Amostrador de Gibbs Híbrido com aplicação em Dados de Captura e Recapura
|
|
- Jónatas Pinheiro
- 5 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDADE FEDERAL DE MINAS GERAIS PROGRAMA DE PÓS-GRADUAÇÃO EM ESTATÍSTICA Amostrador de Gibbs Híbrido com aplicação em Dados de Captura e Recapura Isabela de Lima Severino e Marina Alves Amorim Novembro de 08 INTRODUÇÃO - GIBBS O amostrador de Gibbs é um algoritmo de Monte Carlo de cadeia de Markov (MCMC), especificamente adaptado para distribuições alvo multidimensionais. O objetivo é construir uma cadeia de Markov cuja distribuição estacionária - ou distribuição marginal - é igual à distribuição alvo f. O amostrador de Gibbs faz isso sequencialmente amostrando de distribuições condicionais univariadas. O amostrador de Gibbs é na verdade um nome genérico para uma família rica de algoritmos adaptáveis. Seja X = (X,..., X p ) T um vetor de variáveis, denote X i = (X,..., X i, X i+,..., X p ) T um vetor de p variáveis, contendo todas as variáveis exceto a i ésima. Supondo que a densidade condicional univariada de X i X i = x i, denotada f (x i x i ), é facilmente amostrado para i =,...p. Um procedimento geral de amostragem de Gibbs pode ser descrito do seguinte modo:. Selecione os valores iniciais x (0) e defina t = 0.
2 . Gerar, por sua vez X (t+). f (x x (t),..., x(t) p ), X (t+). f (x x (t+), x (t) 3,..., x(t) p ), X (t+) p. f (x p x (t+), x (t+),..., x (t+) p x(t) p ) X p (t+). f (x p x (t+), x (t+),..., x (t+) p ) onde. indica condicionamento nas atualizações mais recentes para todos os outros elementos de X. 3. Incremente t e volte no passo. Para muitos problemas, as distribuições condicionais para um ou mais elementos de X não possuem uma forma fechada. Neste caso, um algoritmo MCMC híbrido pode ser desenvolvido, onde, em uma determinada etapa do amostrador de Gibbs, o algoritmo Metropolis-Hastings pode ser usado para amostragem da distribuição condicional apropriada. HYBRID GIBBS SAMPLING Gibbs Híbrido é uma terminologia genérica que é usada para descrever muitos algoritmos diferentes. O exemplo mostrado nas etapas a 4 abaixo é mais precisamente descrito como um amostrador híbrido de Gibbs com passos Metropolis dentro do Gibbs, que às vezes é abreviado como Metropolis-within-Gibbs, e foi o primeiro proposto por P. Muller [99]. Por exemplo, para p = 5, um algoritmo MCMC híbrido pode prosseguir com a seguinte sequência de atualizações: ), com um passo Gibbs, porque essa distribuição condi-. Atualizar X (t+) (x (t), x(t) 3, x(t) cional possui forma fechada. 4, x(t) 5. Atualização (X (t+), X (t+) 3 ) (x (t+), x (t) 4, x(t) 5 ) com um passo Metropolis-Hasting, porque esta distribuição condicional conjunta é difícil de amostrar ou não é disponível em forma fechada. Aqui, a blocagem de X e X 3 pode ser recomendado porque esses elementos são altamente correlacionados. 3. Atualize X (t+) 4 (x (t+), x (t+), x (t+) 3, x (t) 5 ) com um passo de um passeio aleatório, porque esta distribuição condicional não está disponível em forma fechada. 4. Atualize X (t+) 5 (x (t+), x (t+), x (t+) 3, x (t+) 4 ), com um passo de Gibbs. Gibbs Híbrido pode ser formulado de muitas formas, o que vai determinar a formulação é a necessidade do usuário.
