Você está na página 1de 20

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Curso de Avaliaes

Prof. Carlos Aurlio Nadal

cnadal@ufpr.br

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

AULA 06

EXERCICIO UTILIZANDO O FREEMAT 3.5


http://freemat.sourceforge.net/wiki/index.php/Main_Page

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

EXERCCIO: IMAPE- 1998


Calcular o valor de mercado de um lote situado em bairro residencial com rea de 360 m2 e distante cerca de oito quadras do centro comercial do bairro. A pesquisa realizada obteve informaes sobre sete lotes localizados na mesma via, prximos uns dos outros, com os mesmos coeficientes

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

de aproveitamento, as mesmas caractersticas de infra-estrutura urbana, frentes de 15,00m e topografias semelhantes, mas as distncias ao centro comercial do bairro e as reas so distintas
lote 1 2 3 4 5 6 7 rea (m2) distncia valor unitrio [X1] [X2] [Y] 450 10 100 420 8 102 360 5 106 380 6 104 500 11 97 400 7 103 550 12 95

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Soluo: yi = a + b1 x1 + b2 x2 +... + bu xu + vi n= nmero de equaes de observaes u = nmero de incgnitas nAu a matriz dos coeficientes das incgnitas x2 xu 1 x1 1 x1 x2 xu n Au = ............................................................ 1 x1 x2 xu
5

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

A matriz dos coeficientes das incgnitas n=7 u=3


No freemat

1 1 1 A= 1 1 1 1

450 420 360 380 500 400 550

10 8 5 6 11 7 12

A=[1

450 10; 1 420 8; 1 360 5; 1 380 6; 1 500 11; 1 400 7; 1 550 12;]
6

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

u X1

o vetor das incgnitas so dado por:


1 Xu T

= a

b1

b2 ... bu

o vetor uL1 das variveis explicadas dado por:


1Ln T

= y1 y 2 ... y n

o vetor nV1 o vetor dos resduos


n V1

=nAu uX1 - nL1


7

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

A matriz dos pesos (matriz identidade) 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1

P=

% comando para gerar uma matriz identidade 7 x 7 p=eye(7)


8

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

o vetor das variveis explicadas 100 102 106 104 97 103 95


L= [100;

L=

102; 106; 104; 97; 103; 95;]


9

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

A soluo ser dada por:


uX1 = (uAn T nPn nAu) -1 uAn T nPn nL1

com: uNu -1 = (uAnT nPn nAu) -1 e uU1 = uAnT nPn nL1


uX1 = uNu -1 uU1

10

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Utilizando-se o software FREEMAT x=inv(a'*p*a)*(a'*p*l) 122.5391 x = -0.0409 -0.4342 portanto: y = 122,5391 - 0,0409 X1 - 0,4342 X2
11

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Vetor dos resduos -0.2082 -0.1128 -0.3561 v=a*x-l V = 0.3917 0.3126 0.1395 -0.1667
12

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Varincia da unidade de peso a posteriori o2 o2 = 1VnT nPn nV1 / (n-u) Varincia da unidade de peso a posteriori so =v'*p*v/(7-3) o2 = 0.1203

13

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Teste 2 da forma quadrtica dos resduos (teste global do ajustamento) Hiptese bsica (Ho): o2 = o2 Hiptese alternativa (H1): o2 o2 Calcula-se *2 = o2 (n-u) /o2 na tabela de distribuio 2 (qui-quadrado) 2n-u, 0.5 e 2n-u, 1-0.5 Ho aceita, ao nvel de significncia se: 2n-u, 0.5 < *2 < 2n-u, 1-0.5
14

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Teste 2 da forma quadrtica dos resduos nvel de significncia adotado 95% - =5% graus de liberdade (n-u) = 4 da tabela 2 24,0.025 = 0,48 24,0.975 = 11,14 2c =0,1203x(7-3) = 0,48 gi=so*(n-u) como: 0,48 2c 9,49 aceita-se a hiptese bsica o2 = o2
15

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

MATRIZ VARINCIA-COVARINCIA DOS PARAMETROS AJUSTADOS


a nX n =

o2 uNu -1

N=inv(a'*p*a) 38.4891 -0.1627 3.8867 N= -0.1627 0.0007 -0.0182 3.8867 -0.0182 0.4802
16

