1 de janeiro de UFRPE e UFPE. Curso de Teoria Assintótica. Gauss Cordeiro. Roteiro. Expansões de Laplace
|
|
- Mario Gentil
- 5 Há anos
- Visualizações:
Transcrição
1 s UFRPE e UFPE 1 de janeiro de 2008
2 1 s 2 s 3 4 5
3 s A transformada é definida z grande por L(z) = 0 e zy f (y)dy. A função geratriz de momentos M(t) da distribuição com função densidade f (y) sobre os reais não-negativos é dada por M(t) = L( t). Para funções f (y) bem comportadas, a forma de L(z) z grande é determinada pelos valores de f (y) próximos a y = 0. Expandindo f (y) em série de Taylor vem e, então, L(z) = f (y) = r 0 e zy ( r f (r) (0) yr r! ) f (r) (0) yr dy r!
4 s ou L(z) = r f (r) (0) r! 0 e zy y r dy. Como a integral acima iguala r!/z r+1, obtém-se L(z) = r f (r) (0) z r+1 = f (0) + f (0) z z 2 + (1) Como um simples exemplo considere a determinação da expansão da integral da normal z grande Φ(z) = 1 z φ(y)dy. Por simples mudança de variáveis vem Φ(z) = 1 φ(z) 0 e zt e t2 /2 dt.
5 s Fazendo f (t) = e t2 /2 e calculando a expansão da integral acima usando (1), tem-se Φ(z) = 1 φ(z) { 1 1 z z z 4 7 } 2z (2) Considere agora que a integral a ser avaliada z tem a forma w(z) = b a e z r(y) f (y) dy. (3) Suponha,inicialmente, que r(y) é minimizada em ỹ (a, b) e que r (ỹ) = 0, r (ỹ) > 0 e f (ỹ) 0.
6 s Tem-se, w(z) = b a exp{ z r z(y ỹ) 2 r /2 }f (y)dy com a convenção r = r(ỹ), r = r (ỹ), f = f (ỹ), etc. Ainda, w(z) = e z r 2π z r + { f + (y ỹ) f +... }φ(ỹ, 1 z r )dy, em que φ(µ, σ 2 ) representa a função densidade da distribuição normal N(µ, σ 2 ).
7 s Com alguma álgebra, demonstra-se (Barndorff-Nielsen e Cox, 1990, Seção 3.3) que w(z) pode ser escrito até ordem O(z 1 ) como w(z) = e z r 2π z r { ( f + 1 f z 2 r r(3) f r(4) f 2 r 2 8 r 2 + 5( r(3) ) 2 f 24 r 3 (4) No caso de r(y) ser minimizada em ỹ = a (ou b) e r (ỹ) sendo não nulo, obtém-se { } f w(z) = e z r z r + O(z 2 ). )}
8 s Para dar um exemplo, seja o cálculo da função gama Γ(z + 1) = 0 x z e x dx z grande. Com a mudança de variável y = x/z vem Γ(z + 1) = z z+1 exp(z log y zy)dy que é exatamente da forma (3) com f (y) = 1 e r(y) = log y + y. Logo, tem-se 0 ỹ = 1, r = 1, r = 0, r = 1, r (3) = 2 e r (4) = 6. Substituindo esses valores em (4) vem Γ(z + 1) = { 2πz z+1/2 e z } 12z + O(z 2 ), (5) que é a expansão de Stirling. A aproximação (5) é boa z 1, 5.
9 s Algumas vezes é mais fácil aproximar as variáveis aleatórias de interesse diretamente do que obter aproximações através de suas funções de distribuição. Sejam X 0, X 1 e X 2 variáveis aleatórias contínuas com funções densidade marginais não dependentes de n e tendo suporte nos reais. Considere a seqûencia de variáveis aleatórias Y n definida quando n por Y n = X 0 + n 1/2 X 1 + n 1 X 2 + O p (n 3/2 ). (6) Calcula-se F n (y) = P(Y n y) até ordem n 1 em termos das funções de distribuição F 0 (y) = P(X 0 y) e densidade f 0 (y) = df 0(y) dy de X 0 e de certos valores esperados de X 1 e X 2 condicionados a X 0 = y (Teorema de Cox e Reid, 1987).
