Ensino Superior - A Entrada, a Estadia, o Adeus

[bobzz]

Sim sim, estás correcto. e o outro é como dizes também.

[brun0 SLB]

Mas e como interpretar aqueles valores?

 

Desculpa estar a ser chato com isto, mas na única cadeira de estatística que tive, acho que não abordámos isto tão a fundo.

 

Considera o teu modelo mas de uma forma mais geral pois eu nao percebo o significado das variaveis.

 

y=b1+b2*x

 

valor- neste modelo são os b's e representam os efeitos parciais. Isto quer dizer se x aumentar numa unidade, estima-se que em média y aumenta b2 unidades.

erro padrão- é o erro padrão do estimador que a sua principal utilidade é para efectuar testes de hipóteses pelo que a sua interpretação é na minha óptica irrelevante.

t- estatística teste do seguinte teste H0: b2=0 ou H1: H0 é falsa, isto no fundo esta a testar se a variável x é importante para explicar y. em geral esta estatística segue uma normal(0,1) logo se o valor da estatística em modulo for maior que o quantil da distribuição normal(0,1) avaliada a 5% (+-1.96) diz-se que há evidencia contra H0 pelo que a variável é estatisticamente significativa (ie importante ) para explicar y.

pr>|t|- é uma outra forma de efectuar o teste descrito anteriormente. considerando as hipóteses anteriores, se pr>|t| for <0.05 diz-se que há evidencia contra H0 e conclui-se o mesmo que anteriormente.

ultimas duas colunas- representam o intervalo de confiança associado ao coeficiente. Interpretação: com uma probabilidade de 95% o verdadeiro valor do coeficiente está dentro daquele intervalo.

 

Se não perceberes alguma coisa diz.

[bobzz]

o que tu tens é Y = b + mx (como dizes).

o que a estatística teste faz é formular a Hipótese de que esse m é estisticamente = 0 (contra =/= 0), ou seja, se é estatisticamente significativo para explicar Y. comparas a estatística teste (o t) com esses limites. se tiver fora (e não dentro, como disse abocado. disse ao contrário), rejeitas a Hipótese de que é = 0, logo estatísticamente significativo.

orienta-te antes pelo Bruno :mrgreen:

[brun0 SLB]

o que tu tens é Y = b + mx (como dizes).

o que a estatística teste faz é formular a Hipótese de que esse m é estisticamente = 0 (contra =/= 0), ou seja, se é estatisticamente significativo para explicar Y. comparas a estatística teste (o t) com esses limites. se tiver fora (e não dentro, como disse abocado. disse ao contrário), rejeitas a Hipótese de que é = 0, logo estatísticamente significativo.

orienta-te antes pelo Bruno

 

Oh bobzz e essa tese? eu em dezembro vou andar por la a assistir a discussões.

[bobzz]

Para já tá na prateleira.

Ainda tenho este verão para estudar duas cadeiras que me faltam para Setembro, e vou começar a mandar currículos para ver se começo a trabalhar. A tese vou ter de fazer quando tiver tempo fora disso, ou quando acabar de estudar antes de Setembro, ou em Setembro se não trabalhar, ou em Setembro à noite se trabalhar :mrgreen:

Já deste os VARs não já?

[brun0 SLB]

Para já tá na prateleira.

Ainda tenho este verão para estudar duas cadeiras que me faltam para Setembro, e vou começar a mandar currículos para ver se começo a trabalhar. A tese vou ter de fazer quando tiver tempo fora disso, ou quando acabar de estudar antes de Setembro, ou em Setembro se não trabalhar, ou em Setembro à noite se trabalhar

Já deste os VARs não já?

 

Nepes so no próximo semestre xD mas ja dei coisas mt giras ahhaha. Vais entregar em Outubro deste ano?

[bobzz]

Não, não me inscrevi. Nesse aspecto estou tranquilo, caso contrário tinha de tar a trabalhar duro nela :mrgreen:

[Guest Rumpas]

Considera o teu modelo mas de uma forma mais geral pois eu nao percebo o significado das variaveis.

 

y=b1+b2*x

 

valor- neste modelo são os b's e representam os efeitos parciais. Isto quer dizer se x aumentar numa unidade, estima-se que em média y aumenta b2 unidades.

erro padrão- é o erro padrão do estimador que a sua principal utilidade é para efectuar testes de hipóteses pelo que a sua interpretação é na minha óptica irrelevante.

t- estatística teste do seguinte teste H0: b2=0 ou H1: H0 é falsa, isto no fundo esta a testar se a variável x é importante para explicar y. em geral esta estatística segue uma normal(0,1) logo se o valor da estatística em modulo for maior que o quantil da distribuição normal(0,1) avaliada a 5% (+-1.96) diz-se que há evidencia contra H0 pelo que a variável é estatisticamente significativa (ie importante ) para explicar y.

pr>|t|- é uma outra forma de efectuar o teste descrito anteriormente. considerando as hipóteses anteriores, se pr>|t| for <0.05 diz-se que há evidencia contra H0 e conclui-se o mesmo que anteriormente.

ultimas duas colunas- representam o intervalo de confiança associado ao coeficiente. Interpretação: com uma probabilidade de 95% o verdadeiro valor do coeficiente está dentro daquele intervalo.