3 3 EXEMPLO DE APLICAÇÃO Nesse trabalho aplicaremos o Gibbs Híbrido no exemplo proposto no Capítulo 7..5 do livro Computational Statistics (º edição) (Givens,005). Nesse exemplo o Gibbs Híbrido é usado para estimar a população de filhos de focas na Nova Zelândia, via processo de captura e recaptura. Iremos introduzir brevemente o conceito de captura e recaptura, e o modelo de estimação utilizado, para em seguida aplicar a técnica Gibbs Híbrido. 3. MODELOS DE CAPTURA-RECAPTURA Os modelos de captura-recaptura são utilizados para estimar tamanho de amostra e controle de população. O método consiste em fazer uma amostragem e realizar a marcação dos indivíduos. Em um segundo momento realizar uma segunda amostragem e contar quantos indivíduos estão marcados e assim estimar o valor da população. Ou seja, Estimar a população de certas espécies em uma área por : Captura, Marcação, Libertação e Recaptura. Pode-se observar uma ilustração desse processo na Figura 3.. O tamanho da população pode ser estimado com base no histórico dos dados de captura-recaptura. Podemos destacar algumas aplicações em: Ciências Biológicas/Ecologia - (Pássaros, Mamíferos, Répteis, Peixes, Insetos, Plantas); Ciências da saúde/ Epidemiologia (Populações humanas evasivas/doenças crônicas); Ciências sociais (Imigração ilegal, população de rua); Censo de população; Falhas em softwares de computadores ( bugs ). Métodos de Marcação são utilizados para identificar os indivíduos capturados. Tais métodos podem ser de marcações físicas como, anel (pássaros), colar (gansos), marcadores nasais (patos), recorte da barbatana (peixes), etiquetas de ovelha (mamíferos), recorte do dedo do pé (répteis), ou marcações naturais como, observação de marcas naturais existentes nos animais (golfinhos, ursos, baleias), entre outros. Na Figura 3. pode-se observar alguns desses métodos. 3
4 Figure 3.: Exemplo de Captura e Recaptura Figure 3.: Exemplo de marcação 4
5 Uma motivação para estimar tais quantidades é a gestão e conservação de espécies que dependem do conhecimento de suas efetivas populacionais. Como também, essa técnica permite o monitoramento de perda de biodiversidade, gestão de stocks pesqueiros, controle de pragas e infestações, impacto ambiental, avaliação da eficácia das áreas protegidas, movimentos migratórios e etc. A técnica de captura e recaptura é de grande importância quando nos deparamos com alguns problemas frequentes como: espécies raras que habitam áreas grandes, sendo estas de difícil acesso, ou o fato que muitos espécies são inacessíveis, como cetáceos que passam muito tempo submersos, carnívoros noturnos e etc. Comos existe uma grande variedade de modelos de captura-recaptura, desde modelos bem restritivos (populações fechadas), até modelos bem complexos que nos permitem observar uma população com poucas restrições (populações que apresentam nascimentos, mortes e migrações). Apresentaremos alguns exemplos de modelo para população fechada na Figura3.3 com os seguintes pressupostos. População fechada; Animais não perdem as marcas; Os animais são registrados corretamente; Probabilidade de captura constante em cada ocasião de captura. Figure 3.3: Modelos teóricos de Captura e Recaptura. Para o exemplo utilizado nesse trabalho utilizaremos o modelo M t para População Fechada. 5
6 O Modelo M t, tem como pressuposto que existe uma variação na probabilidade de recaptura, a probabilidade de captura em cada ocasião varia com o tempo. Os indivíduos capturados durante cada "amostra" são liberados com um marcador indicando sua captura. A captura de um indivíduo marcado durante qualquer amostra subsequente é denominada recaptura. O tamanho da população pode ser estimado com base no histórico dos dados de capturarecaptura. Altas taxas de recaptura sugerem que o tamanho real da população não excede em muito o número total de indivíduos únicos já capturados. O Estimador é obtido por máxima verossimilhança através de métodos numéricos. A Verossimilhança para o modelo : L(N,α C,r ) N! (N r )! ( α i ) N C i Especificações I i= αc i i N = Tamanho da população; C i = (C,...,C i ) é o número de indivíduos capturados incluindo as recapturas; m i = (m,...,m i ) é o número de indivíduos únicos capturados; α i = (α,...,α i ) é a probabilidade de captura em cada ocasião de amostragem; r é o número de indivíduos únicos capturados. Assumimos que, a população está fechada durante o período da amostragem, o que significa que mortes, nascimentos e migrações são irrelevantes durante esse período. Este modelo não é Robusto para heterogeneidade