10 s A função de distribuição F n (y), supondo certas condições gerais, é dada até ordem O(n 1 ) por F n (y) = F 0 (y){1 + n 1/2 a 1 (y) + n 1 a 2 (y)}, (7) em que as funções a 1 (y) e a 2 (y) são determinadas a partir das equações e F 0 (y)a 1 (y) = E(X 1 X 0 = y) f 0 (y), (8) F 0 (y)a 2 (y) = E(X 2 X 0 = y) f 0 (y)+ 1 2 y {E(X 1 2 X 0 = y)f 0 (y)}. (9)
11 s Como ilustração da aplicabilidade do teorema de Cox e Reid mostra-se como obter a expansão de Edgeworth a função de distribuição de Y n a partir da sua expansão de Cornish-Fisher. Assim, a expansão estocástica assintótica de Y n até ordem O(n 1 ) é dada por Y n = Z + ρ 3 6 n (Z2 1) ρ2 3 36n (2Z3 5Z) + ρ 4 24n (Z3 3Z) com Z N(0, 1). Identificando X 0 = Z, f 0 (y) = φ(y), X 1 = ρ 3 (Z 2 1)/6 e X 2 = ρ 2 3(2Z 3 5Z)/36+ρ 4 (Z 3 3Z)/24, vem E(X 1 Z = y) = ρ 3 (y 2 1)/6, E(X 2 Z = y) = ρ 2 3 (2y3 5y)/36 + ρ 4 (y 3 3y)/24, E(X 2 1 UZ = y) = ρ2 3 (y2 1) 2 /36
12 s e y {ρ2 3(y 2 1) 2 φ(y)/36} = ρ 2 3(y 5 6y 3 + 5y)φ(y)/36. Logo, de (8) e (9) obtém-se e ou F 0 (y)a 1 (y) = ρ 3 (y 2 1)φ(y)/6 F 0 (y)a 2 (y) = { ρ 4 (y 3 3y)/24 + ρ 2 3(2y 3 5y)/36}φ(y) ρ 2 3(y 5 6y 3 + 5y)φ(y)/72 F 0 (y)a 2 (y) = ρ 4 H 3 (y)φ(y)/24 ρ 2 3H 5 (y)φ(y)/72. Finalmente, substituindo-se em (7) chega-se à expansão de Edgeworth a distribuição de Y n.
13 s Como um outro exemplo, suponha uma variável aleatória qui-quadrado padronizada Y n = (χ 2 n n)/ 2n cujos terceiro e quarto cumulantes são ρ 3 = 2 2 e ρ 4 = 12. Mostra-se aqui como se obtém a inversão de Cornish-Fisher Y n a partir da expansão de Edgeworth a sua função de distribuição até O(n 1 ) dada por { } 2 F n (y) = Φ(y) φ(y) 3 n H 2(y) + 1 2n H 3(y) + 1 9n H 5(y). Define-se X 0 = Z N(0, 1) e, então, f 0 (y) = φ(y). Consideram-se X 1 e X 2 como funções dependentes apenas de Z, X 1 = ρ 1 (Z) e X 2 = ρ 2 (Z), a serem determinadas.
14 s Comndo os termos de ordem O(n 1/2 ) da expansão acima e àqueles de (7)e (8), obtém-se 2 φ(y) 3 H 2(y) = E{ρ 1 (Z) Z = y}φ(y) = ρ 1 (y)φ(y). Logo, X 1 = 2 3 (Z2 1). Analogamente, comndo os termos de ordem O(n 1 ), obtém-se Assim, φ(y){ 1 2 H 3(y) H 5(y)} = E{X 2 Z = y}φ(y) y {2 9 (y2 1) 2 φ(y)} = ρ 2 (y)φ(y) { (y2 1) 2 y + 4y(y 2 1)}φ(y) ρ 2 (y) = 1 2 {H 3(y) H 5(y)} { (y2 1) 2 y + 4y(y 2 1)}
15 s que pela substituição dos polinômios de Hermite reduz-se a ρ 2 (y) = 1 18 (y3 7y). Finalmente, X 2 = 1 18 (Z3 7Z) e a fórmula (7) implica 2 Y = Z + 3 n (Z2 1) n (Z3 7Z). Este resultado é idêntico àquele obtido usando diretamente a fórmula da inversão de Cornish-Fisher.
