Modelos Binomial e Poisson
|
|
- Marco Antônio Ximenes
- 5 Há anos
- Visualizações:
Transcrição
1 Objetivos Motivação BIE Pós-Graduação em Ecologia USP Setembro de 2016
2 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são:
3 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos para incluir covariáveis;
4 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos para incluir covariáveis; 2 Exemplificar essas generalização com modelos Poisson e binomial;
5 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos para incluir covariáveis; 2 Exemplificar essas generalização com modelos Poisson e binomial; 3 Mostrar os comandos básicos no R para ajustar e avaliar esses modelos;
6 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos para incluir covariáveis; 2 Exemplificar essas generalização com modelos Poisson e binomial; 3 Mostrar os comandos básicos no R para ajustar e avaliar esses modelos; 4 Mostrar que alguns deles pertencem à classe dos modelos lineares generalizados (glms);
7 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos para incluir covariáveis; 2 Exemplificar essas generalização com modelos Poisson e binomial; 3 Mostrar os comandos básicos no R para ajustar e avaliar esses modelos; 4 Mostrar que alguns deles pertencem à classe dos modelos lineares generalizados (glms); 5 Apresentar ajuste de glms no R.
8 Objetivos Motivação Onde estamos Até agora vimos:
9 Objetivos Motivação Onde estamos Até agora vimos: Modelos de várias distribuições com parâmetros constantes: Y N (µ = a 0, σ = b 0 ) Y P(λ = a 0 )
10 Objetivos Motivação Para onde vamos Hoje veremos modelos de distribuições não Gaussianas com covariáveis: Modelos Binomiais: Y Bin(N = n, p = g(x i ))
11 Objetivos Motivação Para onde vamos Hoje veremos modelos de distribuições não Gaussianas com covariáveis: Modelos Binomiais: : Y Bin(N = n, p = g(x i )) Y P(λ = g(x i ))
12 Objetivos Motivação Ou seja Uma expressão geral para modelos estatísticos Y f (Y Θ = g(x i ))
13 Objetivos Motivação Ou seja Uma expressão geral para modelos estatísticos Y f (Y Θ = g(x i )) Em palavras Y é uma variável aleatória, cujos valores tem probabilidades definidas pela função de densidade f (Y ), cujos parâmetros Θ são uma função qualquer g de covariáveis X i.
14 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas.
15 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos:
16 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!)
17 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções
18 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais:
19 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios;
20 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios; Ocorrência de morte, doença ou qualquer outro evento por indivíduo
21 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios; Ocorrência de morte, doença ou qualquer outro evento por indivíduo Proporção de frutos parasitados
22 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios; Ocorrência de morte, doença ou qualquer outro evento por indivíduo Proporção de frutos parasitados Experimentos de dose-resposta
23 : um exemplo Sobrevivência de sementes colocadas as diferentes distâncias da árvore-mãe 8 distâncias, 3 réplicas de 100 sementes Resposta: número de sobreviventes após 60 dias: > head(pred.seed) distancia n.sobrev
24 : um exemplo 0.35 Proporção sobrevivente Distância da árvore mãe
25 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = g(distância))
26 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = g(distância)) Que função usar para o efeito da distância sobre p?