e reação a armadilha, ou seja, os indivíduos são igualmente acessíveis. Para essa aplicação trata-se o modelo M t como um modelo Byesiano Hierárquico, para utilização do Gibbs. Modelos hierárquicos podem ser generalizados como modelos em que os parâmetros do modelo são considerados quantidades aleatórias oriundas de uma distribuição de probabilidade, cujos parâmetros são chamados de hiperparâmetros. A distribuição dos parâmetros a priori possui hiperparâmetros, que são estimados pelos dados. Um modelo hierárquico bayesiano pode ser representado considerando, pelo menos,3 níveis de hierarquia: º nível: modelo das observações de X com os parâmetros, º nível: modelo dos parâmetros com seus hiperparâmetros e 3º nível modelo dos hiperparâmetros. 3. APLICAÇÃO DO EXEMPLO No final do século XIX, as focas na Nova Zelândia quase foram levadas à extinção por caçadores. Nos últimos anos, a abundância de focas tem aumentado. Esse aumento tem sido 6
7 de grande interesse para os cientistas. Nosso objetivo é, estimar o número de filhotes em uma colônia de focas, com uma população de tamanho desconhecido, usando uma abordagem de recaptura-captura. Neste estudo, realizado na Península de Otago, na Ilha do Sul da Nova Zelândia, os filhotes de foca foram marcados e soltos em 7 tentativas de amostragem (I = 7) durante uma temporada. É razoável supor que a população de filhotes foi fechada durante o período do estudo. A Figura 3.3 mostra uma tabela do número de filhotes capturados (c i ) e o número dessas capturas correspondendo a filhotes nunca capturados anteriormente (m i ), para tentativas de amostragem i =,...,7. Um total de r = 7 i= m i = 84 focas exclusivas foram observado durante o período de amostragem. Figure 3.4: Número de filhotes capturados em cada amostragem. 3.3 MODELAGEM - EXEMPLO GIBBS SAMPLING Para a estimação, adotou-se uma estrutura Bayesiana hierárquica. Prioris adotadas: Para o tamanho da população (N ): f (N ) /N. Para as probabilidades de captura (α): f (α i θ,θ ) = Bet a(θ,θ ) (Priori não informativa no sentido Jeffreys), sendo θ = θ =. Assumimos que essas são as prioris independentes. Um amostrador de Gibbs ordinário pode ser construido simulando a partir das distribuições posterioris condicionais. Posterioris: 7
8 N (t+) 84. BinNeg (85, 7 i= ( α(t) )) i α (t+) i. Bet a(c i + θ, N (t+) C i + θ ) onde, i =,...,7, (θ,θ ) = e. indica condicionamento entre os outros parâmetros (N,α,θ,θ ). Conclusão - Exemplo Gibbs Sampling Quando plotamos a cadeia gerada, podemos perceber que ela parece convergir para um valor próximo a 90, ou seja, que o tamanho da população está próximo a este valor. Figure 3.5: Cadeia para o tamanho amostral O Gráfico de auto-correlação mostra que, a cadeia não apresenta correlação. 8
9 Figure 3.6: Auto-Correlação para N Para cada ocasião de captura (i =,..., 7), temos as seguintes probabilidades de captura estimada: Média alpha Desvio P. alpha IC.5% IC 97.5% Table 3.: Estimativas para as probabilidades de captura (α) em casa momento i 9
10 Figure 3.7: Boxplot das probabilidades de captura para cada ocasião Após construir a cadeia, temos a seguinte média e desvio padrão para a estimativa do tamanho da população. Média Desvio Padrão I.C..5% I.C.97.5% Table 3.: Descritivas para a estimação do tamanho amostral (N) 0
11 Figure 3.8: Histograma para a cadeia de tamanho amostral A média posteriori de N é 89,39 com um intervalo superior HPD de 95% (95). Para comparação, as estimativas de máximaverossimilhança para N é 88,5 e o intervalo não paramétrico bootstrap de 95% é (85.5;97.3). As probabilidades dadas é apenas uma das muitas formas do modelo de captura e recaptura que poderiam ser consideradas. Exemplo : O modelo com a probabilidade de captura comum a todos poderia ser o mais apropriado. Outras parametrizações podem ser consideradas e investigadas para melhorar as convergências e a mistura do MCMC que é fortemente dependente da parametrização utilizada. 3.4 MODELAGEM - EXEMPLO HYBRID GIBBS SAMPLING O exemplo anterior pode levar a MCMCs menos satisfatórios no comportamento de convergência. Para alguns conjuntos de dados, análises anteriores mostraram sensibilidade aos valores selecionados para θ,θ, para atenuar essa sensibilidade, consideramos uma configuração alternativa com uma distribuição conjunta para θ,θ. Para implementar o amostrador híbrido Gibbs é necessário um passo Metropolis-Hastings para amostrar (θ,θ ), onde θ > 0 e θ > 0, mas essa restrição pode impedir o desempenho do MCMC, particularmente se houver alta densidade da posterior próxima ao limite.
