sabatina 3

Transcrição

sabatina 3

1. 
[0.000] (IP:281473657768422 | 21:13:00 | 22:01:02 | 48:02 | 7.886)
Para o conjunto de dados abaixo (como nos demais, selecione o arquivo com seu
nome dentro do zip), e selecione as regressões com maior e menor resposta ao
nitrogênio, verifique se são significativamente diferentes entre si, e indique a
produtividade com uma adubação de 100kg de N, bem como a adubação necessária
para
atingir
uma
produtividade
de
100
t/ha.
Pergunta cancelada!
exato
2. 
[4.000] (IP:281473657768422 | 21:14:41 | 22:00:15 | 45:34 | 1.42)
Discuta situações em que o uso de regressões não-lineares é recomendável, e
compare as informações que podem ser retiradas de diferentes modelos de
regressão não linear. Destaque em particular possíveis análises secundárias
derivadas do uso deste tipo de modelos.
Há inúmeras situações onde não será possível a utilização de modelos lineares para
descrever comportamentos através de modelo de regressão linear simples e por isso a análise
não será verdadeira. Assim, as regressões não lineares entra como um ferramenta especial na
descrição de fenômenos biológicos, pois estes tem uma dinâmica difícil. Os modelos não lineares
fazem suposições importantes sobre o problema (através de uma ou mais equações diferenciais),
trabalhando uma relação entre as variáveis observáveis de interesse fornecendo informações
bastante importantes como reações enzimáticas, taxas de crescimento, entre outros.
O modelo de Gompertz é importante na discussão e interpretação de dados obtidos de curvas de
crescimento com fases iniciais e finais lentas. Admite-se que a capacidade de desenvolvimento é
limitada e por isso, a taxa de crescimento não é constante, o que revela uma queda exponencial
em
x.
Para
este
exemplo,
citamos
o
crescimento
humano.
O modelo de Regressão Logística também revela um crescimento, todavia, crescimento inicial
aproximadamente exponencial segue por uma redução do crescimento pela competição até se
estabilizar, assim, a curva cresce até um ponto em que se torna constante e após torna-se
decrescente. Neste exemplo, podemos citar o crescimento de populações microbianas em meio
de
cultura.
O modelo de queda exponencial é mais utilizado para interpretações na composição da matéria
orgânica e liberação de nutrientes. Assim, admitindo que a taxa de crescimento é constante.
Dessa forma, considera-se que os elementos são degradados de forma diferenciada a depender
de sua solubilidade, e facilidade à degradação. Ou seja, a liberação inicial de um elemento será
superior à outro, todavia, esta degradação decresce conforme sua quantidade é reduzida e outro
inicia
sua
degradação
em
altos
teores.
No modelo hiperbólica, são representadas por uma queda que apresenta interpretação biológica
pré-definida, e chegam a uma constante, onde y decresce á medida em que x aumenta.
excelente
3. 
[2.000] (IP:281473657768422 | 21:14:52 | 22:00:26 | 45:34 | 10.568)
Discuta o capítulo, incluindo no mesmo a apresentação feita por você ou seu colega.
Inicialmente, o autor faz uma explanação sobre um mito, a gripe do zumbi, que surgiu em
abril de 2005, todavia tornou-se viral na internet no ano de 2009. Este relatório teve grande
ênfase na comunidade do twitter, segundo o site techcrunch.com e segundo essas publicações, a
mesma surgiu de uma mutação do vírus H1N1. Essa história foi utilizada como fonte de dados
para realizar uma avaliação e comprovar estatisticamente que não passava de um mito que se
tornou viral. Para tanto, o autor utilizou a regressão linear como ferramenta de monitoramento
para avaliar as publicações e correlaciona-las com o tempo, assim poderia realizar comparações
observando o primeiro semestre do ano de 2009. Para isso, o autor discuti sobre o que é uma
regressão, com base na mais comum utilizada: a regressão linear. O mesmo elucidou a equação
y = ax + b com todos os seus parâmetros e com base nisso, utilizou um ripper web e pesquisou
no google todas as postagens com o termo “surto da gripe zumbi” entre 1 de janeiro e 1 de maio.
A posteriori, gerou uma regressão linear, e realizou avaliações para detectar a qualidade desta.
Como a mesma teve um R² = 0,997, o teste F foi significativo, e na análise residual não foi
observada aleatoriedade e outliers, o autor proceguiu sua pesquisa. O mesmo fez uma
extrapolação com os dados observados nos primeiros dois meses para comparar se os dados
correspondiam a análise realizada pelo google. Quando comparados, foi observado que a partir
de 20 de abril, a quantidade de publicações foi superior na análise em relação à extrapolação e
por isso, pode se concluir que o mito tornou-se viral por volta do dia da mentira (1 de abril). Neste
contexto, foi extremamente interessante e significativo a utilização da ferramenta estatística
empregada na extrapolação de dados como base comparativa de regressão linear, de forma, a
advertir uma aplicação possível e divertida do assunto.
a estatística não fala nada sobre se é real ou não. O autor apenas usou a ferramenta para
ver se o comportamento é SEMELHANTE ao de propagação viral...
4. 
[1.500] (IP:281473657768422 | 21:15:01 | 22:00:37 | 45:36 | 6.934)
Qual a principal vantagem do uso de regressões não lineares?
A principal vantagem da utilização de regressões lineares é obter parâmetros que são
facilmente interpretáveis para uma descrição de fenômenos biológicos que explica o porquê está
acontecendo determinado acontecimentos. Em muitas situações, são necessários menos
parâmetros nos modelos não lineares do que nos lineares, o que simplifica e facilita a
interpretação.
faltou porque estes parâmetros são interpretáveis, e os outros não... o pior é que na outra
resposta você acertou isto.
comentário:
5. [4.000] (IP:281473208938591 | 10:48:24 | 16:49:16 | 00:52 | 22.886)
O uso de regressões não lineares é aplicado na descrição de fenômenos biológicos, em
estudos que requerem longos períodos de tempo, já que os seres vivos apresentam
comportamento dinâmico e não linear. A regressão não linear é um processo observacional e
interativo, pois realiza com base teórica uma relação com as variáveis observadas, fornecendo
informações importantes para a interpretação biológica, como taxas de crescimento, reações
enzimáticas, decomposição de matéria orgânica e liberação de nutrientes, e etc. No modelo de
crescimento exponencial a taxa instantânea relativa de crescimento é constante, e a variação da
população é proporcional ao próprio tamanho da população, com taxa de crescimento constante.
A Equação de Gompertz é uma alternativa ao modelo de crescimento exponencial. Nessa
equação admite-se a existência de uma capacidade de sustentação do meio que limita o
crescimento, sendo a curva de crescimento uma sigmoide. A taxa relativa de crescimento não é
constante, nem decresce linearmente, mas decresce exponencialmente em x. Apresenta curva de
crescimento com fase inicial e final lentas. O modelo de crescimento logístico também é uma
alternativa ao modelo de crescimento exponencial e se difere da Equação Gompertz por