27 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = g(distância)) Que função usar para o efeito da distância sobre p? Uma função sigmóide limitada entre zero e um, como: p = ea 0+a 1 dist 1 + e a 0+a 1 dist
28 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = g(distância)) Que função usar para o efeito da distância sobre p? Uma função sigmóide limitada entre zero e um, como: o que implica em p = ( ) p ln 1 p ea 0+a 1 dist 1 + e a 0+a 1 dist = a 0 + a 1 dist
29 Modelo Binomial: Funções logística e logit p = ea+bx Y = ln 1+e a+bx ( p 1 p ) Logística(X) Logit(p) X X
30 Modelo Binomial: Ajuste no R Função auxiliar: logística > logistica <- function(x, a0, a1){ + exp(a0 + a1*x) / (1 + exp(a0 + a1*x)) + } Função de log-verossimilhança negativa > seed.ll1 <- function(a0, a1){ + -sum(dbinom(pred.seed$n.sobrev, + size = 100, + p = logistica(x=pred.seed$distancia, + a0=a0, a1=a1), log= T)) + }
31 Modelo Binomial: Ajuste no R Valores iniciais: regressão linear dos logitos > p1 <- pred.seed$n.sobrev/100 > logito1 <- log( p1 / (1-p1) ) > (cf1 <- coef( lm(logito1~pred.seed$distancia) )) Ajuste numérico (Intercept) pred.seed$distancia > seed.m1 <- mle2(seed.ll1, + start=list(a0=cf1[1], a1=cf1[2]) )
32 Modelo Binomial: Ajuste no R Coeficientes > (cf2 <- coef(seed.m1)) a0 a Código do Gráfico observado e estimado > plot(i(n.sobrev/100)~dist, data=pred.seed, + xlab="dist^ancia da árvore-m~ae", + ylab="proporç~ao sobrevivente") > curve(logistica(x, a0 = cf2[1], a1 = cf2[2]), + add=t, col="blue")
33 Modelo Binomial: Gráfico previsto 0.35 Proporção sobrevivente Distância da árvore mãe
34 Modelo Binomial: Perfis de log-verossimilhança 7 Negative relative log likelihood Negative relative log likelihood a0 a1
35 Modelo Binomial: incerteza das estimativas Intervalo de plausibilidade > seed.m1.prf <- profile(seed.m1) > likelregions( seed.m1.prf ) Likelihood regions for ratio = a0: lower upper [1,] a1: lower upper [1,]
36 Modelo Binomial: incerteza das estimativas Intervalo de confiança > confint( seed.m1.prf ) 2.5 % 97.5 % a a
37 Modelo binomial: seleção de modelos Modelo sem efeitos: log-verossimilhança negativa > seed.ll0 <- function(a0){ + eta <- exp(a0)/(1+exp(a0)) + -sum(dbinom(pred.seed$n.sobrev, + size=100, p=eta, log=t)) + } Modelo sem efeitos: uma LL mais simples > seed.ll0 <- function(p){ + -sum(dbinom(pred.seed$n.sobrev,size=100, + prob=p, log=t)) + }
38 Modelo binomial: seleção de modelos Ajuste do modelo sem efeito da distância > seed.m0 <- mle2(seed.ll0, + start=list( + p=sum(pred.seed$n.sobrev/2400)) + ) Comparação com AIC (pacote bbmle) > AICtab(seed.m0, seed.m1, base=t) AIC daic df seed.m seed.m
39 Modelos Binomiais: Previstos pelos dois modelos 0.35 Proporção sobrevivente Distância da árvore mãe
40 Descrevem contagens de eventos independentes em função de variáveis preditoras contínuas ou discretas.
41 Descrevem contagens de eventos independentes em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos:
42 Descrevem contagens de eventos independentes em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas
43 Descrevem contagens de eventos independentes em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas contagens com variância igual à média
44 Descrevem contagens de eventos independentes em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas contagens com variância igual à média s de respostas Poisson:
45 Descrevem contagens de eventos independentes em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas contagens com variância igual à média s de respostas Poisson: Número de capturas, avistamentos, registros por unidade de tempo ou espaço
46 Descrevem contagens de eventos independentes em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas contagens com variância igual à média s de respostas Poisson: Número de capturas, avistamentos, registros por unidade de tempo ou espaço Taxas de ocorrência de eventos (e.g. fotos/hora, células/área)
47 : um exemplo Capturas de Pyriglena leucoptera em redes de neblina 20 fragmentos de diferentes tamanhos, 500 horas/rede Resposta: número de capturas > head(aves) area ncap
