UMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES
|
|
- Neusa Canejo Paixão
- 5 Há anos
- Visualizações:
Transcrição
1 UMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES Ana Cláudia Oliveira de MELO Ronei Marcos de MORAES Marinho Gomes de ANDRADE FILHO RESUMO: Neste trabalho é abordado o problema de avaliação da qualidade de ensino, adotando como respostas dados intervalares. O objetivo do trabalho é fazer inferência bayesiana das médias intervalares considerando densidades a priori construídas com base nas incertezas refletidas nos intervalos fornecidos como respostas. Para isso adota-se um modelo potência exponencial para as médias intervalares e as inferências bayesianas dos parâmetros populacionais são calculadas usando algoritmos de simulação de Monte Carlo em Cadeia de Markov (MCMC). A metodologia proposta é aplicada a um conjunto de questionários respondido por alunos do curso de Psicologia da Universidade Federal da Paraíba (UFPB) visando avaliar o desempenho do professor de estatística da referida turma. PALAVRAS-CHAVE: Avaliação de ensino, dados intervalares, inferência bayesiana, simulação de Monte Carlo. Introdução Uma técnica eficiente de avaliação da qualidade de ensino de uma entidade (escola, faculdade ou universidade) é de grande interesse não só para as entidades como para os setores governamentais que fomentam a educação e a pesquisa no país. No entanto essas avaliações, quando feitas através de preenchimento de questionários, tornam-se di- Departamento de Estatística, Universidade Federal da Paraíba, CEP , João Pessoa, PB, Brasil. anaclaudia@de.ufpb.br/ronei@de.ufpb.br Departamento de Ciências de Computação e Estatística, Universidade de São Paulo (USP), CEP , São Carlos, SP, Brasil. marinho@icmc.sc.usp.br Rev. Mat. Estat., São Paulo, (): 35-47, 3 35
2 fíceis devido às dificuldades de se expressar as respostas de forma explícita e objetiva. Até mesmo quando se solicita a um aluno que atribua uma nota ao nível de preocupação do professor com o aluno, esta nota pode não refletir por completo a opinião do aluno. Em avaliações da qualidade de ensino ministrado por questionários, várias abordagens foram tentadas visando a objetividade e qualidade dos dados a serem fornecidos pelos alunos em Moraes e Melo, (993a), uma análise gráfica é proposta e em Moraes e Melo (993b) vários índices avaliativos são revistos. Neste trabalho adota-se a proposta de Moraes (999) que utiliza uma escala definida sobre um segmento de reta, com comprimento fixo para todas as questões e com indicações sobre o significado das extremidades direita e esquerda, onde os valores próximos a extremidade esquerda, revelam atitudes bastante positivas do professor, e os valores próximos a extremidade direita indicam atitudes negativas. Como as distâncias são usualmente medidas da esquerda para a direita, quanto mais próximo do ideal (à esquerda), menor será a distância obtida. O uso destas escalas permitiu observar um índice de respostas válidas muito próximo a % (Moraes, 999), fato que pode ser atribuído a maior liberdade que o aluno teve para expressar suas respostas, por não apresentar níveis explícitos de reposta, mas apenas dois extremos que expressam sua positividade e negatividade. As escalas nãonuméricas eliminam também a dúvida sobre a quantificação dos níveis entre um intervalo e outro observado, por exemplo, nas escalas do tipo likert (Pasquali, 998). Neste trabalho utiliza-se um segmento de reta onde todos os valores à esquerda revelam muita preocupação e valores à direita indicam pouca preocupação do professor com o aluno. ( + preocupado) ( - preocupado) O aluno pode responder as questões da maneira que se sentir mais a vontade, colocando sobre a escala uma resposta pontual ou um intervalo. Assim, parte-se do princípio de que a nota que o aluno atribui a determinada questão está contida no intervalo por ele indicado e o intervalo é então considerado como uma informação sobre a incerteza do aluno sobre a nota que ele daria à questão e consideramos como uma amostra da nota atribuída pelo aluno, o ponto médio do intervalo. O objetivo deste trabalho é propor uma modelagem bayesiana para a 36 Rev. Mat. Estat., São Paulo, (): 35-47, 3