12 Prioris adotadas: Para o tamanho da população (N ): f (N ) /N. Para as probabilidades de captura (α): f (α i θ,θ ) = Bet a(θ,θ ) (Priori não informativa no sentido Jeffreys), sendo θ = θ =. { } f (θ,θ ) exp (θ +θ ) 000 Assumimos que essas são as prioris independentes dos parâmetros. Um amostrador de Gibbs pode então ser construído simulando a partir das distribuições posteriores condicionais. Consideramos o uso de um passeio aleatório para atualizar esses parâmetros, mas para melhorar o desempenho, transformamos (θ,θ ) em U = (U,U ) = (log θ,log θ ). Essa transformação permite uma etapa de caminhada aleatória em (, ) para atualizar o U efetivamente. Especificamente, valores de proposta U pode ser gerado usando U = u (t) +ɛ, onde ɛ N (0,0,085I ) onde I é a matriz identidade x Nós selecionamos um desvio padrão de 0,085 para obter uma taxa de aceitação de cerca de 3% para as atualizações do U. Posterioris: N (t+) 84. BinNeg (85, 7 i= ( α(t) )) i α (t+) i. Bet a(c i + exp(u ), N (t+) C i + exp(u )) [ Γ(exp(u ) + exp(u )) U,U k u exp(u + u ) Γ(exp(u )) + Γ(exp(u )) x 7 i= α exp(u ) exp i { exp(u ) + exp(u ) 000 ] 7 } Conclusão - Exemplo Hybrid Gibbs Sampling Temos agora, a cadeia de interações para o tamanho amostral (N) utilizando o método Gibbs híbrido. Observamos que a cadeia converge para um valor em torno de 90.
13 Figure 3.9: Cadeia para tamanho amostral O Gráfico de auto-correlação mostra que, a cadeia apresenta correlação, diferente do Gibbs simples. Figure 3.0: Gráfico de Auto-Correlação para a cadeia do tamanho amostral A na Figura 3., observamos o passeio aleatório utilizado para a estimação dos θ s via passo Metropolis Hastings. 3
14 Figure 3.: Passeio Aleatório Para cada ocasião de captura (i =,..., 7), temos as seguintes probabilidades de captura estimada Médoa alpha Desvio P. alpha IC.5% IC 97.5% Table 3.3: Estimativas para as probabilidades de captura (α) em casa momento i 4
15 Figure 3.: Boxplot das probabilidades de captura para cada ocasião Após construir a cadeia, temos a seguinte média e desvio padrão para o tamanho da população. Média N Desvio Padrão IC.5% IC 97.5% Table 3.4: Descritivas para a estimação do tamanho amostral (N) 5
16 Figure 3.3: Histograma para a cadeia do tamanho amostral A média posteriori de N é 89,88 com um intervalo superior HPD de 95% (97). Os resultados sugerem uma falta de convergência do algoritmo MCMC ou, pelo menos, o mau comportamento da cadeia para o algoritmo híbrido. A cadeia não se mistura tão bem quanto o modelo mais simples, então preferimos o uniforme/jeffreys antes dos dados do filhote de focas. Apesar desses indícios de falta de convergência, os dois algoritmos produzem resultados muito semelhantes (Jeffreys/ MH). O amostrador híbrido Gibbs, pode ser bastante eficaz para muitos problemas mas, para esses dados a alternativa descrita não gerou resultados superiores ao Gibbs simples. E o algoritmo híbrido gerou uma alta auto-correlação. 4 REFERÊNCIAS Geof H. Givens & Jennifer A. Hoeting (005) Computational Statistics, ª Edição Alpizar Jara, R. (000) Muestro de poblciones animales basado en modelos probabilisticos. Universidad Porto Rico, Pág Bailey, N.T.J. (95) On estimating the size of mobile populations from capture-recapture data Biometrika38, Pág
17 OTIS, D. L.; BURNHAM, K. P; WHlTE, G. C.; ANDERSON, D. R. (978) Statistical inference from capture data on closed animal populations Wildlife Monographs, v. 6, p
Técnicas 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 maisInfluencia 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 AULA 1: Problemas Computacionais em Inferência Estatística.