48 Modelo Poisson: Gráfico 8 6 N Capturas Ln área do fragmento (ha)
49 Nosso modelo é: Y P(λ = g(log(área))
50 Nosso modelo é: Y P(λ = g(log(área)) Que função usar para o efeito do log da área sobre λ?
51 Nosso modelo é: Y P(λ = g(log(área)) Que função usar para o efeito do log da área sobre λ? Uma função monotônica positiva como a exponencial: λ = e a 0+a 1 log(área)
52 Nosso modelo é: Y P(λ = g(log(área)) Que função usar para o efeito do log da área sobre λ? Uma função monotônica positiva como a exponencial: λ = e a 0+a 1 log(área) O que implica em ln(λ) = a 0 + a 1 log(área)
53 Modelo Poisson: Ajuste no R Função de log-verossimilhança negativa > aves.ll1 <- function(a0, a1) { + eta <- exp( a0 + a1*log(aves$area) ) + -sum( dpois(aves$ncap, lambda = eta, log = T) ) + }
54 Modelo Poisson: Ajuste no R Valores iniciais: regressão linear dos logarítmos > pm1 <- lm(log(ncap+0.1)~log(aves$area)) > ( cf1 <- coef(pm1) ) (Intercept) log(aves$area) Ajuste numérico > aves.m1 <- mle2(aves.ll1, start= + list(a0 = cf1[1], a1 = cf1[2]) )
55 Modelo Poisson: Ajuste no R Coeficientes > ( cf3 <- coef(aves.m1) ) a0 a Código do Gráfico observado e estimado > f3 <- function(x) exp(cf3[1]+cf3[2]*x) > plot(ncap~log(area), data = aves, + xlab = "Ln área do fragmento (ha)", + ylab = "N de Capturas") > curve(f3(x), add = T, col = "blue")
56 Modelo Poisson: Gráfico previsto 8 6 N de Capturas Ln área do fragmento (ha)
57 Modelo Poisson: Perfis de log-verossimilhança Negative relative log likelihood Negative relative log likelihood a0 a1
58 Poisson: incerteza das estimativas Intervalo de plausibilidade > aves.m1.prf <- profile(aves.m1) > likelregions( aves.m1.prf ) Likelihood regions for ratio = a0: lower upper [1,] a1: lower upper [1,]
59 Poisson: incerteza das estimativas Intervalo de confiança > confint( aves.m1.prf ) 2.5 % 97.5 % a a
60 Modelo Poisson: seleção de modelos Modelo sem efeitos: log-verossimilhança negativa > aves.ll0 <- function(a0){ + eta <- exp(a0) + -sum(dpois(aves$ncap, lambda=eta, log=t)) + }
61 Modelo Poisson: seleção de modelos Ajuste do modelo sem efeito da área > aves.m0 <- mle2(aves.ll0, + start=list( + a0=log(mean(aves$ncap)))) Comparação com AIC > AICtab(aves.m0,aves.m1, base=t) AIC daic df aves.m aves.m
62 : previstos pelos dois modelos 8 6 N de Capturas Ln área do fragmento (ha)
63 no R Definição Generalized linear models: exemplo Poisson Função glm no R > aves.glm1 <- glm(ncap~log(area), family=poisson) > coef(aves.glm1) (Intercept) log(area) > coef(aves.m1) a0 a
64 no R Definição Generalized linear models: exemplo Poisson Função glm no R > loglik(aves.glm1) 'log Lik.' (df=2) > loglik(aves.m1) 'log Lik.' (df=2)
65 no R Definição : gráficos diagnósticos Residuals Residuals vs Fitted Predicted values Std. deviance resid Normal Q Q Theoretical Quantiles Std. deviance resid Scale Location Predicted values 17 Std. Pearson resid Residuals vs Leverage 3 Cook's distance Leverage
66 no R Definição Modelo lineares generalizados (glm) Generalizam a lógica da regressão linear gaussiana para algumas outras distribuições;
67 no R Definição Modelo lineares generalizados (glm) Generalizam a lógica da regressão linear gaussiana para algumas outras distribuições; Preservam várias propriedades dos modelos lineares gaussianos;
68 no R Definição Modelo lineares generalizados (glm) Generalizam a lógica da regressão linear gaussiana para algumas outras distribuições; Preservam várias propriedades dos modelos lineares gaussianos; Abrangem vários modelos sob um conjunto único de soluções anaĺıticas e de propriedades matemáticas.
69 no R Definição Modelo lineares generalizados (glm) Generalizam a lógica da regressão linear gaussiana para algumas outras distribuições; Preservam várias propriedades dos modelos lineares gaussianos; Abrangem vários modelos sob um conjunto único de soluções anaĺıticas e de propriedades matemáticas. a.k.a uma teoria unificada.
70 no R Definição Modelo lineares generalizados (glm) Generalizam a lógica da regressão linear gaussiana para algumas outras distribuições; Preservam várias propriedades dos modelos lineares gaussianos; Abrangem vários modelos sob um conjunto único de soluções anaĺıticas e de propriedades matemáticas. a.k.a uma teoria unificada. Definiu a sintaxe de modelos do R e de várias outras linguagens computacionais.