3 análise deste tipo de reposta. Isto é feito usando a faixa dos intervalos atribuídos pelos alunos como definição do domínio de uma densidade a priori triangular para a avaliação da nota atribuída ao professor e considerando um modelo potência exponencial (Box & Tiao, 973) para as médias intervalares. Na abordagem Bayesiana o uso do modelo potência exponencial com priori triangular leva a uma densidade a posteriori consideravelmente complexa, a qual sugere o uso dos algoritmos de simulação de Monte Carlo em Cadeia de Markov (MCMC) (Gilks, et al., 996) mais especificamente o algoritmo Metropolis-Hastings (Chib & Greenberg, 995). Neste trabalho as inferências bayesianas a posteriori são calculadas usando o algoritmo Metropolis-Hastings para gerar amostras da densidade a posteriori e todos os programas foram desenvolvidos em MATLAB 6.. A Modelagem dos dados Adotamos como modelo para as médias intervalares a densidade potência exponencial por ser essa uma densidade simétrica que contém um parâmetro que permite avaliar a curtose da densidade e tem como caso particular a distribuição normal. Com esse modelo inicia-se a modelagem bayesiana construindo a função de verossimilhança para as médias intervalares.. A função de verossimilhança Considerando { = ( y, y,, y ), < y < } y representando o vetor das médias dos intervalos, tendo função densidade potência exponencial, então a função de verossimilhança é definida como: n i n ( ) n n + β y θ L( y θ, σ, β ) = k σ exp ( ) σ i= onde :θ : é o parâmetro de locação da distribuição, < θ < ; σ : é o parâmetro escalar da distribuição, σ > ; β : é o parâmetro que indica a curtose da distribuição, < β e k + β = Γ+ + ( + β ) Rev. Mat. Estat., São Paulo, (): 35-47, 3 37
4 A vantagem do uso da densidade potência exponencial são as propriedades limites onde tem-se que: β : L( θ, σ, β y). Se β : L( θ, σ, β y). Se = β : L( θ, σ, β y). Se dist. Retangular (platicurtica); dist. Normal (mesocurtica); dist. T-student (leptocurtica). Neste trabalho assume-se que θ, σ e β são independentes. Essa consideração é feita porque θ representa o parâmetro de locação das médias enquanto σ e β são parâmetros de forma, sendo σ responsável pela variabilidade dos dados e β pela curtose da densidade.. As densidades a priori para θ, σ e β Considerou-se como priori para a média θ das respostas, uma densidade triangular simétrica com base nos extremos dos intervalos. f ( θ ) a + b αθ + β, a θ < = a + b α θ + β, θ b ( ) calculados de forma a garantir que ( ) onde : a seria o valor do menor limite inferior e b o valor do maior limite superior dentre todos os intervalos e os coeficientes são f θ seja uma densidade de probabilidade, assim temos: α = 4 /( b a ), α = α, β = α a e β = α b. A escolha dessa densidade a priori triangular é inspirada na metodologia fuzzy de tratamento desse tipo de problema (Klir & Yuan, 995). Para os parâmetros de forma do modelo, σ (variância) e β (curtose), adotou-se como priori uma densidade gama e uma betanegativa respectivamente: γ > ( ) σγ σ g σ σ e, onde : ( 3 ) γ, γ > c < β p β, onde : ( 4 ) c ( ) ( β ) 38 Rev. Mat. Estat., São Paulo, (): 35-47, 3