decrescer linearmente. No modelo de crescimento hiperbólico, y decresce à medida que x
aumenta, chegando a uma constante.
ok
6. [0.000] (IP:281473208938591 | 10:49:58 | 16:50:01 | 00:03 | 41.552)
A vantagem de regressões não lineares é que estas são mais adequadas para descrever
processos e efeitos biológicos quando comparadas com a regressão linear.
isto é resposta digna de um pós-graduando? é melhor porque são mais adequadadas?
7. [2.000] (IP:281473208938591 | 10:49:49 | 16:50:49 | 01:00 | 11.924)
O capítulo 9 do livro Art of Data, tem como objetivo trazer uma abordagem diferente de
tópicos relacionados à estatística básica a começar pelo título (When the zombie flu went viral?).
O autor utiliza uma história falsa, lenda urbana, para explicar conceitos importantes como
regressão (mais especificamente regressão linear) e coeficiente de relação, que geralmente são
bastante confundidos, como também a descrição das etapas da regressão linear. Também foi
abordado a utilização de ferramentas como gráfico de dispersão para melhor visualização dos
dados e teste F para verificar o quanto a inclinação da linha de regressão é diferente de zero.
Outro ponto ressaltado pelo autor é a importância de realizar a análise residual utilizando o
gráfico de regressão para visualizar os valores discrepantes na distribuição dos dados já que a
presença de outliers pode influenciar o coeficiente de determinação (R2) gerando erro na
interpretação dos dados. A última etapa da regressão linear é a predição e depende do objetivo
do estudo. O autor descreve os dois tipos de predição, interpolação e extrapolação, realçando
que o primeiro é mais confiável já utiliza valores de faixa conhecida de valores de x. Porém, a
extrapolação é a mais indicada para responder a pergunta central do texto já que utiliza valores
além da faixa de valores de x. No geral o texto é bem escrito e facilita a compreensão de
assuntos importantes para a interpretação de dados, já que na maioria das vezes aprendemos a
rodar os dados em softwares de estatística sem entendimento do que está sendo feito.
Com relação à apresentação do seminário, apesar de o texto apresentar uma escrita agradável,
aborda muitos assuntos dificultando a síntese do conteúdo para uma apresentação de seminário
em 15 minutos. Mas alguns tópicos como os tipos de predição foram comentados
superficialmente, e mesmo com o tempo de 15 minutos poderiam ser mais detalhados.
excelente
8. 
4.000] (IP:281474045907265 | 10:35:47 | 16:14:30 | 38:43 | 64.237)
Algumas vezes o modelo de regressão linear não é capaz de descrever um fenômeno, ou
é a maneira menos adequada, pois a regressão linear faz uma descrição empírica. De maneira
geral estudos que descrevem comportamento dos seres vivos (fenômenos biológicos), estudos
que necessitam de um longo período de tempo, em que a regressão não linear é a mais
recomendada. A regressão não linear permite que se façam suposições, baseados em conceitos,
a partir de importantes informações para a interpretação biológica, relacionando a teórica com as
variáveis observadas tais como reações enzimáticas, taxas de crescimento em função do tempo
etc. Também conhecida como observacional e de processos interativos. O modelo de Gompertiz,
apresenta uma curva sigmoide e admitisse que existe algo que limita ou sustenta o crescimento,
ex.: predadores e caças; semelhante ao modelo de regressão logística, tem crescimento inicial
exponencial seguido por redução de crescimento até estabilização, ex.: reações catalíticas. A
hiperbólica é indicada para casos em que tende a ficar constantes o y decresce à medida que x
aumenta, chegando a uma constante; a queda exponencial o exemplo clássico é o da matéria
orgânica em decomposição, que começa alta e depois cai e tende a ficar constante.
ok
9. 
[2.000] (IP:281474045907265 | 10:37:17 | 16:20:19 | 43:02 | 1.044)
O capitulo “Quando a gripe do zumbi se tornou viral: Regredindo os mitos urbanos”, tratou
de uma maneira mais contextualizada o que é, como e onde deve-se aplicar a regressão linear
simples. Como se pode descrever uma variável em função de outra, o que é a inclinação da reta,
o que é b(quando a linha corta o eixo y). Deixou claro que é uma ótima maneira de visualizar as
relações entre as variáveis; abordou as diferenças e importância dos coeficientes de correlação e
de determinação, a importância do teste F, o que é uma analise residual- a diferença entre os
dados observados e o que está na linha de dispersão. Mostrou outiliers, correlação e não
linearidades. Abordou ainda predição, e o que seria extrapolação- estende a previsão para além
do
alcance
x;
e
interpolaçãoprocesso
de
confiança.
Quando fazemos a comparação com a apresentação percebêssemos, que o mesmo não abordou
todo conteúdo, visto que ele deveria ter explicado melhor o que é regressão, além de ter
explicado também analise residual, predição (interpolação e extrapolação). Embora saibamos que
a falta de experiência e o nervosismo podem ter atrapalhado, poderia ter mostrado melhor a
importância
do
uso
da
regressão.
ok
10. 
[1.500] (IP:281474045907265 | 10:37:34 | 16:17:03 | 39:29 | 31.849)
A principal vantagem no uso de regressões não lineares é poder explicar melhor as
interações e fenômenos relacionados aos seres vivos, a partir de conceitos preexistentes, já que
é mais relevante avaliar a importância cientifica do que avaliar a significância propriamente dita, e
que em muitas situações o experimento ou dado não se encaixa no modelo linear.
um pouco mais superficial do que eu gostaria, e em particular não indicou porque poderia
explicar melhor. Além disto, o ponto sobre significância não tem aplicação direta nesta situação.
11. 
[2.000] (IP:281473857228297 | 14:19:28 | 18:48:50 | 29:22 | 124.881)
Segundo a inferência de alguns pesquisadores, estudos realizados durante longos
períodos de tempo poderão não ter os dados obtidos representados de forma satisfatória em
regressões lineares, pois o comportamento não linear é o que mais predomina entre os seres
vivos, em função da complexidade e dinamicidade de suas naturezas. Quando comparadas com
as regressões lineares às não lineares têm a vantagem de apresentar parâmetros com
interpretações biológicas, o que possibilita a obtenção de informações importantes como ganho
de massa, taxas de crescimento, dentre outras.
se livrou pela última frase
12. 
[1.500] (IP:281473857228297 | 14:20:33 | 19:41:50 | 21:17 | 1.777)
O artigo discutido durante a última aula tratava de um assunto referente a uma falsa
doença ocasionada por meio de um vírus (a gripe zumbi). Na realidade o autor quis mostrar como
se comportariam os dados obtidos referidos ao início daquela falsa história, levantando através da
mesma alguns pontos observados que foram adquiridos a partir de uma faixa de informações que
o mesmo obteu do motor de busca google; os pontos observados apresentaram uma tendência
um tanto quanto constante e quando foi realizada a estimativa utilizando o excel como ferramenta
para avaliar a distribuição dos dados verificou-se uma alta correlação entre as variáveis