71 no R Definição Modelos lineares generalizados (glm)
72 no R Definição A família exponencial de distribuições 1 Distribuições que podem ser expressas por { } yθ f (Θ) y exp + h(y, φ) g(φ) 1 Não é o mesmo que distribuição exponencial
73 no R Definição A família exponencial de distribuições 1 Distribuições que podem ser expressas por { } yθ f (Θ) y exp + h(y, φ) g(φ) como: 1 Não é o mesmo que distribuição exponencial
74 no R Definição A família exponencial de distribuições 1 Distribuições que podem ser expressas por { } yθ f (Θ) y exp + h(y, φ) g(φ) como: Gaussiana 1 Não é o mesmo que distribuição exponencial
75 no R Definição A família exponencial de distribuições 1 Distribuições que podem ser expressas por { } yθ f (Θ) y exp + h(y, φ) g(φ) como: Gaussiana Binomial 1 Não é o mesmo que distribuição exponencial
76 no R Definição A família exponencial de distribuições 1 Distribuições que podem ser expressas por { } yθ f (Θ) y exp + h(y, φ) g(φ) como: Gaussiana Binomial Poisson 1 Não é o mesmo que distribuição exponencial
77 no R Definição A família exponencial de distribuições 1 Distribuições que podem ser expressas por { } yθ f (Θ) y exp + h(y, φ) g(φ) como: Gaussiana Binomial Poisson Gama 1 Não é o mesmo que distribuição exponencial
78 no R Definição A família exponencial de distribuições 1 Distribuições que podem ser expressas por { } yθ f (Θ) y exp + h(y, φ) g(φ) como: Gaussiana Binomial Poisson Gama Inversa da normal 1 Não é o mesmo que distribuição exponencial
79 no R Definição A família exponencial de distribuições - A distribuição Poisson f (y) = e λ λ y y!
80 no R Definição A família exponencial de distribuições - A distribuição Poisson f (y) = e λ λ y y! Pertence à família exponencial porque pode ser expressa como { } yθ f (Θ) exp + h(y, φ) g(φ)
81 no R Definição A família exponencial de distribuições - A distribuição Poisson f (y) = e λ λ y y! Pertence à família exponencial porque pode ser expressa como { } yθ f (Θ) exp + h(y, φ) g(φ) onde Θ = ln(λ) f (Θ) = e λ g(φ) = 1 h(y, Θ) = ln(y!)
82 no R Definição A função de ligação Os glms são têm este nome porque generalizam a ideia de estabelecer uma relação do valor esperado com uma combinação linear de covariáveis: η(e[y ]) = a 0 + a 1 X a i X i = i a i X i 0
83 no R Definição A função de ligação Os glms são têm este nome porque generalizam a ideia de estabelecer uma relação do valor esperado com uma combinação linear de covariáveis: η(e[y ]) = a 0 + a 1 X a i X i = i a i X i 0 A função η estabelece esta relação. Ela é chamada função de ligação.
84 no R Definição A função de ligação Os glms são têm este nome porque generalizam a ideia de estabelecer uma relação do valor esperado com uma combinação linear de covariáveis: η(e[y ]) = a 0 + a 1 X a i X i = i a i X i 0 A função η estabelece esta relação. Ela é chamada função de ligação. Quando a função de ligação corresponde ao parâmetro Θ da família exponencial ela é chamada função de ligação canônica. Funções de ligação canônicas dão várias propriedades estatísticas importantes aos modelos.
85 no R Definição s de funções de ligação canônicas Função log para a Poisson: ln E[Y ] = ln λ = i a i X i 0
86 no R Definição s de funções de ligação canônicas Função log para a Poisson: ln E[Y ] = ln λ = i a i X i 0 Função logito para a binomial: ( ) E[Y ] ln n E[Y ] ( ) p = ln 1 p = i a i X i 0
87 no R Definição s de funções de ligação canônicas Função log para a Poisson: ln E[Y ] = ln λ = i a i X i 0 Função logito para a binomial: ( ) E[Y ] ln n E[Y ] ( ) p = ln 1 p = i a i X i 0 Função identidade para a normal E[Y ] = i a i X i 0
88 no R Definição Iteratively reweighted least squares method y 3 y x x
89 no R Definição Iteratively reweighted least squares method x y x y
90 no R Definição Modelo lineares generalizados Função glm no R
91 no R Definição Modelo lineares generalizados Função glm no R Generalizações:
92 no R Definição Modelo lineares generalizados Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão
93 no R Definição Modelo lineares generalizados Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb)
94 no R Definição Modelo lineares generalizados Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb) Modelos lineares generalizados de efeitos mistos
95 no R Definição Modelo lineares generalizados Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb) Modelos lineares generalizados de efeitos mistos Modelos lineares generalizados bivariados
96 no R Definição Modelo lineares generalizados Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb) Modelos lineares generalizados de efeitos mistos Modelos lineares generalizados bivariados...