5 onde γ, e ( ) β γ e c são os hiperparâmetros das densidades a priori g ( σ ) p respectivamente. Fazendo γ, γ, tem-se densidades a priori não informativa para σ. O mesmo ocorre para β, fazendo c, teremos densidades a priori p ( β ) uniforme, não informativa..3 A densidade a posteriori para θ Com a hipótese de independência entre os parâmetros do modelo, a densidade a posteriori é obtida combinando-se a função de verossimilhança com as densidades a priori através do teorema de Bayes como segue: π ( θ σ, β y) L( θ, σ, β y) f ( θ ) g( σ ) p( β ), ( 5 ) uma amostra gerada da posteriori ( ) A inferência Bayesiana desses parâmetros considerando a função de perda quadrática consiste nos valores esperados dessa densidade a posteriori. Neste trabalho utiliza-se algoritmos de MCMC para gerar π θ, σ, β y a partir da qual calculamos as estimativas de Monte Carlo para esses parâmetros. A implementação do algoritmo Metropolis-Hastings considera um processo de Markov com espaço de estado igual ao espaço dos parâmetros e a densidade de equilíbrio do processo é suposta existir e ser igual a densidade a posteriori. Sob as condições de regularidade, uma trajetória do processo pode ser gerada considerando como núcleo de transição as densidades condicionais: ( θ σ, β,y) Ψ f ( θ ) π ( σ θ, β,y) Ψ p( β ) π ( β σ, θ,y) Ψg( σ ) ( 6 ) ( 7 ) π ( 8 ) onde: n n ( ) k + β y θ Ψ = exp σ σ i= e k + β = Γ + + ( + β ) Uma breve descrição do algoritmo Metropolis-Hastings é dada a seguir. Rev. Mat. Estat., São Paulo, (): 35-47, 3 39
6 3 O algoritmo de Metropolis-Hastings (M-H) Quando as distribuições condicionais a posteriori não são facilmente identificadas como tendo uma forma padrão (Normal, Gama, etc.), impossibilitando a geração direta de amostras a partir destas distribuições, usa-se o algoritmo de Metropolis-Hastings. A idéia básica é escrever a posteriori como o produto de duas funções: ( θ y) ψ ( θ ) Π ( θ ) p ( 9 ) onde Π ( θ ) será usada como núcleo de transição (probability of move) para gerar as amostras de θ, e em geral tem a forma de uma distribuição padrão. A função ψ ( θ ) é utilizada no teste de aceitação/rejeição do valor gerado. Passo : Defina o número de cadeias m, o número de iterações n em cada cadeia e uma função de transição Π ( θ ). Passo : Atribua m valores iniciais ao parâmetro e faça j =. j+ Passo 3: Obtenha os novos valores θ a partir da função de transição ( j j Π θ,θ ) +. Passo 4: Calcule a probabilidade de aceitação do novo valor j+ θ na iteração j ( ) j + ψ θ j ( j j + min ),, seψ ( ) ( θ ) > α θ, θ = j ψ θ, caso contrario Passo 5: Gere o valor u a partir de uma distribuição Uniforme[, ] e faça: j j j+ j+ θ,se u α( θ, θ ) θ = j+ θ, caso contrario j+ O valor gerado θ é aceito com probabilidade α ou rejeitado com probabilidade ( α ). Passo 6: Verifique se j k. Caso afirmativo, repita o Passo 3. Caso contrário, finalize as iterações. Passo 7: Verifique se a convergência ocorreu. Caso contrário, repita todo o processo a partir do Passo. 4 Rev. Mat. Estat., São Paulo, (): 35-47, 3
7 3. Verificação de convergência O diagnóstico (ou verificação) da convergência das cadeias de Markov é um tópico de grande importância. Existem diversas maneiras de proceder para realizar tal análise de convergência. Nesta trabalho, considerou-se um procedimento bastante simples de implementar, em que a convergência é avaliada por um valor escalar Rˆ (redução potencial da escala). Esse critério é conhecido como critério de Gelman e Rubin, e maiores detalhes são encontrados em Gelman e Rubin (99). Uma forma simples de verificar convergência é a utilização de várias cadeias em paralelo começando de diferentes pontos iniciais. Com isso, evita-se que as cadeias se concentrem em regiões em torno de modas locais (no caso de uma posteriori multimodal). A inspeção visual de similaridade entre as trajetórias das várias cadeias após um certo número de iterações é certamente um indício