dependentes (postagens) e independentes (dias), pois o valor de R-quadrado aproximava-se do
valor 1. Como instrumento para verificar o quanto havia de correlação entre as variáveis
dependentes e independentes o autor utilizou principalmente o coeficiente de correlação e o de
determinação.
Foi mostrado que quanto mais próximo o valor do dado obtido se aproxima do valor estimado
maior a correlação entre estas variáveis, se existe uma alta variação em valores de uma variável
Y
em
relação
a
estimativa
o
valor
de
R-quadrado
será
moderado.
Se os pontos não apresentam nenhum padrão com base na estimativa e encontram-se dispersos
em um gráfico; mais baixo será o valor de R-quadrado, e se o valor estiver próximo a 0 isto indica
que não existe correlação entre estas variáveis. Se um outlier encontra-se presente dentro de um
conjunto de dados num gráfico de distribuição, este também poderá interferir na estimativa
negativamente. Ainda vimos sobre os resíduos dos dados das regressões e de como estes
resíduos podem ser encontrados. Normalmente a estimativa passa bem ao centro dos resíduos
que
se
encontram
de
forma
aleatória
dentro
de
uma
regressão
linear.
No último gráfico o autor extrapolou a sua estimativa realizada durante o dia 1 ao dia 63 de
janeiro de 2009 até o mês de maio e verificou que os pontos observados após aquele período
começaram a ficar sobre a linha da estimativa mas muito distantes dos pontos estimados,
indicando que a partir daquele momento que aquela falsa doença tinha se tornado viral na
internet, devido ao grande número de postagens sobre o assunto.
R² não indica correlação, mas sim determinação... o coeficiente de correlação é R.
discussão muito direta em cima somente do texto, e não nos porques das coisas
13. 
[4.000] (IP:281473857228297 | 14:20:02 | 19:38:36 | 18:34 | 341.881)
Existem situações nas quais não é desejável, ou mesmo possível, descrever um fenômeno
através de um modelo de regressão linear, por essa fazer uma descrição puramente empírica.
Sendo com isso recomendável o uso de regressões não-lineares na descrição de fenômenos
biológicos, em estudos que requerem longos períodos de tempo, pois em função da natureza
dinâmica e complexa o que predomina nos seres vivos é o comportamento não-linear. Por
princípio, a regressão não-linear é conhecida como observacional e de processos interativos, pois
permite suposições, com base teórica, poder realizar uma relação teórica com as variáveis
observadas, fornecendo informações importantes para a interpretação biológica, como taxas de
crescimento, ganho de massa, recuperação da biomassa em função do tempo, reações
enzimáticas, etc. O modelo de crescimento exponencial vem admitir que a taxa instantânea
relativa de crescimento é constante. Nesse modelo, se aplica que a variação da população é
proporcional ao próprio tamanho da população, com taxa de crescimento constante. Pode ser
adequado para explicar o crescimento de populações de animais que não estejam sujeitas a
restrições ambientais para o seu crescimento, condição que pode ser verificada, por exemplo,
quando uma espécie estranha é introduzida em um ambiente sem predadores, podendo se
proliferar sem limitações. O modelo de Gompertz é uma alternativa ao modelo de crescimento
exponencial. Nesse modelo se admite a existência de uma capacidade de sustentação do meio
que limita o crescimento, sendo a curva de crescimento uma sigmoide. A taxa relativa de
crescimento não é constante, nem decresce linearmente, mas decresce exponencialmente em x,
como exemplo, tem se o crescimento em função da idade. O modelo de crescimento logístico
também é uma alternativa ao modelo de crescimento exponencial. Nele, também se admite a
existência de uma capacidade de sustentação do meio que limita um crescimento que, de outra
forma, seria exponencial, e sua curva de crescimento também é uma sigmoide, porém difere do
modelo de Gompertz por decrescer linearmente, como exemplo desse modelo, podemos citar o
crescimento populacional das bactérias. No modelo de crescimento hiperbólico, y decresce à
medida que x aumenta, chegando a uma constante, como exemplo, podemos citar o rendimento
por planta (y) vs. densidade da cultura (x)
um ponto que muitos levantaram na resposta foi sobre o longo período que os autores
citam. Só peço que usem o separador de orelhas, porque crescimento bacteriano, por exemplo,
segue um curva exponencial em período de horas, o que dificilmente pode ser caracterizado
como longo período. O que interessa é o fenômeno que queremos descrever, somente isto.
1.
14. [1.500] (IP:281473857990473 | 18:19:19 | 01:17:10 | 57:51 | 325.398)
A regressão não linear é uma análise em que os dados são modelados por uma função
que é obtida através da combinação não linear de uma ou mais variáveis independentes. Esse
tipo de regressão é caracterizado como observacional e permite realizar estudos de longos
períodos proporcionando a vantagem de representar parâmetros biológicos como crescimento
populacional, taxa de predação por inimigos naturais ou ainda o desenvolvimento vegetativo das
culturas, etc.
como em grande parte das respostas, faltou o porque da vantagem... chegou mais perto do
que várias, mas ainda não falou no porque
15. [0.500] (IP:281473857990473 | 18:21:37 | 01:20:35 | 58:58 | 196.445)
O capítulo apresenta uma situação em que o autor lança mão de uma regressão linear
para representar o número de acessos na internet sobre “gripe zumbi” ao longo do tempo. Para
tanto, o autor quantificou através de um programa, o total de acessos no mês de Janeiro e
Fevereiro de 2009 e encontrou um correlação entre o número de acessos sobre “gripe zumbi” e o
tempo decorrido nos dois primeiro meses de 2009. Na apresentação em sala de aula percebeu-se
de forma clara o objetivo daquela pesquisa e quão significativo foi o resultado, pois percebeu-se
ao final o momento em que houve uma mudança brusca no número de acessos sobre aquele
assunto e consequentemente o momento em que o mesmo se tornou viral.Durante a
apresentação houve um pouco de dificuldade na diferenciação de coeficiente de correlação e de
determinação, mas as discussões finais foram esclarecedoras.
superficial demais no tocante ao livro, com a nítida sensação de que não percebeu que era
SOMENTE um exemplo.
16. [4.000] (IP:281473857990473 | 18:22:35 | 01:21:34 | 58:59 | 37.018)
No contexto de pesquisas biológicas o uso de equações lineares nem sempre e capaz de
expressar adequadamente os fenômenos estudados. Nessas situações os modelos não lineares
apresentam-se como alternativas pertinentes, uma vez que permitem suposições de bases
teóricas que possibilitam adequações às variações que naturalmente se observam nos
fenômenos biológicos, como por exemplo, um processo de decomposição, o desenvolvimento de
uma planta ou crescimento populacional de insetos. Existem vários modelos não lineares. No
caso do modelo de crescimento exponencial, admite-se que a taxa instantânea de crescimento é
constante. Este modelo é o mais adequado para representar, por exemplo, o crescimento de uma