97 no R Definição Para saber mais Bolker, B.M Ecological Models and Data in R Princeton: Princeton University Press, caps 6 e 9. Crawley, M.J The R Book. (caps.13,14 e 16) Dobson, A.J An Introduction to Generalized Linear Models. London: Chapman and Hall. McCullagh P. & Nelder, J.A Generalized Linear Models. London: Chapman and Hall. Rodríguez, G Lecture Notes on Generalized Linear Models.
Modelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP setembro de 2012 Objetivo da Aula Objetivos Motivação Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisFunção de Verossimilhança
AULA 4: Função de Verossimilhança 1.Verossimilhança Conceitos 2. Função de Verossimilhança 3. Log Verossimilhança Negativa 4. Método da Máxima Verossimilhança 5. Estimadores de Máxima Verossimilhança (MLEs)
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisDistribuições de probabilidade contínuas
BIE5781 Aula 3 Distribuições de probabilidade contínuas CONCEITOS Distribuições de probabilidade (revisão) Função de densidade probabilística Função de probabilidade acumulada Esperança e variância de
Leia maisQuantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
Leia maisRelatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão generalizado com resposta Binomial
UNIVERSIDADE FEDERAL DO PARANÁ Rafael Morciani Alves da Silva Maike Willian Martins dos Santos Mateus Gemelli Ramos Relatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisFunção de Verossimilhança
Função de Verossimilhança João Batista e Paulo Inácio Prado 2018 BIE5781 Modelagem Estatística em Ecologia e Recursos Naturais 1/38 Sumário Sumário 1. Motivação 2. Estimação por Máxima Verossimilhança
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisEstimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson Wagner Hugo Bonat - LEG/DEST, UFPR 1 Resumo: Este texto descreve de forma rápida o processo de estimação baseado em Verossimilhança
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia maisIntrodução aos Modelos Lineares em Ecologia
Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisModelos Lineares Generalizados
unificação metodológica Alexandre Adalardo de Oliveira PlanECO 2017 1 of 43 03/29/2017 11:47 AM Conceitos estrutura do erro preditora linear função de ligação 2 of 43 03/29/2017 11:47 AM Função de ligação
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisModelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisIntrodução aos Modelos Lineares em Ecologia
Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.
Leia maisBIE5781 Aula 2. Variáveis Aleatórias Discretas
BIE5781 Aula 2 Variáveis Aleatórias Discretas Variável Aleatória SUCESSOS COMBINAÇÕES POSSÍVEIS P 0 1/4 1 ou 2/4 2 1/4 Funções de Probabilidade J.L.B. Ferreira, 2006 f x =P X =x i 0.6 0.5 0.4 P 0.3 0.2
Leia maisModelos Lineares Generalizados - Regressão Logística
Modelos Lineares Generalizados - Regressão Logística Erica Castilho Rodrigues 26 de Maio de 2014 AIC 3 Vamos ver um critério para comparação de modelos. É muito utilizado para vários tipos de modelo. Mede
Leia maisUma Introdução à Lógica da Modelagem Estatística
BIE5781 Aula 1 Uma Introdução à Lógica da Modelagem Estatística Inferência clássica x modelagem Testes de Significância Zar (1999) Biostatistical Analysis t de Student t = X Ȳ s exy William Gosset (1876-1937)
Leia maisModelagem de dados complexos por meio de extensões do modelo de
Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisModelo Linear Generalizado Distribuição de Poisson
Valeska Andreozzi 1 Modelo Linear Generalizado Distribuição de Poisson Problema 1 O objetivo desta aula é exemplificar a modelagem de dados de contagem. Vamos ilustrar como os modelos lineares generalizados
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia mais4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
Leia maisBIE5782. Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES
BIE5782 Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES ROTEIRO 1.Motivação 2. Método dos mínimos quadrados 3. Ajuste no R: função lm 4. Resultado no R: objeto lm 5. Premissas, interpretação e diagnóstico 6.