 

Se não perceberes alguma coisa diz.

 

Ok, acho que estou a começar a perceber alguma coisa.

 

Basicamente isto é um modelo que tem como objetivo estimar o consumo de energia durante a injeção de plástico em máquinas hidráulicas. O CfP_comp é um coeficiente calculado através de leituras e medições efetuadas experimentalmente. A outra variável, o P_thermo/P_inst é uma razão entre a potência termodinâmica associada ao processo e a potência nominal da máquina.

 

Já existe um modelo que o faz mas com erros enormes (foi obtido com cerca de dez observações). Eu para a minha tese, efetuei 34 observaçãoes variando uma série de parâmetros. Para já, estou a seguir a abordagem inicial do modelo que já existe. Que consiste em fazer esta análise por forma a obter uma relação linear entre ambas as variáveis.

 

A minha questão em todo este caso é se o output obtido pode ser usado, neste caso, CfP_comp = 0,34812955709389+1,55148694780619*Pthermo/Pinst, e queria perceber tudo o que está ligado a este modelo estatístico, por forma a perceber de que forma posso seguir para as próximas abordagens.

 

Neste caso em concreto são ambas significativas?

Editado 8 Julho 2015 por Rumpas

[brun0 SLB]

Não, não me inscrevi. Nesse aspecto estou tranquilo, caso contrário tinha de tar a trabalhar duro nela

 

Oh então nao vais apresentar tao cedo xD mas se for antes da minha pessoa estou la batido.

 

 

 

Ok, acho que estou a começar a perceber alguma coisa.

 

Basicamente isto é um modelo que tem como objetivo estimar o consumo de energia durante a injeção de plástico em máquinas hidráulicas. O CfP_comp é um coeficiente calculado através de leituras e medições efetuadas experimentalmente. A outra variável, o P_thermo/P_inst é uma razão entre a potência termodinâmica associada ao processo e a potência nominal da máquina.

 

Já existe um modelo que o faz mas com erros enormes (foi obtido com cerca de dez observações). Eu para a minha tese, efetuei 34 observaçãoes variando uma série de parâmetros. Para já, estou a seguir a abordagem inicial do modelo que já existe. Que consiste em fazer esta análise por forma a obter uma relação linear entre ambas as variáveis.

 

A minha questão em todo este caso é se o output obtido pode ser usado, neste caso, CfP_comp = 0,34812955709389+1,55148694780619*Pthermo/Pinst, e queria perceber tudo o que está ligado a este modelo estatístico, por forma a perceber de que forma posso seguir para as próximas abordagens.

 

Neste caso em concreto são ambas significativas?

 

à partida eu diria que não porque a variável não é estatisticamente significativa (valor do t é <1.96 e >-1.96, logo está no intervalo de não rejeição de H0). Contudo este resultado pode ser correto e a variável não ser relevante ou pode haver problemas de especificação e/ou problemas de heterocedasticidade que enviesam os resultados do teste ou os dado não são em dimensão suficiente para obter resultados. Se deste alguma coisa sobre heterocedasticidade eu diria te para veres isso.

[Vaart10]

O t-test está explicado no manual que te enviei.

[bobzz]

Oh então nao vais apresentar tao cedo xD mas se for antes da minha pessoa estou la batido.

Por favor, não! :mrgreen:

Quando menos pessoas lá estiverem além dos júris melhor!

[brun0 SLB]

Por favor, não!

Quando menos pessoas lá estiverem além dos júris melhor!

 

ahah eu dps aviso te se for mas é mais provável que não vá. do teu mestrado so vou se houver aplicações engraçadas de cenas que nao sejam simples tipo dados de painel.

[Guest Rumpas]

O t-test está explicado no manual que te enviei.

Já estive a ler, Vaart, mas estou sou muito maçarico nisto. Nunca dei nada tão específico na Estatística nem nunca usei nenhum software, ou seja, nunca fiz nenhuma análise destas.

[Guest Rumpas]

Oh então nao vais apresentar tao cedo xD mas se for antes da minha pessoa estou la batido.

 

 

 

 

à partida eu diria que não porque a variável não é estatisticamente significativa (valor do t é <1.96 e >-1.96, logo está no intervalo de não rejeição de H0). Contudo este resultado pode ser correto e a variável não ser relevante ou pode haver problemas de especificação e/ou problemas de heterocedasticidade que enviesam os resultados do teste ou os dado não são em dimensão suficiente para obter resultados. Se deste alguma coisa sobre heterocedasticidade eu diria te para veres isso.