forte de convergência. Gelman e Rubin (99) formalizaram a idéia, de que as trajetórias das cadeias devem ser a mesma depois de convergirem, através do uso de técnicas de análise de variância. A idéia geral é testar se a dispersão dentre-cadeias é maior do que a dispersão entrecadeias. Isto equivale a dizer que: o histograma das cadeias como um todo deve ser similar aos histogramas das cadeias tomadas individualmente. Considerando m cadeias que evoluem em paralelo e uma função ( ) ( ) ( n ) real t(θ). Têm-se m trajetórias de tamanho n { ti,ti,,ti }, i =,..., m para t. Portanto, podemos obter a variância entre as cadeias (B) e a variância dentro das cadeias (W). As fórmulas correspondentes são dadas por: n B = m m ( t i t ) i= e W = m n ( ) m n ( j ) ( t i ti ) i= j= () onde t i é a média das observações da cadeia i, i =,..., m e t é a média dessas médias. Sob condição de convergência, todos os m.n valores serão gerados da posteriori e a variância de t pode ser estimada de forma não-viciada por: V = n n ( t( θ )) W + B () Rev. Mat. Estat., São Paulo, (): 35-47, 3 4
8 Se as cadeias ainda não estiverem convergido, então essa estimativa é maior que V(t(θ)), pois os valores iniciais ainda estão sendo influenciados pelos valores dos outros parâmetros da cadeia, de forma que a distribuição de equilíbrio ainda não foi atingida, indicando que eles foram escolhidos com dispersão maior que a da distribuição de equilíbrio. Por outro lado, W fornece estimativas menores que V(t(θ)), pois a cadeia não terá coberto toda a variabilidade de t(θ). Um indicador de convergência é dado pela chamada redução Rˆ = Vˆ t θ, que é sempre maior que potencial estimada da escala ( ( )) W. A medida que n cresce, ambos os estimadores acabarão convergindo para V(t(θ)) e Rˆ convergirá para. Assim, Rˆ pode ser usado como indicador de convergência pela avaliação de sua proximidade a. Gelman e Rubin (99), sugere aceitar como garantia de convergência valores de Rˆ,. 4 Uma aplicação A abordagem proposta foi aplicada a um conjunto de questionários respondido em duas fases, no início (fase f ) e no final (fase f ) do semestre, para uma amostra de 3 alunos do curso de psicologia da UFPB. Este levantamento visou avaliar o desempenho do professor de Estatística da referida turma. Para cada questão havia um segmento de reta de comprimento igual a 8 cm. O aluno indicou na reta um ponto ou um intervalo para expressar a sua resposta. Como exemplo foi verificada a seguinte questão: O Professor se preocupa com seu desempenho em sala de aula?. A média geral nas fases início (f ) e final (f ) do semestre são respectivamente,699 e,3 e os intervalos de 95% de confiança para essas médias, calculados segundo a teoria assintótica são respectivamente [.838,.346] e [.59,.434]. As médias dos intervalos para as referidas fases estão relacionadas na Tabela a seguir. Tabela Médias dos intervalos nas fases inicial (f ) e final (f ) f,35,8,45,63,35,5,35,5,3,95,55,5 3,8 f,5,88,83,55,,83,5,8,,,5,3,3 4 Rev. Mat. Estat., São Paulo, (): 35-47, 3
9 Na modelagem bayesiana deste exemplo utilizou-se dos seguinte valores a = valor mínimo do limite inferior, b = valor máximo do f θ e os valores atribuídos a limite superior calculados em ( ) γ = (( b a ) / ), γ =, 3) ( e c = 3. Esses valores de γ hiperparâmetros são escolhidos de forma a atribuir alguma informação a priori aos parâmetros e, mas assegurando uma considerável incerteza sobre os valores a priori, ou seja um coeficiente de variação maior que 3 para e. Na inferência bayesiana, quanto maior a informação a priori sobre os parâmetros do modelo melhor a qualidade das estimativas que se pode ter. Em situações extremas onde não se têm informações a priori, podem ser utilizadas as densidades a priori não