população em um local onde não há resistência ambiental. No entanto, se uma população está
num ambiente em que existe a resistência ambiental, a taxa de crescimento não será constante e
o modelo que melhor representaria esta situação seria o de Gompertz, onde o início e o final do
fenômeno são lentos, resultando em uma curva sigmoidal. Outra alternativa ao modelo de
crescimento exponencial, vem a ser o modelo de crescimento logístico, onde inicialmente ocorre
um crescimento aproximadamente exponencial seguido por redução do crescimento, no caso,
pela resistência do ambiente e posteriormente a estabilização.
ok
17. 
[4.000] (IP:281473697907531 | 21:15:34 | 21:47:46 | 32:12 | 36.096)
Existem muitas situações nas quais não é apropriado, ou mesmo possível, descrever um
fenômeno através de um modelo de regressão linear. Um exemplo é na área de Ciências
Biológicas na modelagem de crescimento, onde pode ser necessário ajustes de funções não
lineares para melhor explicar o processo de crescimento. Também, no melhoramento genético de
plantas onde o modelo é, estatisticamente, um aprimoramento dos modelos lineares de
estabilidade, por contar os problemas relacionados com a estimativa do índice ambiental, fazendo
com que os testes das hipóteses para os seus parâmetros sejam realizados sem violar os
princípios básicos necessários para a sua validade. Essas regressões não lineares são uma
forma de análise observacional e que oferece diferentes informações dependendo do modelo a
ser usado. A aplicação de diferentes modelos no ajuste de curvas de crescimento, por exemplo,
pode mostrar um determinado modelo que se ajuste melhor, apresentando menor quadrado
médio de erro, maior coeficiente de determinação, além dos parâmetros serem os mais próximos
entre o observado e o esperado. Os modelos exponenciais são muito utilizados em estudos de
crescimento, onde a taxa de crescimento num dado tempo X é proporcional a quantidade de
crescimento restante (final) que ocorre com o aumento do tempo, e o y0 representa o crescimento
máximo, também aplicado para decomposição de matéria orgânica, queda exponencial simples
ou dupla, e liberação de nutrientes. Já o modelo logístico é muito usado para variáveis
qualitativas, também modelo de crescimento, mostrando crescimento exponencial seguido por
redução pela competição até estabilização. Modelos hiperbólicos adequados para casos em que
tende a uma constante. Modelo de Gompertz com curvas de crescimento com fase inicial e final
lentas. Ou seja, os diferentes modelos podem se adequar melhor ou não a um determinado
conjunto de dados.
ok, mas não entendi a parte do melhoramento.
18. 
[2.000] (IP:281473697907531 | 21:16:55 | 21:48:23 | 31:28 | 18.697)
O autor usou da capacidade de espalhar notícias, no caso a gripe do zumbi, para a
aplicação de regressão básica, acompanhando relatos dessa notícia pela internet, respondendo
um suposto questionamento de “quando a gripe do zumbi se tornou viral?”. Para isso ele
acompanhou a popularidade (quantidade de posts) da história antes e depois de um artigo da
BBC ser publicado no primeiro semestre de 2009, quando a história do zumbi supostamente se
tornou viral. Já com uma regressão básica (Y=mX+b), através de um gráfico de regressão Y
contra X, ele pode visualizar o número total de postagens de gripe do zumbi (Y) a cada semana
(X), mostrando uma um padrão claro, com o valor de Y dependente do valor de X com inclinação
estimada m=6.2, em média seis novos posts de por dia, e a estimativa de interceptação (b=0,02)
que mede o valor de Y no X=0. Com esse modelo para seus dados ele diagnosticou o ajuste para
avaliar a qualidade de precisão dele usando o coeficiente de correlação (r2) entre as duas
variáveis, obtendo 0,997 mostrando um bom encaixe entre os dados sem valores discrepantes
(outlier). Além desse valor o teste F de hipóteses permitiu ele rejeitar a hipótese nula e concluir
que a inclinação da linha é estatisticamente significativa. Mesmo com estes testes a análise
residual, muito respeitado por ele, possibilitou observar o padrão sutil dos valores evidenciando a
forte correlação. Após todas essas análises ele ainda não conseguiu atingir seu objetivo, só com
o erro padrão que estima a variação dos valores observados y entorno da linha de regressão.
Com isso, o grande salto no número de postagens em abril sugere a gripe do zumbi, de fato, viral
depois da brincadeira do dia da mentira em que se tornou um artigo de notícia, de um surto a
pandemia. Por fim, de forma descontraída e fácil ele abordou todas as análises de uma regressão
básica e a importância aplicada delas sobre um determinado grupo de dados.
ok
19. 
[2.000] (IP:281473697907531 | 21:17:10 | 21:49:03 | 31:53 | 15.24)
Apresentar parâmetros com interpretação biológica como em modelos de crescimento,
rendimento, relações alométricas, etc. Com isso, pode-se obter uma relação teórica entre as
variáveis observáveis de interesse, retratando bem o comportamento não linear da maioria dos
seres vivos evitando descrever um fenômeno de forma puramente empírica, através de modelos
não lineares determinados com base em conhecimentos teóricos do problema tratado. Em muitos
casos permite um bom ajuste, sintetizando um grande número de medidas em alguns parâmetros
interpretáveis biologicamente, facilitando o entendimento do fenômeno. Além disso, o emprego do
modelo de regressão não linear pode ser uma das alternativas para contornar os problemas
relacionados com a estimativa do índice ambiental, variável estimada com os próprios dados
genotípicos em programas de melhoramento genético, fazendo com que os testes das hipóteses
para os seus parâmetros sejam realizados de acordo com os princípios básicos requeridos para
sua validade.
ótimo
20. 
[1.500] (IP:281473657768121 | 10:19:58 | 14:53:10 | 33:12 | 27.881)
O autor aborda a regressão linear de forma diferenciada fazendo uso de uma lenda urbana
divulgada na internet denominada de “gripe zumbi”. O autor faz um levantamento do número de
postagens e acessos sobre esse assunto nos primeiros meses de 2009, observando que
inicialmente uma constância nas pesquisas sobre o assunto, desde o inicio do boato na rede que
ocorreu em abril de 2005, no entanto após um relançamento do boato em 2009 onde se falam de
casos em Londres e outras cidades da Europa juntamente com relatos de que a suposta gripe era
causada por uma mutação do H1N1, ocorreu um aumento na procura deste assunto na rede.
Após a coleta dos dados o autor observa que esses tem uma tendência, e comprova uma relação
entre o aumento da procura com o passar do tempo desde o relançamento da falsa notícia, com
isso ele faz suposições com base na regressão tentando prever quando o assunto iria viralizar
(termo usado para indicar que alguma notícia, boato, vídeos, etc. são acessados em massa) na
rede. Com isso ele nos mostra que com uma abordagem simples é possível se fazer inferências
bastante promissoras sobre um conjunto de dados, proporcionando uma boa explicação e
