY = - () / n r cov(, ) var( )var( ) r SPXY
Modelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Estatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
AEP 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