Fiz as mesmas análises para outras condições, diferentes materiais, neste caso (porque os dados que tinha da injeção de Policarbonato eram valores bastante diferentes dos restantes) e obtive isto assim:

 

 

 

Neste caso, ambos os valores t estão fora do intervalo <1.96 e >-1.96 e o p-value para ambos é inferior a 0,05. Neste caso, são ambas significativas, é isso?

 

E ainda utilizando apenas os dados para o PP (polipropileno):

 

 

 

Para estas duas regressões os coeficientes de correlação também estão melhores que no primeiro caso. Naquele primeiro caso era de cerca de 0,06 e agora anda entres os 0,2-0,3.

 

Quanto ao bold, nope, não tenho nenhumas bases disso.

[brun0 SLB]

Estes últimos dois modelos ja estão bacanos e as variáveis são tds significativas.

[Guest Rumpas]

Ok, porreiro :)

 

Então, a forma de eu verificar neste se as variáveis são ou não significativas através destes parâmetros são os estes dois, certo? Verificar que ambos os valores t estão fora do intervalo <1.96 e >-1.96 e o p-value para ambos é inferior a 0,05?

 

Depois então quando eu for escrever esta parte da modelação então já terei de ter cuidado na explicação.

[brun0 SLB]

Ok, porreiro

 

Então, a forma de eu verificar neste se as variáveis são ou não significativas através destes parâmetros são os estes dois, certo? Verificar que ambos os valores t estão fora do intervalo <1.96 e >-1.96 e o p-value para ambos é inferior a 0,05?

 

Depois então quando eu for escrever esta parte da modelação então já terei de ter cuidado na explicação.

 

se ele estiver fora do intervalo tb tem obrigatoriamente um p-value inferior a 0.05. Sao preservativas diferentes de ver a mesma coisa.

[bobzz]

Pois é, aqueles limites que aparecem não são da normal. Representam o quê então, Bruno?

[Guest Rumpas]

se ele estiver fora do intervalo tb tem obrigatoriamente um p-value inferior a 0.05. Sao preservativas diferentes de ver a mesma coisa.

Estou baralhado :/

 

Mas se forem garantidas aquelas duas condições de cima, garanto que as variáveis têm significânica, certo?

 

Ah e claro, aquele intervalo de -1,96 a 1,96 tem haver com a percentagem do intervalo de confiança pela distribuição normal, certo?

[brun0 SLB]

Pois é, aqueles limites que aparecem não são da normal. Representam o quê então, Bruno?

?? aquilo são os quantis da normal a 2.5% e 97.5%

 

Estou baralhado :/

 

Mas se forem garantidas aquelas duas condições de cima, garanto que as variáveis têm significânica, certo?

 

Ah e claro, aquele intervalo de -1,96 a 1,96 tem haver com a percentagem do intervalo de confiança pela distribuição normal, certo?

 

Tens duas formas de avaliar um teste de hipóteses:

1º ver se a estatística teste observada está ou não dentro da região de rejeição H0, sendo a região complementar a região de aceitação de H0. neste caso a região é dada por |t|>1.96=> t<-1.96 ou t>1.96 é a região de rejeição logo se t pertencer a esta região significa que H0 é falsa.

2º é ver se a probabilidade de existir um valor menos a favor de H0 do que o que se observou t é grande. P(|t|>t_observado)= valor-p. se este valor-p for menor que 0.05 ( nível de sig. com que foi construído a região de rejeição em 1º) garante que o t observado está na região de rejeição.

[Guest Rumpas]

Ok. Entendido :)

 

O boobz ( :mrgreen: ) estava a falar das duas últimas colunas.

[brun0 SLB]

Ok. Entendido

 

O boobz ( ) estava a falar das duas últimas colunas.

 

Se é isso entao:

 

ultimas duas colunas- representam o intervalo de confiança associado ao coeficiente. Interpretação: com uma probabilidade de 95% o verdadeiro valor do coeficiente está dentro daquele intervalo.

 

 

Oh boobz as aulinhas do artur andam te a fazer falta

[bobzz]

ah, ok :mrgreen: eu tinha lido mas não raciocinei. ainda tava a pensar que seria uma qualquer região de rejeição

[Troubler]

Fiquei a 1 décima de ter bolsa, que m*rda. :cadeirada:

[Inkie]

Preciso de ajuda de alguém que perceba de Sistemas Digitais. É o seguinte, tenho este diagrama de estados:

 

 

Fiz a respetiva tabela de transições e a tabela de excitação (quero usar dois Flip-Flop JK). No entanto já fiz simulações (manuais e virtuais) e a máquina não funciona como quero. Vou colocar em spoiler todo o processo:

 

 

 

 

Tenho algum erro? É que não estou mesmo a perceber o que está mal.