16 s Seja Y uma variável aleatória cuja função geratriz de cumulantes K(t) é conhecida. A aproximação ponto de sela a função densidade f Y (y) de Y é obtida como 1 f Y (y) = exp{k(ˆθ) ˆθy}, (10) 2πK (ˆθ) em que ˆθ é determinado por K (ˆθ) = y. A função geratriz de cumulantes aparece naturalmente nos modelos exponenciais unimétricos dados por f Y (y; θ) = exp{θy b(θ) + h(y)}, (11) sendo trivialmente obtida como K(t) = b(θ + t) b(θ).
17 s A log-verossimilhança θ dado y é l(θ; y) = θy b(θ) mais uma constante arbitrária que não depende de θ. Assim, a aproximação ponto de sela (10) o modelo exponencial (11) pode ser escrita como 1 f Y (y; θ) = exp{l(θ; y) l(ˆθ; y)}, (12) 2πJ(ˆθ) em que ˆθ = ˆθ(y) é a EMV de θ decorrente da equação K (ˆθ) = b (ˆθ) = y e J(ˆθ) = d2 l(θ; y) dθ 2 θ=ˆθ é a informação observada avaliada em ˆθ.
18 s A aproximação (12) pode agora ser transformada obter a aproximação correspondente da função densidade de ˆθ, implicando 1 fˆθ (θ; y) = J(ˆθ) 1/2 exp{l(θ; y) l(ˆθ; y)}. (13) 2π A equação (13) pode ser generalizada o modelo exponencial de ordem p, substituindo 2π por (2π) p/2 e J(ˆθ) pelo determinante da matriz de informação observada em ˆθ, isto é, J(ˆθ), resultando em fˆθ (y; θ) =(2π) p/2 J(ˆθ) 1/2 exp{l(θ; y) l(ˆθ; y)}. (14) A equação (14) é conhecida como aproximação de Barndorff-Nielsen a função densidade de ˆθ.
19 s Suponha que n observações iid sejam obtidas da distribuição exponencial com média µ. A log-verossimilhança µ é dada por l(µ; y) = n log µ nˆµ/µ, em que ˆµ = y e J(µ) = n/µ 2 é a informação observada µ. A aproximação a função densidade de ˆµ segue de (13) como ( ) ˆµ n 1 fˆµ (µ; y) =Γ(n) 1 1 e nˆµ/µ, (15) µ µ em que Γ(n) = (2π) 1/2 n n 0,5 e n é a aproximação de Stirling Γ(n). Em especial, pode-se demonstrar que normalizando (15) obtém-se a função densidade exata de ˆµ. Se o parâmetro ρ = µ 1 é usado especificar a distribuição exponencial, tem-se ˆρ = y 1 e, com uma simples mudança de notação, vem l(ρ; y) = n log ρ nρ/ˆρ e J(ρ) = n/ρ 2. Assim, a aproximação (13) a função densidade de ˆρ fica de acordo com (15), ilustrando a propriedade de invariância.
20 s Considere a distribuição iana inversa com parâmetros θ > 0 e α > 0, supondo α conhecido, cuja função densidade é dada por { θ f Y (y; α, θ) = 2π e αθ y 3/2 exp 1 ( )} θ 2 y + αy. Considere uma amostra de n observações iid desta distribuicão. Demonstra-se, usando (13), que a função densidade de ˆθ é dada por fˆθ (θ; y, α) = ˆθ n 2 1 (1 + αˆθ/2) 1/2 exp[ n αˆθ n ( θˆθ) (1 + αˆθ)], 2 2 em que ˆθ = 4{(α + 4n 1 Σy 1 i ) 1/2 α} 2.