utilidade dos mesmos. Com relação a apresentação em sala, após a explanação do colega
duvidas como a diferença entre coeficiente de correlação e coeficiente de determinação foram
sanadas bem como houve um maior entendimento sobre os métodos adotados para a realização
das analise e o direcionamento usado pelo autor para responder o comportamento dos seus
dados.
ênfase excessiva no como pouca no que.
21. 
[1.500] (IP:281473657768121 | 14:53:10 | 14:53:48 | 00:38 | 37.251)
Os modelos não-lineares são mais vantajosos devido sua capacidade de representar os
parâmetros biológico, já que estes não seguem um modelo linear quando observados em um
longo período de tempo, o que está ligado a complexidade inerente dos processos biológicos. Por
definição, a regressão é uma forma de análise observacional em que os dados são modelados
por uma função que é uma combinação não-linear de parâmetros do modelo e depende de uma
ou mais variáveis independentes. Sendo a assim o modelo não-linear quando comparado ao
linear, se torna vantajoso por expor parâmetros com interpretação biológica, possibilitando ao
pesquisador obter e ser capaz de interpretar importantes informações como a taxa de
crescimento populacional, em determinadas condições ambientais, produção em função de doses
de nutrientes entre outros exemplos.
ok, mas bastante confuso e meio circular em alguns pontos.
22. 
[4.000] (IP:281473657768121 | 14:53:56 | 14:54:29 | 00:33 | 32.701)
Há situações nas quais não é possível ou mesmo recomendado o uso de modelos lineares,
por tais não serem capazes de explicar as mais variadas situações ocorridas em um contexto
biológico sendo representativos apenas em intervalos curtos. Sendo assim é recomendado o uso
de modelos não-lineares quando se quer representa um fenômeno biológico em um período mais
extenso, já que devido à complexidade e dinâmica dos eventos biológicos estes são de natureza
não-linear. Por se um modelo observacional e de processos interativos, que permite suposições,
baseadas em teorias, torna possível a construção de uma relação teórica com as variáveis
observadas, o que cria uma base de informações que dão suporte para a interpretação de
observações biológicas, como por exemplo taxa de predação ou crescimento populacional. No
entanto para cada conjunto de dados existe um modelo não-linear mais adequado como: Modelo
logístico, que é caracterizado por uma associação entre a densidade de uma população e sua
taxa de crescimento. Por esta razão, é também chamado de modelo densidade-dependente. A
população para de crescer ao atingir uma densidade máxima (K), definida como sendo a
capacidade de suporte do meio. Sendo que em baixas densidades (K tende a 0), o crescimento é
semelhante ao que ocorre no modelo exponencial onde o tamanho da população aumenta
através de incrementos que também aumentam durante os intervalos sucessivos, ou seja, quanto
maior a população mais ela cresce, nesse modelo diferentemente do logístico não há limite para o
crescimento. Outro modelo como de Gompertz que assim como o modelo logístico é uma
alternativa ao modelo exponencial. Pois nesse modelo assim como no logístico admite-se que o
crescimento é limitado pela capacidade suporte do meio, sendo o crescimento demonstrado
através de uma curva sigmoide, onde a taxa relativa de crescimento de y não é constante (como
na exponencial), nem decresce linearmente em y (como na logística), mas decresce
exponencialmente em x.
o não-linear não é somente útil em períodos longos, mas SEMPRE que o comportamenteo
real dos dados não for linear. Fora isto, ok.
23. 
[1.000] (IP:281473899319176 | 11:14:38 | 22:50:18 | 35:40 | 40.013)
Uma situação em que o modelo não-linear é recomendável que pode ser citada é: Um
administrador de um hospital deseja ajustar um modelo de regressão para estimar o tempo de
recuperação depois que o paciente saiu do hospital devido a uma doença grave. A variável
preditora é o número de dias que o paciente ficou hospitalizado (X), e a variável resposta é um
índice de prognóstico para o tempo de recuperação (Y), onde, valores grandes indicam um bom
prognóstico.
Pacientes
i
1
2
3
4
5
Dias
hospitalizados
Xi
2
5
7
10
14
Prognóstico
(índice)
Yi
54
50
45
37
35
6
7
8
9
10
11
12
13
14
15
19
26
31
34
38
45
52
53
60
65
25
20
16
18
13
8
11
8
4
6
Outra situação é: Segundo Seber e Wild (2003), a análise dos dados sobre crescimento é
importante em muitas áreas de pesquisa. Na biologia, o interesse está na descrição do
crescimento de animais e plantas na tentativa de compreender seus mecanismos essenciais. Os
químicos estão interessados na formulação do produto de uma reação química ao longo do
tempo. Na agricultura, são óbvias as vantagens econômicas e administrativas em conhecer como
a produção cresce, o quão rápido ela cresce, e como esses fatores respondem a condições ou
tratamentos ambientais. O crescimento infantil é de interesse na medicina, assim como o
crescimento de tumores e os efeitos de tratamentos sobre tais crescimentos. Cientistas sociais
têm interesse mem crescimento da população, no fornecimento de alimentos e na
demanda de energia. O termo curva de crescimento usualmente evoca a imagem de curvas
sigmoidais que representam o tempo de vida de medidas de dimensão, geralmente de altura e
peso. Na modelagem de dados de crescimento, desejamos obter informações sobre a
interpretação física dos parâmetros, a fim de construir um modelo padrão para as observações
em
estudo.
Modelos de regressão não linear utilizados para descrever curvas de crescimento
Modelo
Função
Logístico
f(x)
=
α/[1
+
e(β−γx)]
Gompertz
f(x)
=
αe(−e(β−γx))
Von
Bertalanffy
f(x)
=
α[1
−
e(−γ(x−δ))]
Richards
f(x)
=
α/(1
+
e(β−γx))1/δ
Weibull
f(x)
=
α
−
βe−γxδ
Morgan-Mercer-Flodin
(MMF)
f(x)
=
(βγ
+
αxδ)/(γ
+
xδ)
apresentar situações copiadas diretamente de livros, inclusive com direito a copiar
exemplos pode ser realmente entendido como discutir, em particular na pós-graduação? o que
você fez, se repetido em um trabalho seria simplesmente plágio.
24. 
[1.000] (IP:281473899319176 | 21:37:01 | 23:14:29 | 37:28 | 9.88)
Professor
eu
não
li
esse
capítulo.
Quanto a apresentação do meu colega, eu entendi mais as explicações da sua parte do que da
parte dele, para mim não ficou muito claro o que ele explicou, eu gostei da apresentação, mas
faltou uma melhor interpretação dos resultados da parte do aluno de forma que estivesse mais
clara para o entendimento do professor e dos demais alunos.
ok quanto à avaliação.
25. 
[2.000] (IP:281473899319176 | 23:14:29 | 23:22:48 | 08:19 | 5.912)
Existe, entretanto, muitas situações nas quais não é desejável, ou mesmo possível,
descrever
um
fenômeno
através
de
um
modelo
de
regressão
linear.
Ao invés de se fazer uma descrição puramente empírica do fenômeno em estudo, pode-se, a
partir de suposições importantes sobre o problema (freqüentemente dadas através de uma ou
mais equações diferenciais), trabalhar no sentido de obter uma relação teórica entre as variáveis
observáveis de interesse. O problema, diferentemente do caso linear, é que os parâmetros
