Redução de Variância: Amostragem Antitética
|
|
- Raíssa Penha
- 5 Há anos
- Visualizações:
Transcrição
1 Redução de Variância: Amostragem Antitética Frederico Almeida & Guilherme Aguilar Universidade Federal de Minas Gerais September 20, 2018 Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
2 Redução de Variância Motivação Considere ˆθ 1 e ˆθ 2 dois estimadores para θ com Var(ˆθ 2 ) < Var(ˆθ 1 ). A porcentagem de redução da variância obtida por ˆθ 2 em detrimento de ˆθ 1 é dada por: 1 Var(ˆθ 2 ) x100. Var(ˆθ 1 ) A abordagem MC para estimar θ = E[g(X)] consiste em computar a média amostral g(x) para um número m de replicas suficientemente grande da distribuição de g(x); Sendo g(.) uma estatística. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
3 Redução de Variância Motivação Para uma função monótona g(x), com X=(X 1,, X n ) representando os elementos amostrais, seja X (j) = { } X (j) 1, X (j) 2,, X (j) n j = 1,, m. Sendo X (j) i, i = 1,, n um vetor de variáveis aleatórias iid s de X. Computamos as respectivas réplicas por (Rizzo,2007): Y j = g(x (j) 1,, X (j) n ) Então, Y 1,, Y m são independentes e identicamente distribuídas de Y=g(X). rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
4 Redução de Variância Motivação Tal que, 1 E[Ȳ] = E m m Y j = θ. j=1 Então, o estimador de MC Ȳ = ˆθ é não-viesado para E[Y] = θ. Com variância Var(ˆθ) = Var(Ȳ) = Var f[g(x)]. m Como é óbvio, aumentando o número de réplicas m diminuímos a variância do estimador de MC ˆθ. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
5 Redução de Variância Motivação Observe que, para reduzir o erro-padrão de 10 2 para 10 4, precisamos de aproximadamente vezes o número de réplicas. Em geral, se o erro-padrão for no máximo ɛ e Var f [g(x)]=σ 2, então réplicas são necessárias. σ 2 m. Assim, embora a variância possa sempre ser reduzida aumentando o número de réplicas de Monte Carlo, o custo computacional é alto. Outros métodos para reduzir a variância que são computacionalmente menos caros podem ser aplicados. ɛ 2 rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
6 Significado de Antitética: antagônica, contrária, oposta; Esta técnica foi proposta neste artigo rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
7 Significado de Antitética: antagônica, contrária, oposta; Esta técnica foi proposta neste artigo rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
8 Variáveis Antitéticas Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
9 Considere a média de duas variáveis aleatórias (v.a. s) identicamente distribuídas, X 1 e X 2. Se X 1 X 2, então ( ) X1 + X 2 Var = (Var(X 1) + Var(X 2 )). Mas, em geral temos que ( ) X1 + X 2 Var = (Var(X 1) + Var(X 2 ) + 2Cov(X 1, X 2 )); rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
10 Considere a média de duas variáveis aleatórias (v.a. s) identicamente distribuídas, X 1 e X 2. Se X 1 X 2, então ( ) X1 + X 2 Var = (Var(X 1) + Var(X 2 )). Mas, em geral temos que ( ) X1 + X 2 Var = (Var(X 1) + Var(X 2 ) + 2Cov(X 1, X 2 )); rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
11 Logo a variância de (X 1 +X 2 )/2 é menor se X 1 e X 2 são negativamente correlacionados. Este fato levou a ser considerado v.a. s negativamente correlacionadas com intuito de diminuir a variância do método de integração de Monte Carlo. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
12 Logo a variância de (X 1 +X 2 )/2 é menor se X 1 e X 2 são negativamente correlacionados. Este fato levou a ser considerado v.a. s negativamente correlacionadas com intuito de diminuir a variância do método de integração de Monte Carlo. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