informativas. Fazendo γ, γ, tem-se densidades a priori não informativa para σ. O mesmo ocorre para β, fazendo c, teremos densidades a priori p ( β ) uniforme, não informativa. Neste caso a utilização de algoritmos MCMC exige a elaboração de núcleos para balancear as probabilidades de movimentação na cadeia de Markov, tornando-a reversível (ver Chib e Greenberg, 995). Esse procedimento em nada altera os resultados obtidos, mas pode exigir um esforço computacional maior para que a convergência seja assegurada. Na simulação de Monte Carlo foram geradas 5 cadeias com 5 valores cada uma, dos quais os 5 valores iniciais ( burning ) de cada cadeia foram descartados. O processo de seleção da amostra foi feito retirando-se um elemento a cada dez dos 5 valores restantes, totalizando em 5 valores por cadeia. A convergência foi diagnosticada usando-se a análises gráficas e o critério de Gelman e Rubin calculados foram: Rˆ =,9987 para f e Rˆ =,47 para f. Considerando a uma única cadeia formada pelas amostras selecionadas das cinco cadeias geradas independentemente, foram calculadas as estimativas bayesiana dos parâmetros do modelo usando as estimativas de Monte Carlo. Os resultados são apresentados na Tabela a seguir: Verifica-se na Tabela que a média geral para θ nas fases f e f dos dados simulados está próxima de,699 e,3 que são as médias dos dados reais para as respectivas fases. Ressaltamos ainda que essa média em torno de implica em grande preocupação do professor para com o desempenho do aluno. A Figura mostra o histograma do parâmetro σ obtido a partir da cadeia única, o qual denota a variabilidade de θ para as duas fases f e f. Pode-se verificar que para f a variabilidade diminuiu o que pode significar mais certeza nas respostas dos alunos no final do semestre. Rev. Mat. Estat., São Paulo, (): 35-47, 3 43
10 Tabela Estatísticas a posteriori dos valores de θ, β e σ das amostras geradas Medidas Estatísticas Parâmetros θ β σ f f f f f f Média,686,996,36,4,4,66 Mediana,68,99,399,464,965,575 D.P.,33,9,33,33,33, Int.Cred (95%),9,344,6,46 -,39,85 -,48,866,478,768,38, Valores do Sigma (fase ) Valores do Sigma (fase ) FIGURA Histograma do para cadeia única (fases e ). Verifica-se na Figura (abaixo), através do histograma do parâmetro β, o qual indica a curtose da curva, que a grande maioria dos valores gerados a partir de uma beta-negativa estão acima do (zero) Valores do Beta (fase ) Valores do Beta (fase ) FIGURA Histograma de para cadeia única (fases e ). 44 Rev. Mat. Estat., São Paulo, (): 35-47, 3
11 O que implica dizer que β, como pode ser comprovado na Figura 3 através do gráfico da distribuição acumulada do parâmetro β, onde pode ser visto que P ( β > ) >, 8 para as duas fases Dist. Acumulada do Beta - fase Dist. Acumulada do Beta - fase FIGURA 3 Distribuição acumulada para cadeia única (fases e ). A análise da Figura 3 leva a conclusão de que a distribuição normal não seria indicada para este caso dado que, com a hipótese de normalidade estaríamos adotando a priori β =. Observa-se por fim, na Figura 4, o histograma de θ construído a partir da amostra gerada por MCMC. Verifica-se que a curva da distribuição deste parâmetro tem formato leptocúrtico como sugere o β Valores do Theta (fase ) Valores do Theta (fase ) FIGURA 4 Histograma do para cadeia única (fases e ). Rev. Mat. Estat., São Paulo, (): 35-47, 3 45