Leia mais3.33pt. AIC Introdução
1 3.33pt 1 Modelos Lineares Generalizados - Regressão Logística Erica Castilho Rodrigues 01 de Julho de 2016 2 3.33pt 3 Vamos ver um critério para comparação de modelos. É muito utilizado para vários tipos
Leia mais4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Leia maisAplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Leia mais2019/04/01 01:14 1/12 5. Modelos Binomial e Poisson
2019/04/01 01:14 1/12 5. Modelos Binomial e Poisson 5. Modelos Binomial e Poisson Conceitos Modelos não-gaussianos Modelos lineares generalizados Função de ligação Função logística, probito e logito Sobredispersão
Leia maisO uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros
O uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros Eriton Barros dos Santos 1 Sílvia Maria de Freitas 2 1 Introdução Dados de contagem são comuns em diversas áreas.
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
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 maisCOMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES
COMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES Telde Natel CUSTÓDIO 1 Décio BARBIN RESUMO: O objetivo deste trabalho foi apresentar um procedimento
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Métodos Estatísticos Avançados em Epidemiologia Aula 2-2 Regressão de Poisson: Modelando Contagens Distribuição
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisGAM. Ilka Afonso Reis
GAM Ilka Afonso Reis Modelo Estatístico O objetivo de um modelo estatístico é fornecer a base matemática para responder às seguintes questões: As variáveis preditoras/explicativas explicam adequadamente
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 maisDistribuições de Probabilidade Discretas
Distribuições de Discretas Paulo Inácio K.L. Prado e João L.F. Batista BIE-5781 Modelagem Estatística em Ecologia e Recursos Naturais Novembro de 2018 Conceitos Variável aleatória Distribuição de probabilística
Leia maisAnalise de sobreviventes em acidentes de carros
Analise de sobreviventes em acidentes de carros Modelos Lineares Generalizados Lais Hoffmam GRR20159455 Simone Matsubara GRR20124663 Willian Meira GRR20159077 Yasmin Fernandes ISO20180365 Curitiba 2018
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisInferência em Recursos Florestais e Ecologia: A Abordagem da Verossimilhança 1
Inferência em Recursos Florestais e Ecologia: A Abordagem da Verossimilhança 1 JOÃO LUÍS F. BATISTA 2 16 de outubro de 2008 Resumo Além dos dois paradigmas mais populares na Estatística, o Freqüentista
Leia maisINFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE
INFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE A análise de deviance é uma generalização, para modelos lineares generalizados, da análise de variância. No caso de modelos lineares, utiliza-se
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisDistribuições de Probabilidade Discretas
Distribuições de Probabilidade Discretas Who? From? Paulo Inácio K.L. Prado e João L.F. Batista BIE-5781 Modelagem Estatística em Ecologia e Recursos Naturais When? setembro de 2016 Conceitos Conceitos
Leia maisINCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística INCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO CE225 - Modelos Lineares Generalizados Eduardo
Leia maisTrabalho de Modelos Lineares Generalizados
Universidade Federal do Paraná Trabalho de Modelos Lineares Generalizados Ananda Bordignon 1, Brendha Lima 2, Giovanna Lazzarin 3 12 de Novembro de 2018 1 GRR20149157 2 GRR20149163 3 GRR20149088 1 SUMÁRIO
Leia maisTESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS
TESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS Antes de apresentar alguns dos testes de hipóteses e intervalos de confiança mais usuais em MLG, segue a definição de modelos
Leia maisEnsaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018
Ensaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018 Exemplo: Ensaio Clínico de Contraceptivos Introdução Este exemplo é de um estudo longitudinal de uso de contraceptivos
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 maisModelos e inferência para um experimento em blocos casualizados para o número de vagens em soja RESUMO
Modelos e inferência para um experimento em blocos casualizados para o número de vagens em soja Natália da Silva Martins 1, Davi Butturi-Gomes 1, Lucas Souza Capelaro 2 1 Instituto de Ciências Exatas,
Leia maisLista 1 - Gabarito. Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados. 29 de Abril. f(y i, θ i ) = θ i exp( yiθ i ).