13 Suponha que X 1,..., X n são simulados pelo método da transformação inversa. Para cada réplica m é gerado U j U(0, 1) e calculado X (j) = F 1 X (U j), j = 1,..., n. Pode-se notar que se U é uniformemente distribuído em (0, 1), então 1 U possui a mesma distribuição que U, mas U e 1 U são negativamente correlacionadas. Sendo assim, temos que Y j = g(f 1 X (U(j) 1 possui a mesma distribuição que Y ),..., F 1 X (U(j) n )) j = g(f 1 X (1 U(j) ),..., F 1 X (1 U(j) n ), onde g é a função que se deseja integrar. 1 rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
14 Uma condição para que Y j e Y sejam negativamente correlacionados é j que g seja uma função monótona. Preposição Se X 1,..., X n são independentes, e f e g são funções crescentes, então Corolário E[f(X)g(X)] E[f(X)]E[g(X)]. Se g = g(x 1,..., X n ) é monótona, então e Y = g(f 1 X (U 1),..., F 1 X (U n)) Y = g(f 1 X (1 U 1),..., F 1 X (1 U n)), são negativamente correlacionados. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
15 Uma condição para que Y j e Y sejam negativamente correlacionados é j que g seja uma função monótona. Preposição Se X 1,..., X n são independentes, e f e g são funções crescentes, então Corolário E[f(X)g(X)] E[f(X)]E[g(X)]. Se g = g(x 1,..., X n ) é monótona, então e Y = g(f 1 X (U 1),..., F 1 X (U n)) Y = g(f 1 X (1 U 1),..., F 1 X (1 U n)), são negativamente correlacionados. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
16 Se m replicações de Monte Carlo são requeridas; são geradas m/2 v.a. s de Y j = g(f 1 X (U(j) 1 ),..., F 1 X (U(j) n )); as outras m/2 v.a. s são geradas de j = g(f 1 X (1 U(j) ),..., F 1(1 U(j) n )); Y 1 X rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
17 Se m replicações de Monte Carlo são requeridas; são geradas m/2 v.a. s de Y j = g(f 1 X (U(j) 1 ),..., F 1 X (U(j) n )); as outras m/2 v.a. s são geradas de j = g(f 1 X (1 U(j) ),..., F 1(1 U(j) n )); Y 1 X rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
18 Se m replicações de Monte Carlo são requeridas; são geradas m/2 v.a. s de Y j = g(f 1 X (U(j) 1 ),..., F 1 X (U(j) n )); as outras m/2 v.a. s são geradas de j = g(f 1 X (1 U(j) ),..., F 1(1 U(j) n )); Y 1 X rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
19 Onde U (j) i ind U(0, 1), i = 1,..., n, e j = 1,..., m/2. Sendo assim, o estimador obtido através da amostragem antitética é dado por ˆθ ant = 1 ( Y1 + Y 1 m + + Y m/2 + Y m/2) = 2 m/2 Y j + Y j m 2 j=1 Observe que ˆθ ant é um estimador não-viesado para θ. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
20 Onde U (j) i ind U(0, 1), i = 1,..., n, e j = 1,..., m/2. Sendo assim, o estimador obtido através da amostragem antitética é dado por ˆθ ant = 1 ( Y1 + Y 1 m + + Y m/2 + Y m/2) = 2 m/2 Y j + Y j m 2 j=1 Observe que ˆθ ant é um estimador não-viesado para θ. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
21 Onde U (j) i ind U(0, 1), i = 1,..., n, e j = 1,..., m/2. Sendo assim, o estimador obtido através da amostragem antitética é dado por ˆθ ant = 1 ( Y1 + Y 1 m + + Y m/2 + Y m/2) = 2 m/2 Y j + Y j m 2 j=1 Observe que ˆθ ant é um estimador não-viesado para θ. rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
22 Agora, para calcular a variância do estimador antitético, usamos o fato de que Y j e Y j tem a mesma distribuição marginal de X então, Var(ˆθ ant ) = 1 (m/2) 2 = 4 1 m/2 m 2 4 = 1 m 1 2 j=1 m/2 j=1 1 4 Var(Y j + Y j ) [ Var(Yj ) + 2Cov(Y j, Y j ) + Var(Y j )] [ Var(X) + 2ρ = 1 (1 + ρ)var(x). m ] Var(X) Var(X) + Var(X) rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