12 5 Conclusão Conclui-se então que o modelo de potência exponencial ajusta-se razoavelmente ao tipo de variável resposta (em forma de intervalo) e que a abordagem bayesiana na solução deste tipo de problema é recomendada por incorporar as informações a priori atribuídas pelos alunos e permitir tratar pequenas amostras. Além disso a análise das densidades a posteriori de θ revela que as médias na fase diminuíram mostrando que a opinião dos alunos quanto a preocupação do professor foi mais positiva após o final do curso. A análise clássica neste caso, com base nos intervalos de confiança assintótico, só permite concluir que, com nível de confiança de 95%, não há diferença significativa entre as avaliações nas duas fases. MELO, A. C. de; MORAES, R. M. de; ANDRADE, M. G. de. A bayesian approach for interval data analysis. Rev. Mat. Estat. (São Paulo), v., n., p.35-47, 3. ABSTRACT: This work presents an approach for the problem of learning quality evaluation done by students where they use interval data to provide their answers. The goal is make bayesian inference of interval means by the use of a priori densities. These densities are constructed from uncertainty which are contained into intervals used as answers. To do that, it is adopted an exponential power model for interval means and the bayesian inference of population parameters are made using Markov Chain Monte Carlo simulations algorithms (MCMC). The proposed methodology is applied in a set of questionnaires answered by Psychology students of the Federal University of Paraiba to evaluate their teacher of Statistics. KEYWORDS: Learning Evaluation; Interval Data; Bayesian Inference; Markov Chain Monte Carlo simulation. Referências BOX, G. E. P.; TIAO, G. C. Bayesian Inference in Statistical Analysis. Reading: Addison-Wesly, p. CHIB, S.; GREENBERG, E. Understanding the Metropolis-Hasting Algorithm. Am. Stat., v.49, n.4, p , 995. GELMAN, A. Inference and monitoring convergence. In: GILKS, W. R.; RICHARDSON, S.; SPIEGELHALTER, D. J. (Ed.). Markov chain Monte Carlo in pratice. New York: Chapman and Hall, p. 46 Rev. Mat. Estat., São Paulo, (): 35-47, 3
13 GELMAN, A.; RUBIN, D. R. (). Inference from interactive simulation using multiple sequences. Stat. Sci., v.7, p.457-5, 99. GILKS, W. R.; RICHARDSON, S.; SPIEGELHALTER, D. J. Markov chain Monte Carlo in practice. London: Chapman & Hall, p. KLIR, G. J.; YUAN, B. Fuzzy sets and fuzzy logic: theory and applications. New Jersey: Prentice Hall, 995. MORAES, R.M. Proposta de questionário e avaliação docente em disciplinas ª parte. Rev. Ed., v., p.45-66, 999. MORAES, R. M.; MELO, S. F. M. Avaliação docente e discente nas disciplinas do departamento de estatística: parte I - análise gráfica e tabelas. João Pessoa: UFPB, 993 a. p.. (Relatório Técnico UFPB n. DE-4/93). MORAES, R. M.; MELO, S. F. M. Avaliação docente e discente nas disciplinas do departamento de estatística: parte II - índices avaliativos. João Pessoa: UFPB, 993 b. p.. (Relatório Técnico UFPB n. DE-7/93). PASQUALI, L. Psicometria: teoria e aplicação. Brasília: Ed. UnB, p. Recebido em Aprovado após revisão em Rev. Mat. Estat., São Paulo, (): 35-47, 3 47
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Métodos de Monte Carlo baseados em Cadeias de Markov:
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisUniversidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica
Universidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica Disciplina: Processamento Estatístico de Sinais (ENG A83) Prof.: Eduardo Simas eduardo.simas@ufba.br Tema: Verificação da
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisInferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama
Inferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama Karlla Delalibera Chagas pósmac, Unesp Presidente Prudente, Brasil karlladelalibera@gmail.com
Leia maisAjuste de um modelo de TRI aos dados do vestibular 2011.2 do curso de Administração Noturno da Universidade Federal de Uberlândia
Ajuste de um modelo de TRI aos dados do vestibular 20.2 do curso de Administração Noturno da Universidade Federal de Uberlândia José Waldemar da Silva 2 Mirian Fernandes Carvalho Araújo 2 Lucio Borges