21 s Considere a função densidade da gama com parâmetros µ (média) e ν (índice) desconhecidos. Tem-se ( ) ν ν f Y (y; µ, ν) = y ν 1 e νy/µ /Γ(ν). µ Considere n observações iid desta distribuição. A EMV de θ = (µ, ν) T é deduzida de ˆµ = y e log ˆν ψ(ˆν) = log(y/ỹ), em que y e ỹ são as médias aritmética e geométrica dos dados. Com alguma álgebra, demonstra-se através de (14) que a função densidade fˆθ (µ, ν; y) de ˆθ = (ˆµ, ˆν) T admite a decomposição fˆθ(µ, ν; y) = f 1ˆµ (µ; ν, y)f 2ˆν (ν; y), em que
22 s e f 1ˆµ (µ; ν, y) = ( ) ν nν ˆµ nν 1 exp( nνˆµ/µ) µ f 2ˆν (ν; y) = {Γ(ˆν)Γ(ν)} n {ˆνψ (ˆν) 1} 1/2 exp[n{(ˆν ν)ψ(ˆν) + ˆν ν log ˆν}]. Esta decomposição revela que as EMV ˆµ e ˆν são independentes até a ordem considerada pela aproximação (14). Adicionalmente, a aproximação f 1ˆµ (µ; ν, y) a função densidade de ˆµ é exata após renormalização.
23 s Barndorff-Nielsen e Cox, D.R. (1994). Inference and Asymptotics. Chapman and Hall, London. Barndorff-Nielsen e Cox, D.R. (1989). Asymptotic Techniques for Use in Statistics. Chapman and Hall, London., G.M. (1999). Introdução à teoria assintótica. 22o Colóquio Brasileiro de Matemática, IMPA, , G.M. (1992). Introdução à teoria da verossimilhança. Livro Texto do 9o SINAPE, ABE. Goutis, C. e Casella, G. (1999) Explaining the Saddlepoint Approximation. The American Satistician, 53, n. 3,
24 s Hinkley, D. V., Reid, N. e Snell, E. J. (1990). Statistical Theory and Modelling. In honour of Sir David Cox, FRS. Chapman and Hall. Lugannani, R. e Rice, S. (1980). Saddle Point Approximation for The Distribution of The Sum of Independent Random Variables. Adv. Appl. Prob., 12,
28 de dezembro de 2007
Curso de UFRPE e UFPE 28 de dezembro de 2007 1 2 3 4 5 6 Seja f (y) uma função densidade conhecida, cujos cumulantes são dados por κ 1, κ 2,.... O interesse reside em usar f (y) para aproximar uma função
Leia mais27 de dezembro de 2007
Curso Coriro Laplace Curso Coriro UFRPE e UFPE 27 zembro 2007 Daniels Curso Coriro Laplace Daniels 1 2 Laplace 3 4 Daniels 5 6 Aplicações estatística 7 Referências Curso Coriro Laplace Daniels As expansões
Leia mais26 de dezembro de 2007
Curso de UFRPE e UFPE 26 de dezembro de 2007 1 2 3 4 Seja l(θ) a log-verossimilhança. A esperança e a covariância da função escore são dadas por: e Cov(U) = E respectivamente. ( UT θ E(U) = 0 (1.1) ) (
Leia maisCOMPARAÇÃO DAS EXPANSÕES DE EDGEWORTH, LUGANNANI-RICE, DANIELS E CORDEIRO-FERRARI COM
COMPARAÇÃO DAS EXPANSÕES DE EDGEWORTH, LUGANNANI-RICE, DANIELS E CORDEIRO-FERRARI COM APLICAÇÕES NA ESTATÍSTICA Rejane dos Santos BRITO 1 Gauss Moutinho CORDEIRO 1 RESUMO: Neste artigo revisa-se as expansões
Leia maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
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 maisIntrodu c ao ` a Teoria Assint otica Gauss M. Cordeiro
Introdução à Teoria Assintótica Gauss M. Cordeiro 22 ō Colóquio Brasileiro de Matemática i Prefácio A área de teoria assintótica no País cresceu muito nos últimos anos em termos de produção científica.