entram na equação de forma não linear, assim, nós não podemos simplesmente aplicar fórmulas
para
estimar
os
parâmetros
do
modelo.
ok, embora cópia de texto desta forma seja plágio em um trabalho de pesquisa
26. 
[4.000] (IP:281474038335825 | 10:37:42 | 15:23:42 | 46:00 | 8.765)
Ocorrem muitas situações nas quais não é desejável, ou mesmo possível, descrever um
fenômeno através de um modelo de regressão linear. Ao invés de se fazer uma descrição
puramente empírica do fenômeno em estudo, pode-se, a partir de suposições importantes sobre o
problema (frequentemente dadas através de uma ou mais equações diferenciais), trabalhar no
sentido de obter uma relação teórica entre as variáveis observáveis de interesse. A regressão
não-linear é aplicada nas mais diversas áreas, tais como, econometria, agricultura, agronomia,
farmacologia, biologia, ecologia, engenharia, educação, química, etc. Um exemplo típico na área
de Ciências Biológicas é a modelagem de crescimento, em que pode ser necessário ajustar
funções não-lineares para melhor explicar o processo de crescimento. Podemos usar como
exemplos de situações para o uso de regressão não-linear também, o peso seco de bulbos de
cebola como função do tempo de crescimento; a mortalidade de uma determinada praga em
função da aplicação de dois inseticidas que poderão atuar de forma sinérgica ou antagônica; a
mortalidade de uma praga em plantas Bt e plantas não Bt, ou a mortalidade da praga em plantas
Bt que apresentam apenas uma toxina ou em plantas que apresentam mais de uma toxina (genes
piramidizados);
produção
de
pastagens
em
função
do
tempo
de
cultivo.
Como
exemplo
segue
três
modelos
normais
não-lineares:
Logístico
α/{1+exp(β-γx)}
Michaelis-Menten
αx/(γ+x)
Exponencial
Y=
yo
exp(y1Xi)+
Ei
Nos dois primeiros modelos, o parâmetro α é o valor máximo esperado para a resposta, ou
assíntota. O parâmetro β está relacionado com o intercepto, isto é, o valor de µ = E(Y)
correspondente a x = 0. O parâmetro γ está relacionado com a taxa média de crescimento da
curva, onde o modelo logístico é muito usado para variáveis qualitativas. No modelo exponencial
y0 e y1 são os parâmetros do modelo; Xi são constantes conhecidas (variável preditora) e Ei são
os termos do erro, independentes, com distribuição normal de média 0 (zero) e variância α2, o
modelo de crescimento exponencial vem admitir que a taxa instantânea relativa de crescimento é
constante. Já no modelo logístico os erros não tem mais distribuição normal com variância
constante, sendo uma alternativa ao modelo de crescimento exponencial. Nele, também se
admite a existência de uma capacidade de sustentação do meio que limita um crescimento que,
de outra forma, seria exponencial, e sua curva de crescimento também é uma sigmoide, como
exemplo desse modelo, podemos citar o crescimento populacional das bactérias.
ok. no entanto, recomendo que sempre avalie o material e use sua explicação do assunto,
não somente copie o que leu. Em um artigo científico isto seria plágio óbvio.
27. 
[2.000] (IP:281474038335825 | 13:37:46 | 15:24:00 | 46:14 | 16.229)
Muitas vezes, um modelo linear é utilizado apenas pela facilidade em descrever o
relacionamento aproximado. Entretanto, o verdadeiro relacionamento entre uma variável
dependente e uma ou mais variáveis independentes pode ser descrito por um modelo não-linear.
Os modelos não lineares, geralmente fornecem um bom ajuste, com menos parâmetros do que
os modelos lineares, apresentam uma base teórica, os parâmetros dos modelos fornecem um
maior conhecimento sobre o fenômeno em estudo do que os modelos lineares, os parâmetros
obtidos são facilmente interpretáveis. Em muitas situações, necessita-se menos parâmetros nos
modelos não lineares do que nos lineares, isto simplifica e facilita a interpretação.
ok em particular pelo meio do texto. no entanto, faltou um pouco do porque...
28. 
[0.500] (IP:281474038335825 | 13:38:05 | 15:25:40 | 47:35 | 44.503)
O capítulo 9 aborda o tema regressão e pontos como: Teste F, Análise residual, coeficiente
de determinação, predição, nele é contada uma história para melhor entendimento do assunto,
fala da gripe zumbi que é apenas um relato de que este estranho vírus apareceu pela primeira
vez em abril de 2005 no Camboja, sendo transmitida por mosquitos. As vítimas ressuscitavam em
duas horas após a morte e apresentavam comportamento zumbi. Apenas quatro anos depois, em
2009, é que a doença tornou-se viral, sendo difundida agora nas redes sociais como um mutante
do vírus H1N1 e a partir desta história mostra exemplos de como esses dados podem ser
mostrados utilizando a regressão. Regressão é um procedimento utilizado para descrever uma
variável, Y, em função de outra variável, X. As variáveis podem ser qualquer coisa, desde que Y
dependa de X. A regressão linear, representada por y=mx+b, assume que x e y se relacionam
numa linha em que, utilizando a técnica conhecida como quadrados mínimos ajustados, os dados
são utilizados para estimar o slope (inclinação) da linha (^m) e o intercepto (^b). No capítulo é
abordado que um importante passo na análise de regressão é a avaliação do grau de incerteza
dessas estimativas, o que é chamado de previsão de erro, ou seja, a variação inerente ao valor
de y como previsto pela linha da regressão. Nenhuma estatística deve contradizer o que você
sabe ser verdadeiro. É importante olhar para seus dados e identificar problemas potenciais. Um
gráfico
bem
elaborado
faz
a
maior
parte
do
trabalho
por
você.
A regressão linear ajusta uma linha através de um conjunto de dados aleatórios que podem estar
correlacionados, ou seja, quando a ocorrência de um interfere na probabilidade de ocorrência do
outro. O coeficiente de determinação é um valor entre -1 a 1. O R2 não mede a correlação entre
os valores de X e Y, mas sim entre os valores de Y e ^Y. Se a linha se ajusta bem aos dados,
então o Y estimado e observado serão próximos e o R2 será próximo de 1.
O Teste F além do R2, muitos relatam o teste de hipótese para o slope, determinando se o slope
é significativamente diferente de zero e se realmente existe uma tendência nos dados. Quando
seu F calculado for maior que o F tabelado, rejeita-se a hipótese nula, concluindo que o slope é
estatisticamente
significativo.
Análise residual mostra a parte dos seus dados que não foram incluídos na linha de regressão.
Corresponde às diferenças entre o Y observado (seus dados) e o Y estimado, plotadas num
gráfico
de
dispersão.
Predição é o objetivo final da regressão linear. É onde você toma qualquer valor de X e usa a
linha de regressão para inferir qual será o valor correspondente de Y. Pode ser feita através de
interpolação (predição para valores dentre os já testados) e extrapolação (predição para valores
além dos originalmente usados). O erro padrão mede o desvio médio dos resíduos, enquanto o
desvio
padrão
mede
o
desvio
médio
das
observações
na
amostra.
Levando em consideração a história abordada e aplicação desses dados por regressão, vistos
nesse capítulo, fica muito mais fácil a compreensão do assunto em questão.