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisAVALIAÇÃO TEMPORAL DOCENTE ATRAVÉS DE QUESTIONÁRIOS COM ESCALAS NÃO-NUMÉRICAS
AVALIAÇÃO TEMPORAL DOCENTE ATRAVÉS DE QUESTIONÁRIOS COM ESCALAS NÃO-NUMÉRICAS Fabiana Queiroga 1 e Ronei Marcos de Moraes 2 Resumo Diversos são os estudos na literatura que buscam compreender o processo
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisPLANO DE ENSINO 2009/1
PLANO DE ENSINO 2009/1 1. CARACTERÍSTICAS DA DISCIPLINA 1.1 - Código da disciplina: MAT02253 1.2 - Denominação: Inferência Estatística I 1.3 - Nº de créditos: 4 1.4 - Nº de horas/aula/semana: 4 1.5 - Pré-Requisitos:
Leia maisNOTAS DE AULA. Medidas Descritivas. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DE AULA Medidas Descritivas Prof.: Idemauro Antonio Rodrigues de Lara 2 PRINCIPAIS MEDIDAS DESCRITIVAS 1. Medidas de tendência central 1.1 Média 1.2 Mediana 1.3 Moda 2. Medidas de dispersão 2.1
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia mais03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisA Bayesian Reassessment of Nearest-Neighbor Classification (2009)
A Bayesian Reassessment of Nearest-Neighbor Classification (2009) Cucala, Marin, Robert e Titterington André Yoshizumi Gomes (IME/USP) Seminário ministrado no Insper 5 de fevereiro de 2016 O método knn
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisEstimadores, pontual e intervalar, para dados com censuras intervalar
Estimadores, pontual e intervalar, para dados com censuras intervalar Débora Ohara, Estela Maris Pereira Bereta, Teresa Cristina Martins Dias Resumo Dados com censura intervalar ocorrem com frequência
Leia maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ As medidas de posição apresentadas fornecem a informação dos dados apenas a nível
Leia maisTestes Acelerados de Vida para o crescimento da Confiabilidade de produtos em desenvolvimento
Testes Acelerados de Vida para o crescimento da Confiabilidade de produtos em desenvolvimento Márcio José das Chagas Moura (UFPE) marciocmoura@gmail.com Enrique López Droguett (UFPE) ealopez@ufpe.br Carlos
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maisColeta e Modelagem dos Dados de Entrada
Coleta e Modelagem dos Dados de Entrada Capítulo 2 Páginas 24-52 Este material é disponibilizado para uso exclusivo de docentes que adotam o livro Modelagem e Simulação de Eventos Discretos em suas disciplinas.
Leia maisProf. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
Leia mais'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV
69 'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV O presente capítulo objetiva entender o comportamento das séries de retorno financeiras para as carteiras de investimento elaboradas no capítulo anterior. Tal análise
Leia maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisMétodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Leia maisO EFEITO DA PRESENÇA DE CENSURAS ALEATÓRIAS NOS INTERVALOS DE CONFIANÇA PARA OS PARÂMETROS DO MODELO LOG-LOGÍSTICO DUPLO
O EFEITO DA PRESENÇA DE CENSURAS ALEATÓRIAS NOS INTERVALOS DE CONFIANÇA PARA OS PARÂMETROS DO MODELO LOG-LOGÍSTICO DUPLO Cleber Giugioli CARRASCO Francisco LOUZADA-NETO RESUMO: O modelo log-logístico duplo
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisInferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear
Inferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear Márcio José das Chagas Moura (UFPE) marciocmoura@gmail.com Enrique López Droguett (UFPE)
Leia maisUnidade III Medidas Descritivas
Unidade III Medidas Descritivas Medidas separatrizes Quantis Medidas de dispersão Amplitude total Desvio Médio Variância Desvio Padrão Coeficiente de Variabilidade Desvio Interquartílico Na aula anterior...