23 Recapitulando de forma simples Uma forma direta de estabelecer uma variável aleatória que tenha mesma distribuição e seja negativamente correlacionada é da seguinte forma Se U U(0, 1), então pode-se usar V = 1 U. Se Z N(0, 1), então pode-se usar V = Z. Para outras v.a. s que possuem CDF s que são inversíveis, temos que se X = F 1 (U), então pode-se usar Y = F 1(1 U). X X rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
24 Recapitulando de forma simples Uma forma direta de estabelecer uma variável aleatória que tenha mesma distribuição e seja negativamente correlacionada é da seguinte forma Se U U(0, 1), então pode-se usar V = 1 U. Se Z N(0, 1), então pode-se usar V = Z. Para outras v.a. s que possuem CDF s que são inversíveis, temos que se X = F 1 (U), então pode-se usar Y = F 1(1 U). X X rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
25 Recapitulando de forma simples Uma forma direta de estabelecer uma variável aleatória que tenha mesma distribuição e seja negativamente correlacionada é da seguinte forma Se U U(0, 1), então pode-se usar V = 1 U. Se Z N(0, 1), então pode-se usar V = Z. Para outras v.a. s que possuem CDF s que são inversíveis, temos que se X = F 1 (U), então pode-se usar Y = F 1(1 U). X X rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
26 Exemplo 1 (Comprimento esperado para o caminho mais curto) Considere a rede apresentada na figura abaixo. Nela, o comprimento de cada arresta é dada como uma v.a (e não tem uma interpretação geométrica). Esse comprimento poderia, por exemplo, representar o tempo de vida de um componente. Suponha que estamos interessados em encontrar o caminho mais curto entre os nós A e B quando X 1,, X 5 são v.a iid s da U(0, 1). rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
27 Exemplo 1 Seja X 1 o espaço representado por todos os caminhos possíveis para unir os vértice A e B. Onde X 1 = (X 1 + X 4 ; X 1 + X 3 + X 5 ; X 2 + X 5 ; X 2 + X 3 + X 4 ) Para uma função monótona g(.), seja θ o comprimento esperado para o caminho mais curto. Tal que, θ = E[g(X)] = E[g(X 1,, X 5 )] = min {X 1 } A versão antitética de X é dada por g(1 X) = g(1 X 1,, 1 X 5 ). rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
28 Kroese (2011) mostrou usando a esperança condicional que, para Z h(.) então, θ = E(g(X 1 )) = E [E(g(X 1 ) Z)] = 0.75 n Estimativa ˆθ MC Variância Estimativa ˆθ ant Variância %Redução R yy rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
29 Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
30 Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
31 Exemplo 2 Será utilizado o método de redução de variância via Amostragem Antitética para calcular o valor da seguinte integral 1 0 e x (1 x) 2 dx n ˆθ MC Estimativa Variância e e e-06 ˆθ ant Estimativa Variância e e e-07 %Redução rederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
32 Referências Bibliográficas Brereton, T. (2016). Methods of Monte Carlo Simulation. Lecture Notes, Ulm University. Kroese, D. P. (2011). Monte Carlo Methods. Rizzo, M. L. (2007). Statistical Computing with R. Chapman & Hall/CRC. Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de Variância: Amostragem Antitética September 20, / 22
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisAumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento
Aumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento Ian Meneghel Danilevicz Walmir dos Reis Miranda Filho Métodos Computacionais Aplicados à Estatística Prof.: Cristiano
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia mais1) Considere Y N(1, 1) e X Y = y N(y, 4). A quantidade de interesse é θ = P (X > 1).