primeiro, o que quer dizer "Você sabe ser verdadeiro"? Esta é uma afirmativa de ALTO
risco, porque muita vezes o que "sabemos" simplesmente está errado, e pela sua afirmativa, a
estatística
que
nega
este
"saber"
deve
ser
simplesmente
desconsiderada...
outro ponto é que você tratou o aspecto do vírus como se fosse algo real, quando é SOMENTE
um exemplo de forma de avaliar. Ainda neste ponto, a expressão viral neste caso é de internet, e
não tem PN a ver com vírus biológico.
29. [1.500] (IP:281473653672857 | 21:28:15 | 22:53:45 | 25:30 | ------ )
O capítulo do livro que tem como título: Quando a gripe do zumbi se tornou viral:
Regredindo os mitos urbanos. Trata sobre a facilidade do uso da internet e sua capacidade e
velocidade em espalhar notícias. O estudo é feito a partir de um site chamado snopes.com que
trata sobre o rastreamento e desmascaramento de mitos urbanos. O mito em estudo foi a gripe do
zumbi que de acordo com o site é um vírus estranho que apareceu primeiro em abril de 2005.
Esse vírus é um parasita mortal transmitido por insetos que assassina a vítima, e depois reinicia o
coração por até duas horas após a morte, levando a pessoa a se comportar como um zumbi em
fúria. O relatório sobre o vírus se espalhou na Internet, até se tornar viral no Dia da Mentira, em
2009, sendo o relatório reformulado e recirculado. Agora, uma mutação do vírus H1N1 a gripe
zumbi teria sido se espalhando por Londres, com suspeita de casos em outras cidades européias.
O boato se espalhou como uma pandemia. Com isso o autor buscou usar a regressão básica
para acompanhar os relatos deste mito e mostrar como ele pode explodir em uma lenda urbana,
respondendo
a
pergunta
"Quando
a
gripe
do
zumbi
se
tornou
viral?".
Regressão é um procedimento para descrever uma variável y, em função de outra variável, x. As
variáveis podem ser qualquer coisa, desde que haja boa razão para supor y depende de x, assim
y é uma função de x, onde y = f(x). A função relativa y de x também pode ser quase qualquer
coisa, uma linha, um função quadrática, até mesmo uma função logarítmica. A regressão linear,
assume que x e y estão relacionados com uma linha, y = mx + b.
A Popularidade do mito pode ser medida de várias maneiras, tais como o número de visitas de
um site recebe, o quão rápido um determinado item está sendo compartilhado, ou quantas vezes
o tema está sendo discutido. O autor acompanhou a atividade na Internet da gripe do zumbi
durante o primeiro semestre de 2009 utilizando o Google, pegou postagens em datas antes do
mito ser viral. Este número deve aumentar em um ritmo constante. Depois de ser viral, a taxa de
novas postagens devem crescer bruscamente. Para isso ele usou um software que permitia
extrair automaticamente bits de informação a partir de qualquer site pesquisando sobre o surto da
gripe
zumbi
no
período
de
1
de
janeiro
e
1
de
maio
de
2009.
Ele utilizou um gráfico de disperção para relacionar o tempo com o numero de publicaçõe. Um
gráfico de dispersão é um gráfico de duas variáveis uns contra os outros, y contra x, dessa forma
o valor de y é dependente do valor de x. Na regressão linear uma variável dependente y, e uma
variável independente, x, estão relacionados um a o outro com a função y = mx + b. o propósito
de regressão linear é tomar uma amostra e estimar a inclinação, m, e o termo y interceptado, b.
A regressão linear ajusta uma linha através de um conjunto de dados. Estatisticamente, este
procedimento mede algo chamado de correlação. Duas variáveis aleatórias são correlacionadas
se o resultado de uma afeta a probabilidade de o resultado do outro (coeficiente de correlação).
O coeficiente de correlação é uma das formas mais comuns de avaliar a qualidade de um
procedimento de regressão linear o R-quadrado. O R-quadrado, mede a correlação entre os
valores de y e ^y. O valor de R2 mede o quão bem a linha de regressão se ajusta aos dados.
Além do valor de R2, a maioria dos procedimentos de regressão linear reportar o resultados de
um teste de hipótese para a encosta. Este teste determina se o declive da linha de regressão é
significativamente
diferente
de
zero.
A análise residual mostra as sobras estatísticas, a partir dos dados que não estão incluídos na
linha de regressão. Há duas coisas a procurar nos resíduos: outliers e não- linearidade.
Com o uso da estatística de regressão e extraindo as postagens da internet em período de tempo
o autor pode observar como foi o comportamento da propagação da informação sobre o mito. E a
partir daí observar o momento nesse período de tempo em que gripe do zumbi se tornou viral e
pode contatar que esse fato ocorreu antes do dia da mentira como havia sido sugerido.
ok quanto ao livro, nada quanto à apresentação.
30. [4.000] (IP:281473653672857 | 21:33:07 | 23:08:38 | 35:31 | 4.292)
Em alguns casos não há a possibilidade de descrever um fenômeno utilizando um modelo
de regressão linear. Nesses casos, tendo como exemplo estudos de comportamento biológico, a
regressão não linear fornece parâmetros que possibilitam maior conhecimento sobre um
determinado fenômeno. Desta forma se torna mais adequado o uso de regressão não linear no
estudo de fenômenos biológicos, os estudos destes fenômenos são geralmente longos,
complexos
e
dinâmicos
o
que
caracteriza
um
comportamento
não
linear.
A regressão não linear tem como princípio a observação e o estudo de processos interativos o
que permite suposições com base teórica e a relação entre a teoria e as variáveis observadas
fornecendo informações para interpretações biológicas como taxa de crescimento, reação
enzimática
e
crescimento
de
massa.
Os modelos não lineares estão mais presentes na natureza do que os lineares, eles geralmente
fornecem um bom ajuste com menos parâmetros que os modelos lineares.Nos modelos não
lineares, pode-se, a partir das suposições sobre o problema , trabalhar no sentido de se obter
uma relação teórica entre as variáveis observáveis de interesse. O problema, diferentemente do
modelo linear, é que os parâmetros entram na equação de forma não linear, assim, não se pode
simplesmente
aplicar
fórmulas
para
estimar
os
parâmetros
do
modelo.
Os modelos Logístico, Verhultz, Sigmoidal, Gompertz, Exponencial simples, dupla e tripla e
hiperbólica são exemplos de modelos não lineares.O modelo de exponencial admite que a taxa
instantânea relativa de crescimento é constante. Nesse modelo, se aplica que a variação da
população é proporcional ao próprio tamanho da população, com taxa de crescimento constante.
Pode ser adequado para explicar o crescimento de populações de animais que não estejam
sujeitas a restrições ambientais para o seu crescimento. O modelo de Gompertz é uma alternativa
ao modelo de queda exponencial. Nesse modelo se admite a existência de uma capacidade de
sustentação do meio que limita o crescimento, sendo a curva de crescimento uma sigmoide. A
taxa relativa de crescimento não é constante, nem decresce linearmente, mas decresce
exponencialmente em x. O modelo de crescimento logístico também é uma alternativa ao modelo