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 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 mais7. Estimando a abundância: modelos de população fechada
7. Estimando a abundância: modelos de população fechada Resumo 1. Identificação individual 2. Modelos de marcação-recaptura Modelos clássicos Premissas 3. Modelos modernos Mh Mb Mt Identificação individual
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 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 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 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 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 mais8. Estimando a sobrevivência: Modelo de Cormack-Jolly-Seber
8. Estimando a sobrevivência: Modelo de Cormack-Jolly-Seber φ Resumo 1. Cormack-Jolly-Seber Parâmetros Premissas 2. Testes GOF Testes 2 e 3 3. Outros efeitos Grupos Coortes Idade População aberta Abundância
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 maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
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 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 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 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 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 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 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 APLICADA À HIDROLOGIA
DIA 1 ANÁLISE BAYESIANA APLICADA À HIDROLOGIA Pedro Luiz Borges Chaffe, Debora Yumi de Oliveira e Paula Cunha David Florianópolis, 28 e 30 de novembro de 2017 SOBRE O MINICURSO Dia 28/11/2017 (14h-17h)
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisO método de captura-recaptura, originariamente utilizado para estimar o tamanho de uma população animal, consiste na seleção de animais de uma
ESTIMAÇÃO DO TAMAHO DE UMA POPULAÇÃO PELO PROCESSO DE CAPTURA-RECAPTURA COM UM ÚICO ESTÁGIO DE MARCAÇÃO Gilson Yuuji SHIMIZU 1 José Galvão LEITE 2 elson Ithiro TAAKA 1 RESUMO: Consideramos o problema da
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 maisDisciplina: BI63 B ECOSSISTEMAS
Curso de Graduação em Engenharia Ambiental Disciplina: BI63 B ECOSSISTEMAS Profa. Patrícia C. Lobo Faria http://paginapessoal.utfpr.edu.br/patricialobo Conteúdo da aula: Obtenção de dados sobre populações
Leia maisModelos bayesianos estáticos globais na construção de tábuas de mortalidade para a macrorregião do sul de Minas Gerais
UNIVERSIDADE FEDERAL DE ALFENAS LARISSA DE ALCÂNTARA MONTEIRO Modelos bayesianos estáticos globais na construção de tábuas de mortalidade para a macrorregião do sul de Minas Gerais Varginha-MG 2016 RESUMO
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 maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisUm teste bayesiano para o coeficiente de correlação intraclasse. Julio M Singer
Um teste bayesiano para o coeficiente de correlação intraclasse Julio M Singer em colaboração com González-López, V.A., Tanaka, N.I. e Lima, A.C.P. Departamento de Estatística Universidade de São Paulo
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 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 maisNo início podemos propor uma discussão com os alunos para iniciar o tema o professor verá que muitas ideias aparecerão.
Atividade 1 Estimação Em Estatística há alguns procedimentos que permitem estimar o tamanho de populações. Por exemplo: quantos peixes há na Represa do Jundiá? Ou em outra represa de Jaguaré? Já no século
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisIntrodução a Métodos de Estimativas Populacionais
Instituto de Pesquisas Ecológicas Introdução a Métodos de Estimativas Populacionais Instrutor: Marcos Vinícius Carneiro Vital Universidade Federal de Alagoas http://marcosvital.wordpress.com/ Por onde
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 maisAtividade 1 Estimação
Atividade 1 Estimação Em Estatística há alguns procedimentos que permitem estimar o tamanho de populações. Por exemplo: quantos peixes há no Lagoa Rodrigo de Freitas, no Rio de Janeiro? Ou no Dique do
Leia maisO uso das distribuições Poisson e Gama na estimação do tamanho populacional animal via modelo Bayesiano
Artigo Revista Científica da UFPA, V. 7, Nº 01, 2009 O uso das distribuições Poisson e Gama na estimação do tamanho populacional animal via modelo Bayesiano Marcelo de Paula 1 Gutemberg Oliveira de Almeida
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 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 maisANÁLISE ESTATÍSTICA DE DADOS COMPOSICIONAIS LONGITUDINAIS