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

mvc=so*N 4.6303 -0.0196 0.4676 Xa = -0.0196 0.0001 -0.0022 0.4676 -0.0022 0.0578 Desvios-padro dos parmetros ajustados a = 4.6303 = 2,1518 b1 = 0,0001 = 0,0093 b2 =0,0578 = 0,2404
17

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Coeficiente de correlao linear mltipla R = [(1XuT uAnTnPnnZ1) (nZ1TnZ1)] 0R1 com nZ1 = nY1 - ny*1 todas as linhas de y* so iguais mdia dos valores de Y Coeficiente de explicao (R2) - indica a parcela da variao total de Y que explicada pelo hiperplano de regresso.

18

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Coeficiente de correlao r Z = L Lm Lm = 101 (mdia dos L) Lm = mean (L) resulta na mdia do vetor L Z T = [-1 1 5 3 -4 2 -6]

r = 0.9974 Coeficiente de explicao r 2 = 0.9948


99,48% da variao total de Y explicada pelo modelo de regresso adotado.
19

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

TESTE DE EXISTNCIA DA REGRESSO Fcal = (1ZTnnZ1 - 1XuT uAnTnPnnZ1 )/(n-k-1) com k=u-1
T T 1Xu uAn nPnnZ1/k

HIPTESE BSICA Se Fcal>F aceita-se a hiptese de que haja regresso de y em X1, X2, etc. com nvel de significncia
20

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

TESTE DE EXISTNCIA DA REGRESSO Fcal = 380,37 Na tabela da distribuio F de Snedecor para 1 = k = u-1 = 2 e 2 = n-k-1 = 7-2-1 = 4 para =5% obtm-se: F = 6,94 Fcal>F Aceita-se a hiptese de que h regresso de Y em X1, X2 com 5% de significncia

21

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

CONFIABILIDADE DO MODELO ADOTADO 1 Co = = 0,00263 Fcal que corresponde a 99,99% O modelo representativo sob o ponto de vista de avaliao.
22

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

SIGNIFICNCIA DOS REGRESSORES H0 b1 0, b2 0,.... bu 0 em um nvel de significncia T b1 =b1 / b1 T b2 =b2 / b2 T tabelado na tabela de Student (unicaudal) para 1 = n-k-1 e 2 se |T b1| > T aceita-se b1 0 e .... |T bu| > T aceita-se bu 0

23

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

SIGNIFICNCIA DOS REGRESSORES hiptese bsica b1 0 e b2 0 a um nvel de significncia =5% T b1 =b1 / b1 = -4.39 T b2 =b2 / b2 = -1.81 T tabelado na tabela de Student (unicaudal) para 1 = n-k-1=4 e 2=0,10 T4,0.10 = 1,53 como |T b1| > T aceita-se b1 0 e |T b2| > T aceita-se b2 0

24

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

TESTE DATA SNOOPING - BARDA MATRIZ DE REDUNDNCIA QvP = I - AN -1AT P NMERO DE REDUNDNCIA ri = (QvP) ii NMERO DE GRAUS DE LIBERDADE r = ri = trao (QvP)
25

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Matriz de redundncia QvP = I - AN -1AT P


0.2854 0.7507 1.1602 1.0237 0.7260 0.8872 1.1667 0.7507 0.8234 0.8635 0.8501 0.8754 0.8368 1.0000 1.1602 0.8635 0.5163 0.6320 1.0801 0.7478 1.0000 1.0237 0.8501 0.6320 0.7047 1.0119 0.7774 1.0000 0.7260 0.8754 1.0801 1.0119 0.6963 0.9436 0.6667 0.8872 0.8368 0.7478 0.7774 0.9436 0.8071 1.0000 1.1667 1.0000 1.0000 1.0000 0.6667 1.0000 0.1667
26

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

nmero de redundncia ri = diag(qvp) r(i) = (QvP)ii


[ 0.2854 0.8234 0.5163 0.7047 0.6963 0.8071 0.1667]

nmero de graus de liberdade r = trao (QvP) = r(i) rt= sum(diag(qvp)) r =4.0000


27

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

RESDUOS PADRONIZADOS vi pi wi = o ri TESTE DE HIPTESE Ho : nenhum erro grosseiro existe na observao. Ho rejeitada se: |wi| > K
28