exponencial. Nele, também se admite a existência de uma capacidade de sustentação do meio
que limita um crescimento que, de outra forma, seria exponencial, e sua curva de crescimento
também é uma sigmoide, porém difere do modelo de Gompertz por decrescer linearmente, como
exemplo desse modelo, tem-se o crescimento populacional das bactérias. No modelo de
crescimento hiperbólico, y decresce à medida que x aumenta, chegando a uma constante, como
exemplo, pode-se citar o rendimento por planta (y) pela densidade da cultura (x).Nos modelos de
regressão logística, pode-se estudar as reações autocatalítica e para esta situação o modelo que
expressa bem é o Sigmoidal, em que se tem um crescimento inicial exponencial, seguido de uma
redução desse crescimento. Dentro deste tipo de regressão pode-se estudar o crescimento
populacional, sendo o modelo Verhultz, o que mais representa este tipo de comportamento.
ok
31. [2.000] (IP:281473653672857 | 18:30:15 | 23:08:25 | 38:10 | 1.927)
A principal vantagem é a interpretação de variáveis biológicas.Os modelos não lineares
tem uma base teórica, os parâmetros dos modelos fornecem um maior conhecimento sobre o
fenômeno biológico do que os modelos lineares. Esses modelos fornecem um bom ajuste, com
menos parâmetros do que os modelos lineares. Nos fenômenos biológicos, os estudos são
geralmente longos, complexos e dinâmicos o que caracteriza um comportamento não linear.
Dessa forma as regressões não lineares tornam possível avaliar variáveis biológicas quando
essas não são possíveis de serem feitas utilizando a regressão linear, sendo este o principal
aspecto
da
regressão
não
linear.
ok
32. 
[2.000] (IP:281473696701955 | 23:21:50 | 01:17:09 | 55:19 | 2.332)
O capítulo “When the zombie flu went viral: regressing the myth out of urban myths”,
apresentado pelo Jefferson, aborda a regressão linear e termos correlatos utilizando dados
coletados na internet sobre uma estória a respeito da gripe zumbi. Utilizando um software
especializado em rastreamento, o autor fez um levantamento do número de postagens
relacionadas a esse tema durante a primeira metade de 2009 reunindo os dados de cada
postagem e contabilizando o número de visualizações. Os dados coletados foram plotados num
gráfico de dispersão sobre o qual se traçou uma linha, quando o autor pôde observar que, antes
de se tornar um viral, o número de visualizações crescia em ritmo constante, mas,
posteriormente, as visualizações das novas postagens praticamente decolaram. Assim inicia-se a
discussão do assunto central do texto, a regressão linear, procedimento utilizado para descrever
uma variável, Y, em função de outra, X. Aqui, as variáveis podem ser qualquer coisa, desde que
Y dependa de X, ou seja, y varia em função de x, logo, y = f(x). A função que relaciona y com x
pode ser linear, quadrática ou mesmo logarítmica. A regressão linear, representada por y=a + bx,
assume que x e y se relacionam numa linha em que os dados são utilizados para estimar o slope
(inclinação) da linha (^b) e o intercepto (â), que representa o valor de y quando x=0.
Além da regressão, discutiu-se também a análise de ajuste do modelo linear, observando o
coeficiente de determinação (varia de -1 a 1 e pode ser influenciado por outliers), submetendo
seus dados ao teste F (determina se o slope é diferente de zero e se seus dados seguem alguma
tendência) e recorrendo à análise residual (parte dos dados que não foram incluídos na linha de
regressão, ou seja, quão próximos do estimado estão os seus dados). O autor finaliza com o que
desde o início já era seu objetivo, determinar quando a gripe zumbi se tornou um viral e estimar,
neste caso por extrapolação, o número de postagens após aquele período considerado por ele
(primeira metade de 2009).
ok
33. 
[3.500] (IP:281473696701955 | 00:05:49 | 01:17:14 | 11:25 | 1.398)
Regressão é um procedimento utilizado para formular modelos matemáticos que
representem a relação entre variáveis (quantitativas) e usar as relações estabelecidas para fazer
estimativas (previsões) e outras inferências estatísticas acerca de pontos não mensurados, seja
por interpolação ou extrapolação. Num gráfico de dispersão, quando as variáveis se relacionarem
numa linha reta, temos a regressão linear, enquanto as curvas representam regressão não linear.
Exemplos de dados que seguem o formato de curva incluem o tamanho de determinada
população ao longo do tempo, demanda por certo produto em função da oferta ou o período de
duração da bateria de um celular em virtude do número e duração das ligações, peso de um
organismo de acordo com a sua idade, etc. Nestes casos não se pode simplesmente aplicar
fórmulas para estimar os parâmetros do modelo, então se busca a relação teórica entre as
variáveis de interesse, ao invés de se fazer uma descrição empírica do fenômeno em estudo.
Assim, observa-se que os modelos não lineares geralmente resultam de processos interativos e
derivam de modelagens, onde todas as causas possíveis são conhecidas ou, pelo menos,
consideradas
em
suposições.
Dentre os modelos não lineares citam-se o exponencial (utilizado em estudos de crescimento
populacional onde a taxa de crescimento num determinado período é proporcional ao número
inicial de indivíduos e ao crescimento que ocorre com o aumento do tempo) e o logístico (utilizado
para determinar a relação densidade dependente entre a taxa de predação de determinado
inimigo natural sobre dada praga/presa em virtude da sua densidade, podendo-se ainda adicionar
ao modelo o tempo de manipulação e taxa de ataque para melhores ajustes). A partir do modelo
exponencial pode-se estimar o número de indivíduos numa população após certo período
considerando-se também a taxa de natalidade, mortalidade, emigração e imigração e, no
segundo caso, modelo logístico, estimar o potencial máximo de consumo de determinado
predador observando a limitação do ambiente e a própria saciedade desse inimigo natural.
nem todos os exemplos citados são necessariamente não lineares. Por exemplo, a
duração da bateria deveria ser aproximadamente linear em função do tempo total de ligações.
34. 
[2.000] (IP:281473696701955 | 00:06:01 | 00:06:16 | 00:15 | 14.935)
Por apresentarem embasamento teórico, os parâmetros dos modelos de regressão não
lineares fornecem maior conhecimento sobre o fenômeno em estudo e geralmente apresentam
um bom ajuste com menos parâmetros que os modelos lineares. Dessa forma, a principal
vantagem no uso de regressões não lineares é a facilidade de interpretação dos parâmetros
obtidos.
ok

sabatina 3

Transcrição

Documentos relacionados

Uma utopia em crise

FX-9860GII - Calculadoras Escolares CASIO

Título : B2 Regressão quadrática Conte do : Em muitos problemas

Campinas SP

Tópicos avançados em estatística

MBA em Finanças e Mercados de Capitais GRADE

Avaliação Quantitativa de Políticas Públicas

Slides - Ernesto Amaral

A procura de um modelo de regressão linear para modelar a

Engenharia Química e Bioquímica - Área Interdepartamental de