Leia mais4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica
4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica 4. Elementos de inferência Bayesiana Gamerman [34] define que tanto o modelo Bayesiano quanto o freqüentista trabalham na presença de
Leia maisTeorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança
Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança Prof. Marcos Pó Métodos Quantitativos para Ciências Sociais Distribuição amostral Duas amostragens iguais
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisInferência Estatística:
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Inferência Estatística: Princípios de Bioestatística decidindo na presença de incerteza Aula 8: Intervalos
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
Leia maisINTRODUÇÃO A INFERÊNCIA BAYESIANA. Beatriz Cristina Flamia de Azevedo (PIBIC Jr./ Fundação Araucária - UTFPR),
INTRODUÇÃO A INFERÊNCIA BAYESIANA Beatriz Cristina Flamia de Azevedo (PIBIC Jr./ Fundação Araucária - UTFPR), Roberto Molina de Souza (Orientador), e-mail: rmolinasouza@utfpr.edu.br. Universidade Tecnológica
Leia maisEstudo da prevalência da tuberculose: uso de métodos bayesianos. Study of the prevalence of tuberculosis using Bayesian methods.
Estudo da prevalência da tuberculose: uso de métodos bayesianos Study of the prevalence of tuberculosis using Bayesian methods Resumo Neste artigo, apresentamos estimadores bayesianos para a prevalência
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia mais( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André
Leia maisColeta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Leia mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 214 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisAGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
Leia maisSoluções da Colectânea de Exercícios
Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda
Leia maisDistribuição Gama Inversa: conceitos e propriedades
Distribuição Gama Inversa: conceitos e propriedades Kelly Pereira de Lima 1 Rafael Bráz Azevedo Farias 1 1 Introdução Na teoria estatística e das probabilidades, a distribuição gama inversa, também chamada
Leia maisMetropolis-Hastings. Renato Assunção DCC - UFMG
Metropolis-Hastings Renato Assunção DCC - UFMG Amostrador de Gibbs Pros: Método geral para amostrar de distribuição condicional p( y) Quase qualquer distribuição (condicoes de regularidade para convergência
Leia maisANÁLISE DE RESULTADOS
ANÁLISE DE RESULTADOS Conteúdo 2 1. Planejamento de Experimentos 2. Introdução Medidas de Desempenho Análise Estatística dos Resultados Comparação de Resultados Procedimento para análise de resultados
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisIdentificação da Distribuição Teórica de Probabilidades
Identificação da Distribuição Teórica de Probabilidades A utilização de gráficos, tais como um histograma, são muito úteis para a identificação ou delineamento da distribuição teórica de probabilidades.
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisDE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)
1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisPlano de Ensino. Identificação. Câmpus de Bauru. Curso Licenciatura em Matemática. Ênfase
Curso 1503 1504 1505 - Licenciatura em Matemática Ênfase Identificação Disciplina 0007230A - Estatística e Probabilidade I Docente(s) Prescila Glaucia Christianini Buzolin Unidade Faculdade de Ciências
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisIntrodução a Inferência Bayesiana
Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
Leia mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 2019 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Probabilidades e Estatísticas Descritivas Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 3 de março de 2008
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisTestes paramétricos: médias variâncias, testes t e F
Testes paramétricos: médias variâncias, testes t e F Uma questão que aparece frequentemente quando se tem dois conjuntos de dados, ou conjunto e um modelo é se eles diferem em relação à locação e/ou espalhamento.
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisIntrodução à Bioestatística Turma Nutrição
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 8: Intervalos de Confiança para Média e Proporção Distribuição
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015
MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base
Leia mais