ANÁLISE ESTATÍSTICA DE DADOS COMPOSICIONAIS LONGITUDINAIS Taciana Kisaki Oliveira SHIMIZU 1 Jorge Alberto ACHCAR 2 Mário Hissamitsu TARUMOTO 1 RESUMO: Neste artigo, introduzimos uma análise Bayesiana para
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 maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisEstatística Inferencial
statística Inferencial A ou inferencial compreende a stimação e o Teste de hipótese. Na verdade, a estatística inferencial forma a base das atividades de controle da qualidade e também pode auxiliar na
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 maisLaboratório Nº 5. A geoestatística permite descrever a continuidade espacial, a qual é uma característica
Laboratório Nº 5 INTRODUÇAO A geoestatística permite descrever a continuidade espacial, a qual é uma característica essencial de muitos fenómenos naturais. Modelos inferenciais para este objetivo vêm sendo
Leia maisAula 17. Aula de hoje. Aula passada. Problemas Monte Carlo na moda Caminho trilhado Desafios à frente Avaliação
Aula 17 Aula passada Otimização Caixeiro viajante Hill Climbing Distribuição de Boltzman Simulated Annealing De volta ao caixeiro Aula de hoje Problemas Monte Carlo na moda Caminho trilhado Desafios à
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisProfa. Lidia Rodella UFPE-CAA
Profa. Lidia Rodella UFPE-CAA O que é estatística? É conjunto de técnicas que permite, de forma sistemática, coletar, organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
Leia maisMÉTODOS DE ESTIMAÇÃO PARA RISCOS COMPETITIVOS
UNIVERSIDADE FEDERAL DE SÃO CARLOS- DEPARTAMENTO DE ESTATÍSTICA MÉTODOS DE ESTIMAÇÃO PARA RISCOS COMPETITIVOS Agatha S. Rodrigues UFSCar - DEs UNIVERSIDADE FEDERAL DE SÃO CARLOS- DEPARTAMENTO DE ESTATÍSTICA
Leia maisNovembro/2018. Ajuste Automático ao Histórico em Simulação de Reservatórios
Ajuste Automático ao Histórico Simulação de Reservatórios Flavio Dickstein Paulo Goldfeld Renan V. Pinto IM/UFRJ IM/UFRJ LabMAPetro/UFRJ Novembro/2018 Simulação sob incerteza (i) O reservatório é inacessível
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
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 maisA Importância do Desenho Amostral. Donald Pianto Departamento de Estatística UnB
A Importância do Desenho Amostral Donald Pianto Departamento de Estatística UnB Objetivo dessa aula Explicar os tipos básicos de amostragem e a razão pelo uso de cada um Contemplar o uso simultaneo de
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 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 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 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 maisEstimação de Modelos SEIR Estocásticos com Dados Incompletos
Estimação de Modelos SEIR Estocásticos com Dados Incompletos Autor: Márcio Augusto Diniz - IMECC/UNICAMP Co-autores: Jorge Alberto Achcar - FMRP/USP, Luiz Koodi Hotta - IMECC/UNICAMP Introdução A modelagem
Leia maisMODELO POISSON ZERO INFLACIONADO APLICADO AO NÚMERO DE DEFEITOS EM VEÍCULOS
MODELO POISSON ZERO INFLACIONADO APLICADO AO NÚMERO DE DEFEITOS EM VEÍCULOS Professora Deise Deolindo Silva deisedeolindo@hotmail.com Estatística Resumo Este trabalho teve como objetivo aplicar o modelo
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 maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
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 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 maisAula 01 Planejamento de uma Pesquisa
Aula 01 Planejamento de uma Pesquisa Stela Adami Vayego - DEST/UFPR 1 Etapas usuais de uma pesquisa empírica Tema, definição do problema, objetivos,... Planejamento da pesquisa Metolo- -logia estatística
Leia maisCOMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA
COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA Felipe Matheus Gonçalves Costa (1); Divanilda Maia Esteves (2) 1 Universidade Estadual da Paraíba; felipematheusem@hotmail.com.br 2 Universidade
Leia maisUniversidade de Brasília Instituto de Ciências Exatas Departamento de Estatística. Estágio supervisionado 2
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Estágio supervisionado 2 Inferência Bayesiana na análise de dados de experimentos planejados por Rafael Moraes Gazzinelli
Leia maisCapítulo 4. Métodos Aproximados. 4.1 Computação Bayesiana. 4.2 Uma Palavra de Cautela
Capítulo 4 Métodos Aproximados 4.1 Computação Bayesiana Existem várias formas de resumir a informação descrita na distribuição a posteriori. Esta etapa frequentemente envolve a avaliação de probabilidades
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 maisBOOTSTRAP. - APLICAÇÃO DO MB: podem ser aplicados quando existe, ou não, um modelo probabilístico bem definido para os dados.