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

NVEL DE CONFIANA E VALORES CRITICOS PARA O DATA SNOOPING 1- 99,9% 99,7% 99,0% 95,0%

K 3,29 3,00 2,56 1,46

1- 76% 84% 93% 98%


29

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Resduos padronizados: w(1) = -1.12374 w(2) = -0.35826 w(3) = -1.42875 w(4) = 1.34521 w(5) = 1.07991 w(6) = 0.44757 w(7) = -1.17703

no no no no no no no

Teste de hiptese de Barda 1- = 95% e 1-= 98% k = 1,46 se |w(i)| > k rejeita-se existe erro grosseiro
30

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

TESTE DE DURBIN-WATSON H0 no existncia de autocorrelao entre resduos [v(i)-v(i-1)] 2 dw = T 1Vn nPn nV1 Da tabela para com = n-k-1 obtm-se Du (limite superior) e Di (inferior) se dw>Du H0 - aceita se dw < Di H0 - rejeitada se Di<dw<Du - teste inconclusivo
31

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

TESTE DE DURBIN-WATSON AUTOCORRELAO for i=2:n dwn=dwn+(v(i)-v(i-1))^2 end dw=dwn/v*p*v dw= 1,5740 Da tabela para = 5% com 1 = n-k-1=4 Du = 1,54 Di = 0,95 como dw>Du no existe autocorrelao, os resduos so independentes e no correlacionados.

32

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

NORMALIDADE DOS RESDUOS Comparao da distribuio dos resduos com a distribuio normal - divide-se cada resduo v(i)/ o Compara-se com a distribuio da curva normal 68,27% da curva entre -1 o e +1 o 95,45% da curva entre -2 o e +2 o 99,73% da curva entre -3 o e +3 o
33

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

NORMALIDADE DOS RESDUOS -0.6003 -0.3251 -1.0266 1.1293 0.9012 0.4021 -0.4805
distribuio normal 68,3% 89,9% 95,0%

vn=v/(so^0.5) o = 0.3468

Vn =

Intervalo -1 +1 -2 +2 -3 +3

distribuio dos resduos 71,43% 100% 100%


34

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Intervalo de confiana para o coeficiente bi NBR-5676 intervalo de confiana mximo de 80% Lc = bi t10%,n-l-1. bi Na tabela de Student retira-se t10%,n-l-1 obtm-se um limite superior e inferior para os bi Intervalo de confiana para Y (menor amplitude) Ls yi = a + Li x1 + b2 x2 +... + bu xu
35

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Intervalo de confiana de b1 NBR-5676 intervalo de confiana mximo de 80% Lc = bi t10%,n-l-1. bi Na tabela de Student t10%,n-l-1 = 1,533 b1 = 0,0093 para b 1 = -0,041 Li = -0,055 Ls = -0,27 para Y estimado tem-se: limite inferior: Y=122,54-0,055*360-0,434*8 Y= 99,27 limite superior Y= 122,54-0,027*360-0,434*8 Y=109,35

36

Intervalo de confiana de b2 Na tabela de Student t10%,n-l-1 = 1,533 b2 = 0,2404 para b 2 = -0,434 Li = 0,803 Ls = -0,065

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

para Y estimado tem-se: limite inferior: Y=122,54-0,041*360-0,803*8 Y= 101,36 limite superior Y= 122,54-0,041*360-0,065*8 Y=107,26 Adota-se os valores extremos obtidos li =R$101,36 ls = R$ 107.26
37

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Multicolinearidade Correlao casual, no h tendncia.


0,6 0,4 0,2 0 -0,2 -0,4 300 400 500 600

resduos x varivel X1
38

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Multicolinearidade
0,6 0,4 0,2 0 -0,2 -0,4 5 7 9 11 13

resduos x varivel X2
39

Carlos Aurlio Nadal | Curso de Avaliaes aula 05

Homocedasticidade/Heterocedasticidade
0,6 0,4 0,2 0 -0,2 -0,4 90 95 100 105 110

resduos x valor estimado y


40