Lista 1 - Gabarito Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados 29 de Abril 1. (Concurso Petrobrás - 2011) Em um modelo de regressão logística, o que indica se o modelo se
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
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 maisO USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG
O USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG Robson de Souza Vieira 1 ; Rogério Silva Pimentel 1 ; Emerson Wruck 2
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisMétodo de máxima verossimilhança
AULA 2: Método de máxima verossimilhança Um Exemplo Uma espécie tem probabilidade de ocorrência de 5% por sítio. Para uma região com 2 sítios, qual a probabilidade da espécie ocorrer em todos os sítios?
Leia maisModelos de ocorrência: uma espécie, várias estações Leonardo Wedekin e Paulo Inácio Prado (http:// ecologia.ib.usp.br/ bie5703 )
Modelos de ocorrência: uma espécie, várias estações Leonardo Wedekin e Paulo Inácio Prado (http:// ecologia.ib.usp.br/ bie5703 ) Contents Preparação................................................. 1 Ajuste
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisFísica Geral - Laboratório. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
Física Geral - Laboratório Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro (unidade)
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia mais1 AULA 5 - REGRESSÃO LOGÍSTICA BINOMIAL
1 AULA 5 - REGRESSÃO LOGÍSTICA BINOMIAL 1.1 Tabela de contingência A base de dados que vamos utilizar são os dados do estudo caso-controle em que os casos foram mulheres com infertilidade e os controles,
Leia maisEFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA
Universidade Federal do Paraná Departamento de Estatística EFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA CE225 - Modelos Lineares Generalizados Jhenifer Caetano Veloso - GRR20137558 Rogério
Leia maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisModelos de regressão paramétricos
6 Modelos de regressão paramétricos Exercícios Exercício 6.1: O banco de dados leite2.txt contém dados de tempo de aleitamento de crianças de 4 comunidades. No ajuste não-paramétrico a esses dados, observamos
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 maisModelos Lineares Generalizados - Métodos de Estimação
Modelos Lineares Generalizados - Métodos de Estimação Erica Castilho Rodrigues 07 de Abril de 2014 3 Componentes dos MLG s Os MLG s são compostos por duas partes: componente sistemático e componente aleatório.
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Leia maisMEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS
Universidade Federal do Paraná Departamento de Estatística MEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisMLG. 16 de outubro de Curso de Modelos Lineares Generalizado - DEST/UFMG Marcos Oliveira Prates. Marcos Oliveira Prates
MLG Curso de Modelos Lineares Generalizado - DEST/UFMG 16 de outubro de 2017 Modelo Linear Generalizado Família Exponencial Seja Y a variável de resposta. A distribuição de Y é membro da família exponencial
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 mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisExemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisModelos Matemáticos e Aplicações Modelos Lineares Generalizados
Modelos Matemáticos e Aplicações Modelos Lineares Generalizados Jorge Cadima Matemática (DCEB), Instituto Superior de Agronomia (UL) 2015-16 J. Cadima (Matemática/ISA) Modelos Matemáticos 2015-16 1 / 212
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
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 maisDistribuições de Probabilidade
Distribuições de Probabilidade 1 Aspectos Gerais 2 Variáveis Aleatórias 3 Distribuições de Probabilidade Binomiais 4 Média e Variância da Distribuição Binomial 5 Distribuição de Poisson 1 1 Aspectos Gerais
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisModelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1 Alessandra dos Santos 2 ernando de Pol Mayer 2 Rafael de Andrade Moral 2 Luiz Henrique Costa Mota 3 Clarice Garcia
Leia maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia maisModelos de ocorrência: uma espécie, uma estação Leonardo Wedekin e Paulo Inácio Prado (http:// ecologia.ib.usp.br/ bie5703 )
Modelos de ocorrência: uma espécie, uma estação Leonardo Wedekin e Paulo Inácio Prado (http:// ecologia.ib.usp.br/ bie5703 ) Contents Preparação................................................. 1 Ajuste
Leia maisÓbitos por Acidentes de Transporte em Santa Catarina no ano de 2016
Óbitos por Acidentes de Transporte em Santa Catarina no ano de 2016 Modelos Lineares Generalizados Lais Hoffmam Simone Matsubara Willian Meira Yasmin Fernandes Curitiba 2018 Sumário 1. Resumo... 3 2. Introdução...
Leia mais