OOTSTRAP INTRODUÇÃO - IDEIA ÁSICA: reamostrar de um conjunto de dados, diretamente ou via um modelo ajustado, a fim de criar replicas dos dados, a partir das quais podemos avaliar a variabilidade de quantidades
Leia maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
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 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 maisEstimador: combinação dos elementos da amostra, construída com a finalidade de representar, ou estimar, um parâmetro de interesse na população.
Objetivo: tirar conclusões sobre uma população com base na informação de uma amostra. estimação testes de hipóteses Parâmetro metro: quantidades desconhecidas da população e sobre as quais temos interesse.
Leia maisDepartamento de Engenharia Mecânica e Energia, IPRJ, UERJ, Nova Friburgo RJ
Trabalho apresentado no III CMAC - SE, Vitória-ES, 21. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estimação de parâmetros cinéticos do modelo de transferência de
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 maisIntervalos de confiança
Intervalos de confiança Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Estimação dos Parâmetros Estimação é o nome técnico para o processo que consiste em
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisAn adaptive Metropolis algorithm
An adaptive Metropolis algorithm 4 de outubro de 2018 Autores: Heikki Haario, Eero Saksman and Johanna Tamminen Apresentação: Luiza Sette C. Piancastelli, Thaís Pacheco Menezes Disciplina: Métodos Computacionais
Leia maisAula 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 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 maisESTIMAÇÃO DE MEDIDAS DE DESEMPENHO DE TESTES DIAGNÓSTICOS VIA INFERÊNCIA BAYESIANA
Universidade Federal de Uberlândia Faculdade de Matemática Curso de Estatística ESTIMAÇÃO DE MEDIDAS DE DESEMPENHO DE TESTES DIAGNÓSTICOS VIA INFERÊNCIA BAYESIANA Luana Amâncio Terra Uberlândia - MG Dezembro,
Leia maisTeste Inferencial para Análise Fatorial
5 Teste Inferencial para Análise Fatorial Ao interpretar fatores, é preciso tomar a decisão sobre quais cargas fatoriais valem à pena considerar. A discussão a seguir detalha formalmente questões relativas
Leia maisAbordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais. Resumo
Abordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais Max Sousa de Lima 1 Luiz Henrique Duczmal 2 Resumo Nesta trabalho, nós desenvolvemos um método Bayesiano para modelagem, detecção
Leia maisESTATÍSTICA ECONÔMICA A 6EMA
6EMA020-2000 Lucas Santana da Cunha email: lscunha@uel.br Universidade Estadual de Londrina 13 de abril de 2016 CRONOGRAMA 1 o BIMESTRE: MÓDULO I - Estatística Descritiva Noções Básicas em estatística:
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisModelos Multiparamêtricos via pacote LearnBayes e software R
Modelos Multiparamêtricos via pacote LearnBayes e software R Renato Santos da Silva Márcia D Elia Branco Universidade de São Paulo - USP Instituto de Matemática e Estatística - IME 4 de Abril de 2019 1
Leia maisModelos de redes sociais para dados de Migração
Modelos de redes sociais para dados de Migração Gustavo da Silva Ferreira 20/Outubro/2016 Redes Sociais Uma rede social se estrutura por um conjunto de atores ounós (pessoas, objetos, locais ou eventos)
Leia maisCOKRIGAGEM. Aplicação da cokrigagem
COKRIGAGEM Procedimento geoestatístico segundo o qual diversas variáveis regionalizadas podem ser estimadas em conjunto, com base na correlação espacial entre si. É uma extensão multivariada do método
Leia maisModelagem e Análise de Sistemas de Computação Aula 20
Modelagem e Análise de Sistemas de Computação Aula 20 Aula passada Lei dos grandes números Calculando integrais Gerando outras distribuições Método da transformada inversa Aula de hoje Simulando uma fila
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia mais