http://143.107.246.201:8081/labtrop/ 2026-04-23T09:55:55+00:00 http://143.107.246.201:8081/labtrop/ http://143.107.246.201:8081/labtrop/lib/exe/fetch.php?media=wiki:logo.png text/html 2026-03-27T13:51:22+00:00 Anonymous (anonymous@undisclosed.example.com) http://143.107.246.201:8081/labtrop/doku.php?id=cursos:planeco2017:roteiro:02-hipot&rev=1774619482&do=diff Teste de Hipóteses [ ] O objetivo desse roteiro é auxiliar na compreensão de dois conceitos fundamentais do teste de hipótese estatístico. O primeiro é entender o significado do p, ou a probabilidade de rejeitar a hipótese nula quando ela não deveria ser rejeitada. Normalmente definimos um valor crítico baixo para essa probabilidade, dado que não queremos cometer esse erro. Convencionou-se, em muitas áreas da ciência, definir esse valor crítico em 0.05 ou 5%. O segundo objetivo desse roteiro é… text/html 2026-03-27T13:51:21+00:00 Anonymous (anonymous@undisclosed.example.com) http://143.107.246.201:8081/labtrop/doku.php?id=cursos:planeco2017:roteiro:05-descr&rev=1774619481&do=diff ANÁLISES EXPLORATÓRIAS DE DADOS Neste tutorial, pretendemos instrumentalizar os(as) usuários(as) a realizar várias técnicas de Análise Exploratória de Dados (AED). Apesar de existirem questionamentos estatísticos e filosóficos sobre a realização da AED antes das análises de dados previstas em um projeto de pesquisa, o contato prévio com os dados pode, no mínimo, auxiliar a detectar anomalias nos dados e buscar suas causas. text/html 2026-03-27T13:51:22+00:00 Anonymous (anonymous@undisclosed.example.com) http://143.107.246.201:8081/labtrop/doku.php?id=cursos:planeco2017:roteiro:06-rand&rev=1774619482&do=diff Técnicas de Monte Carlo Reamostragem e Permutação Técnicas de simulações aleatórias, baseadas em dados ou distribuições teóricas, buscando soluções numéricas. * teste de hipóteses * medidas de precisão de estimativas * otimizadores text/html 2026-03-27T13:51:22+00:00 Anonymous (anonymous@undisclosed.example.com) http://143.107.246.201:8081/labtrop/doku.php?id=cursos:planeco2017:roteiro:07-class&rev=1774619482&do=diff Testes Clássicos Anova Tabela de Anova Baixe o arquivo e preencha a tabela de anova com esses dados. Testando a hipótese de que existem diferenças na produção agrícola em diferentes tipos de solo. Os cálculos devem ser feitos passo-a -passo, sem uso de uma função específica.$$SS_{total} = \sum_{i=1}^k\sum_{j=1}^n (y_{ij} - \bar{\bar{y}})^2 $$$$SS_{in} = \sum_{i=1}^k\sum_{j=1}^n (y_{i,j} - \bar{y}_{i})^2 $$$$SS_{en} = \sum_{i=1}^k\sum_{j=1}^n (\bar{y}_{i} - \bar{\bar{y}})^2 $$ text/html 2026-03-27T13:51:22+00:00 Anonymous (anonymous@undisclosed.example.com) http://143.107.246.201:8081/labtrop/doku.php?id=cursos:planeco2017:roteiro:08-lm&rev=1774619482&do=diff Modelo Lineares Tabela de Anova de uma Regressão * baixe o arquivo * abra no Excel e calcule o intercepto e a inclinação do modelo linear * crie uma coluna com os valores de resíduos do modelo para cada observação * crie uma coluna com os valores de desvíos quadráticos para cada observação$r2$$$SS_{total} = \sum_{i=1}^n (y_{i} - \bar{y})^2$$$$SS_{error} = \sum_{i=1}^n (y_{i} - \hat{y})^2$$$$SS_{total} = SS_{regr} + SS_{erro} $$ text/html 2026-03-27T13:51:22+00:00 Anonymous (anonymous@undisclosed.example.com) http://143.107.246.201:8081/labtrop/doku.php?id=cursos:planeco2017:roteiro:09-lm02&rev=1774619482&do=diff Modelos Lineares Múltiplos Simplificando Modelos Durante o curso usaremos o procedimento de simplificar o modelo a partir do modelo cheio. O procedimento consiste em comparar modelos aninhados, dois a dois, retendo aquele que tem maior poder explicativo. Caso os modelos não seja diferentes no seu poder explicativo, retemos o modelo mais simples, apoiados no princípio da parcimônia. text/html 2026-03-27T13:51:21+00:00 Anonymous (anonymous@undisclosed.example.com) http://143.107.246.201:8081/labtrop/doku.php?id=cursos:planeco2017:roteiro:10-glm&rev=1774619481&do=diff Modelo Lineares Generalizados Os modelos lineares generalizados (GLMs) são usado quando a variância não é constante ou o erro do modelo não tem uma distribuição gaussiana (normal). A natureza da nossa variável resposta indica os desvios que iremos encontrar em relação aos pressupostos dos modelos lineares ($$ \eta = \alpha + \beta x$$$$ \eta = g(E_{(y)}) $$$$ p = \log{(\frac{a+bx}{1-(a+bx)})} $$$km^2$$$logit^{-1}(\hat{y}) = \frac{1}{1+\frac{1}{e^{\hat{y}}}} $$$$(1|Beach) $$$$(1 + NAP|Beach) $…