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
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 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 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 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 maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
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 maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisREJANE DOS SANTOS BRITO
REJANE DOS SANTOS BRITO ESTUDO DE EXPANSÕES ASSINTÓTICAS, AVALIAÇÃO NUMÉRICA DE MOMENTOS DAS DISTRIBUIÇÕES BETA GENERALIZADAS, APLICAÇÕES EM MODELOS DE REGRESSÃO E ANÁLISE DISCRIMINANTE RECIFE-PE - MAR/2009
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
Leia maisModelo Linear Generalizado Exponencial Potência
Modelo Linear Generalizado Exponencial Potência Cristian Villegas 1 2 1 Introdução Os modelos lineares normais são amplamente aplicados em diversas áreas do conhecimento para modelar a média de dados contínuos
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisDefinições Matemáticas
A matemática pode ser definida como a ciência na qual não se sabe jamais sobre o que fala nem se o que se diz é verdade. ÖØÖ Ò ÊÙ Ð ½ ¾¼ A Definições Matemáticas Conceitos e definições matemáticas que
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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Qui-quadrado 02/14 1 / 1 Definição 14.1: Uma variável aleatória contínua X tem
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisDistribuição Normal. Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade for dada por:
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisMétodos Numéricos em Equações Diferenciais Aula 02 - Método de Euler
Métodos Numéricos em Equações Diferenciais Aula 02 - Método de Euler Profa. Vanessa Rolnik curso: Matemática Aplicada a Negócios Introdução Método de Diferenças: { w0 = α w i+1 = w i + h φ(t i, w i ),
Leia maisMINI - CURSO. LEG: Laboratório de Estatística e Geoinformação/UFPR. Métodos computacionais e inferência estatística. Equipe LEG :
MINI - CURSO Métodos computacionais e inferência estatística LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani Elias
Leia maisANÁLISE MATEMÁTICA III TESTE 2-9 DE JUNHO DE apresente e justifique todos os cálculos duração: hora e meia (19:00-20:30)
Instituto uperior Técnico Departamento de Matemática ecção de Álgebra e Análise ANÁLIE MATEMÁTICA III TETE - VERÃO A 9 DE JUNHO DE apresente e justifique todos os cálculos duração: hora e meia (9: - :3
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisInfluência Local Gilberto A. Paula
Influência Local p. 1/18 Influência Local Gilberto A. Paula Instituto de Matemática e Estatística Universidade de São Paulo e-mail:giapaula@ime.usp.br Influência Local p. 2/18 Preliminares O método de
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 maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
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 maisEXAMES DE ANÁLISE MATEMÁTICA III
EXAMES DE ANÁLISE MATEMÁTICA III Jaime E. Villate Faculdade de Engenharia Universidade do Porto 22 de Fevereiro de 1999 Resumo Estes são alguns dos exames e testes da disciplina de Análise Matemática III,
Leia maisInferências sobre o vetor de Média. (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da
Inferências sobre o vetor de Média (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da distribuição N(µ, σ 2 ), em que ambos os parâmetros de
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisPE-MEEC 1S 09/ Capítulo 7 - Estimação por intervalos. 7.2 Intervalos de. confiança para. média de uma. normal 7.