1 Considere Y N1, 1 e X Y y Ny, 4. A quantidade de interesse é θ P X > 1. a Explique como obter uma estimativa de θ via simulação. Solução: Uma maneira simples de obter uma estimativa de θ é simulando
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisEstimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Leia maisME-310 Probabilidade II Lista 2
ME-3 Probabilidade II Lista 2. Uma máquina funciona enquanto pelo menos 3 das 5 turbinas funcionam. Se cada turbina funciona um tempo aleatório com densidade xe x, x >, independentemente das outras, calcule
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisLista de Exercicios 1. Medidas Resumo. Estimação. Distribuições Amostrais
Introcução à Inferência Estatística. Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 15 de agosto de 007 Lista de Exercicios 1 Medidas Resumo. Estimação. Distribuições Amostrais 1
Leia maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisProva de Estatística
Prova de Estatística 1. Para um número-índice ser considerado um índice ideal, ele precisa atender duas propriedades: reversão no tempo e o critério da decomposição das causas. Desta forma, é correto afirmar
Leia maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisProbabilidade 2 - ME310 - Lista 2
Probabilidade - ME3 - Lista September 4, Lembrando:. Estatística de ordem, pg 38 Ross: f xj (x) = n! (n j)!(j )! F (x)j ( F (x)) n j f(x). Distribuição de probabilidade conjunta de funções de variáveis
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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
1 Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 26 de setembro de 2001
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisAula 6. Aula de hoje. Aula passada
Aula 6 Aula passada Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança Aula de hoje Método de Monte Carlo Estimando somatórios Calculando erro Estimando
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
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 maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
Leia maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
Leia maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
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 Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Análise Estatística. Análise Estatística Motivação: Fila de 1 servidor. Clientes chegam em um banco (sistema)
Leia maisUm Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística
XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de Novembro de 006 Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística Fabiane Renata de Santana Yassukawa (UFMG) fabianesy@yahoo.com.br
Leia maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi regi@matufmgbr 26 de setembro
Leia maisPlanejamento de Experimentos Experimento com um fator aleatório
1 / 12 Planejamento de Experimentos Experimento com um fator aleatório Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 12 Modelo Estatístico para Efeitos Fixos Y ij = µ + τ i + ɛ ij em que
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisGabarito - Lista 5 - Questões de Revisão
Gabarito - Lista 5 - Questões de Revisão Monitores: Camila Steffens e Matheus Rosso Parte I - Teoria assintótica 1. Enuncie a lei dos grandes números e o teorema central do limite. A LGN em sua expressão
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
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 maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisAmostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisProbabilidade 2 - ME310 - Lista 2
Probabilidade - ME3 - Lista November, 5 Lembrando:. Estatística de ordem, pg 38 Ross: f xj (x) = n! (n j)!(j )! F (x)j ( F (x)) n j f(x). Distribuição de probabilidade conjunta de funções de variáveis
Leia maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
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 maisSolução dos Exercícios - Capítulos 1 a 3
Capítulo 9 Solução dos Exercícios - Capítulos a 3 9. Capítulo. a Como o valor se refere aos pacientes estudados, e não a todos os pacientes, esse é o valor de uma estatística amostral. b Estatística amostral
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 maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
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 maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Teorema Central do Limite (TCL) Se y 1, y 2,...,
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Amostragem estratificada Divisão da população em
Leia maisInferência via abordagens computacionalmente intensivas. Walmes Zeviani
Inferência via abordagens computacionalmente intensivas Walmes Zeviani Introdução A lógica dos testes de hipótese frequentistas: 1. Definir a hipótese nula e hipótese alternativa. 2. Determinar uma estatística
Leia maisAula 1 - Revisão de Probabilidade e Estatística
Aula 1 - Revisão de Probabilidade e Estatística Matheus Rosso e Camila Steffens 1 de Março de 2018 Conteúdos 1. Introdução à probabilidade 2. Probabilidade condicional e independência 3. Variáveis aleatórias
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisProcesso de Amostragem
Processo de Amostragem População versus Amostra População: conjunto de unidades com uma ou mais característica em comum N é a dimensão da população Amostra: Subconjunto da população N é a dimensão da amostra
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Aula de hoje Calcular probabilidade de eventos condicionando Somas aleatórias Esperança Condicional Análise de Comandos de Programação Análise
Leia maisPROBLEMA 1 O retorno mensal de certo investimento de risco pode ser modelado pela variável aleatória R com função de probabilidade dada abaixo :
Módulo básico - Tópicos de Estatística e obabilidade ONS 006/007 - ofa. Mônica Barros LISTA DE EXERCÍCIOS # PROBLEMA O retorno mensal de certo investimento de risco pode ser modelado pela variável aleatória
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
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 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 maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisEstatística Computacional e Simulação
Estatística Computacional e Simulação Capítulo MEIO MSc ESTATÍSTICA e INVESTIGAÇÃO OPERACIONAL MGI MSc GESTÃO DE INFORMAÇÃO MAEG MSc MATEMÁTICA APLICADA À ECONOMIA E GESTÃO DEIO - FCUL 1 0 Ano - 2 0 Semestre
Leia maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 19/04/2018 WB, FM, EK ( LEG/DEST/UFPR ) Variáveis
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia mais2. podemos solucionar problemas não somente probabilisticas, mas tambem qualquer
Aula 3 (21/3/211, 23/3/211). Métodos de Monte Carlo I. Introdução. 1 Teoria ão temos no momento a definição exata de metodos de Monte Carlo. o nosso curso metodos de Monte Carlo vamos chamar metodos computacionais
Leia maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisInferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Leia mais