Capítulo 7 - Estimação por intervalos 7.1 Noções básicas 7.2 Intervalos de confiança para a média de uma população normal 7.3 Intervalos de confiança para a diferença de duas médias de populações normais
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisCálculo Diferencial e Integral II Resolução do Exame/Teste de Recuperação 02 de Julho de 2018, 15:00h - versão 2 Duração: Exame (3h), Teste (1h30)
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral II do Exame/Teste de Recuperação 2 de Julho de 218, 15:h - versão 2 Duração: Exame (3h),
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 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 maisEstimador de Máxima Verossimilhança - Motivação
Estimador de Máxima Verossimilhança - Motivação Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Estimador de Máxima Verossimilhança - Motivação 2013 1 / 35 Origem O método
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
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 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 maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisInferência 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 mais6. Amostragem e estimação pontual
6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um
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 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 mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
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 maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
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 maisDistribuições de probabilidade
Distribuições de probabilidade Distribuições contínuas Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT)
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS. Apresente e justifique todos os cálculos
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise ANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS TESTES DE RECUPERAÇÃO A - 6 DE JUNHO DE 9 - DAS H ÀS :3H Teste Apresente e justifique
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 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 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 maisPROCESSOS ESTOCÁSTICOS E APLICAÇÕES
PROCESSOS ESTOCÁSTICOS E APLICAÇÕES JOSÉ PEDRO GAIVÃO Conteúdo 1. Noções Gerais 2 1.1. Relembrar de teoria de probabilidades 2 1.2. Processos estocásticos 3 2. Esperança Condicional 5 2.1. Esperança condicional
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisMedida de Risco via Teoria de Valores Extremos. Análise de Risco (8) R.Vicente
Medida de Risco via Teoria de Valores Extremos Análise de Risco (8) R.Vicente 1 Resumo EVT: Idéia geral Medidas de risco Teoria de Valores Extremos (EVT) Distribuição de Máximos Distribuição de Exceedances
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisProbabilidade Lista 6 - Variáveis Aleatórias Contínuas e Vetores Aleatórios
Probabilidade Lista - Variáveis Aleatórias Contínuas e Vetores Aleatórios Exercício. Uma v.a. X tem distribuição triangular no intervalo [0, ] se sua densidade for dada por 0, x < 0 cx, 0 x /2 c( x), /2
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 maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
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 maisMétodos para geração de variáveis aleatórias
Métodos para geração de variáveis aleatórias Cristiano de Carvalho Santos cristcarvalhosan@gmail.com Departamento de Estatística, Universidade Federal de Minas Gerais (UFMG) Introdução Por que é necessário
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br http://www.lce.esalq.usp.br/arquivos/aulas/2014/lce0216/ 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
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 maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisg(s, X n s )ds + t f (s, X s ) 2 ds <, P-q.s. t f (s, X s )db s, t 0.
CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 88 2. Quais são as propriedades destas soluções? 3. Como podemos resolver uma dada equação? O método usual para provar a existência de uma solução da equação diferencial
Leia maisx 2 (2 x) 2 + z 2 = 1 4x + z 2 = 5 x = 5 z2 4 Como y = 2 x, vem que y = 3+z2
Turma A Questão 1: (a Calcule Instituto de Matemática e Estatística da USP MAT55 - Cálculo Diferencial e Integral III para Engenharia a. Prova - 1o. Semestre 15-19/5/15 e z dx + xz dy + zy dz sendo a curva
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 maisM. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57. + w y. f X,Y (x,y)dxdy (4.24) w y
M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57 Assim, e usando a Eq. (4.17), F W (w) = F W (w) = + w y + x= f X,Y (x,y)dxdy (4.24) w y f Y (y)dy f X (x)dx (4.25) x= Diferenciando
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
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 maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia maisUniversidade Federal do Rio de Janeiro. Centro de Ciências Matemáticas e da Natureza. Instituto de Matemática. Departamento de Estatística
Universidade Federal do Rio de Janeiro Centro de Ciências Matemáticas e da Natureza Instituto de Matemática Departamento de Estatística Uma Revisão da Análise de Variância Multivariada com Aplicações em
Leia mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Leia maisProbabilidade, distribuição normal e uso de tabelas padronizadas
Probabilidade, distribuição normal e uso de tabelas padronizadas Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais O que é probabilidade? Número de 0 até 1 que expressa a tendência de
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
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 maisApostila - Inferência baseada na Verossimilhança
Apostila - Inferência baseada na Verossimilhança Professor: Wagner Hugo Bonat - LEG/UFPR 1 Introdução Este texto se refere a inferência estatística baseada na função de Verossimilhança. Pretende ser um
Leia maisDCC008 - Cálculo Numérico
DCC008 - Cálculo Numérico Polinômios de Taylor Bernardo Martins Rocha Departamento de Ciência da Computação Universidade Federal de Juiz de Fora bernardomartinsrocha@ice.ufjf.br Conteúdo Introdução Definição
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 maisResolução do Exame Tipo
Departamento de Matemática e Engenharias Análise e Computação Numérica Resolução do Exame Tipo 1. O computador IBM 3090 possuía um sistema de vírgula flutuante F F(16, 5, 65, 62) (em precisão simples),
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
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 mais