Estimação Bayesiana em Modelo de Regressão Logística Dicotômica
|
|
- Ana Júlia Pinhal
- 4 Há anos
- Visualizações:
Transcrição
1 Estimação Bayesiana em Modelo de Regressão Logística Dicotômica Pedro Silvestre da Silva Campos, Maria Regina Madruga, Programa de Pós-Graduação em Matemática e Estátística, CCEN, UFPA , Campus Guamá, Belém, PA madruga@ufpa.br, psscam@yahoo.com.br, ntrodução Modelos de Regressão Logística são úteis em situações em que se deseja estimar a proporção de uma determinada característica ou resultado baseado em valores de um conjunto de variáveis preditoras. É semelhante ao modelo de Regressão Linear, mas a variável dependente é qualitativa dicotômicas ou policotômicas nominais ou ordinais, ou seja, estes modelos servem para modelar respostas categorizadas Chen et al.[999]. A resposta da função Logística, assim como outras funções de resposta, é usada para descrever a natureza da relação entre a resposta média e um ou mais variáveis preditoras Neter et al.[996]. Neste trabalho os parâmetros dos modelos de Regressão Logística Dicotômica serão estimados a partir do algoritmo proposto por Groenewald e Mokgatlhe [2005] que ajustam modelos de Regressão Logística fazendo uso de metodologia Bayesiana. A proposta de Groenewald e Mokgatlhe [2005] está baseada no trabalho de Albert e Chib [993] que utiliza variáveis latentes com distribção normal no processo de estimação dos parâmetros de um modelo probit no modelo de Regressão Probit a função de ligação é a função acumulada da distribção normal. Sendo que Groenewald e Mokgatlhe [2005] utilizaram variáveis latentes com distribção uniforme e a função de ligação é a Logística. A seleção do modelo será feita com o uso do Fator de Bayes Kass e Raftery[995], o BC Bayesian nformation Criterion, Critério de nformação Bayesiano Paulino et al.[2003] e com o procedimento apresentado por Pereira e Stern [999]. O Fator de Bayes seleciona o melhor modelo comparando as probabilidades a posteriori Kasse e Raftery[995], Berger e Pericchi[997], Paulino et al.[2003], o BC faz a comparação entre as verossimilhanças a posteriori levando em consideração a complexidade do modelo no critério de seleção e a proposta de Pereira e Stern[999] é um procedimento para testar hipóteses paramétricas, que se baseia no cálculo da probabilidade da Região HPD Highest Posteriori Density tangente ao conjunto que define a hipótese nula. A Evidência Bayesiana em favor da hipótese nula é o complementar da probabilidade da Região HPDPereira e Stern[999], Madruga[200]. 2 Estimação Bayesiana Albert e Chib[993] introduziram uma simulação baseada na aproximação do cálculo da distribção à posteriori exata do vetor de parâmetros β do modelo de Regressão Logística, a função de ligação usada neste trabalho é a probit. Esta aproximação é baseada no data augumentationtanner e Wong[987] usando variável latente normalmente distribda. A proposta de Albert e Chib[993] utiliza um modelo probit binário, tal que a variável observada Y é associada à uma variável latente z como sendo z i = { zi < 0,se y i = 0 z i > 0,se y i = e eles mostram que z i β, σ 2 tem distribçao normal truncada.a técnica de Groenewald e Mokgatlhe[2005] está baseada na proposta de aproximação da distribção à posteriori de Albert e Chib [993] para o data augumentation usando como função de ligação a
2 logit e variável latente uniforme para implementação do Amostrador de Gibbs Geman e Geman[984]; Gelfand e Smith[990]. O Amostrador de Gibbs é um método de amostragem iterativo de uma cadeia de Markov, cuja transição de um estado a outro é feita a partir das distribções condicionais completas a partir de um vetor de parâmetros θ à posteriori, define-se a condicional completa de um sub-vetor paramétrico genérico θ como a distribção deste, dado todos os outros parâmetros e os dados, que será denotado por p θ i θ θi, Y. A atualização feita pelo amostrador de Gibbs Geman e Geman, [984]; Gelfand e Smith [990] é um caso particular do algoritmo de Metropolis-Hastings Paulino et al.[2003]. A implentação do Amostrador de Gibbs deve obedecer aos segntes passos: Passo : θ k p θ θ k 2, θ k Passo 2: θ k 2 p 2 θ 2 θ k, θk Passo 3: θ k 3 p 3 θ 3 θ k, θk 2, Y 3,..., θ n k 3,..., θ n k, Y,..., θk n, Y..... Passo n: θ n k p n θ n θ k, θk 2,..., θk n., Y Repita os passos, 2, 3,..., n para k =, 2, 3,... A estimação para os modelos logísticos com variáveis dependentes dicotômicas, utilizando a proposta de Groenewald e Mokgatlhe[2005], é feita a segr para o modelo de Regressão Logística Dicotômica. As variáveis dicotômicas podem ser ajustadas ao modelo logístico para estimar a proporção de sucesso dado um conjunto de covariadas, pelo modelo expβx + expβx. Sendo que π i é a distribção acumulada de uma variável aleatória com distribção logística: βx expz + expz 2 dz. A partir desta característica, Groenewald e Mokgatlhe[2005] usaram uma variável aleatória U com distribção Uniforme0, como variável latente, e usando o fato que P U x = x 0 du = x tem-se que βx expz + expz 2 dz = P U < expβx. + expβx Sendo assim, tem-se que a probabilidade de sucesso π i estará relacionada à variável latente U, ao vetor de parâmetros β e às covariáveis X. A distribção conjunta a posteriori de β e u, dado Y, dada por π β, u Y πβlβ,u Y tal que πβ é densidade da distribção a priori de β e Lβ,u y é a função de verossimilhança conjunta de β e u, dado Y. Segundo Groenewald e Mokgatlhe[2005] e Albert e Chib[993] a função de verossimilhança conjunta é dada por Lβ,u Y = n i= + [ u i 0 u i expβx + expβx expβx + expβx y i = y i = 0 tal que X A é a função indicadora, que assume o valor se X A e 0 caso contrário. Escrevendo a função de verossimilhança desta forma nota-se duas condições, descritas a segr: Se y i =, segue que u i expβx 0 < u i < + expβx e tendo 0 < u i < implica que u i terá 0 como expβx limite inferior e como limite inferior, ou + expβx seja, expβx u i β,y Uniforme 0, + expβx que é a distribção da variável latente caso y i =. Fazendo uso do fato que, u i expβx βx > log + exp βx onde βx = p k=0 β kx ik tem-se, β j p log β k X ik. x ij k j ]
3 A desigualdade é garantida quando para todo i tem-se y i = e x ij > 0 ou y i = 0 e x ij < 0. 2 Se Y i = 0 expβx 0 < u i < + expβx e tendo 0 < u i < implica que u i terá expβx como limite inferior e como limite superior, ou + expβx seja, expβx u i β,y Uniforme + expβx ; que é a distribção da variável latente caso y i = 0. Fazendo uso do fato que, expβx βx < log + exp βx onde βx = p k=0 β kx ik tem-se, β j < p log β k X ik. x ij k j A desigualdade é garantida, quando para todo i tem-se y i = 0 e x ij > 0 ou y i = e x ij < 0. Com isso, são gerados dois conjuntos, definidos a segr: e A k = {i : Y i = x ik > 0 Y i = 0 x ik < 0} B k = {i : Y i = 0 x ik > 0 Y i = x ik < 0}. Assumindo a priori πβ, para β, tem-se que para um determinado β k : β k β k, u, y Uniforme a k, b k tal que, a k = max i A k x ik e b k = min i A k x ik log log p β j x ij j k p β j x ij. j k 3 Seleção do Modelo A comparação de modelos serve para a escolha do modelo que melhor descreve o fenômeno em estudo. Assim deve-se considerar todos os possíveis modelos e adotar o mais adequado, levando em consideração os aspectos computacionais, o principio da parcimônia, os resíduos gerados por este modelo e a previsão. Para isso, devemos adotar testes estatísticos e verificar quais parâmetros e variáveis são realmente significativos para o modelo. 3. Fator de Bayes F B ij Definição Sejam duas hipóteses H 0 e H, correspondentes aos modelos, M 0 e M, respectivamente. Dado os dados Y, o Fator de Bayes a favor de H 0 é dado como a razão de chances da posteriori para a priori. F B 0 Y = py M 0 py M onde, py M k = fy θ k, M k hθ k, M k dθ k, k = 0, Θ k é a verossimilhança marginal do modelo M k. 3.2 BC O BC Bayesian nformation Criterion, Critério de nformação Bayesiano, faz a comparação entre as verossimilhanças a posteriori levando em consideração a complexidade do modelo no critério de seleção Paulino et al.[2003]. Definição 2 Sejam duas hipóteses H 0 e H, correspondentes aos modelos, M 0 e M, respectivamente. Dado os dados Y, o BC a favor de M é dado por [ ] supm0 Lθ 0 ; Y, M 0 BC = 2 log sup M Lθ ; Y, M p 0 p log n onde n é o tamanho da amostra e p i, i = 0, é o número de parâmetros de cada modelo. 3.3 FBST Definição 3 Seja πθ x uma densidade posterior de θ, dada a amostra X, e considere o conjunto T X definido no espaço paramétrico Θ, com T x = {θ Θ : πθ x >
4 sup Θ0 πθ x}. A medida de evidência Bayesiana de Pereira-Stern é definida como EV Θ 0 ; x = P θ T x x e um teste procedimento de Pereira-Stern é aceitar H 0 sempre que a EV Θ 0 ; x for grande Logística 4 Resultados 4. Besouros Um conjunto de dados clássico de modelos de dose-resposta encontra-se em Bliss[935] apud Paulino et al.[2003], e baseia-se no comportamento de besouros adultos face a exposição à dissulfereto de carbono CS 2 durante 5 horas. A curva de dose-resposta da mortalidade dos besouros foi formada a partir de 8 dosagens, e os respectivos dados encontram-se na Tabela, onde as três colunas correspondem, respectivamente, ao número de besouros observados n i, ao número de besouros mortos r i e ao log de cada dosagem de CS 2, i =, 2,..., 8. Tabela : Dose-resposta n i r i logdose i 59 6, , , , , , , ,8839 Nesta aplicação não houve a necessidade de ser aplicado o log da dose utilizado em Paulino et al.[2003], sendo utilizado os valores reais das doses, através de uma transformação exponencial da dose, isto é t i = expx i. O modelo ajustado é apresentado a segr: exp 34, , 8586t i + exp 34, , 8586t i. A Figura mostra o gráfico ajustado de doseresposta para os dados de Bliss[935]. 4.2 Empresas Nesta aplicação são usados os dados de Johnson[987], que foram coletados de 2 empresas, aproximadamente dois anos antes de sua Logística Estimada Dados Dose Figura : Proporção de Besouros mortos expostos à CS 2 falência, e de outras 25 empresas que não faliram no mesmo período. As variáveis observadas foram: X fluxo de caixa/total de débitos; X 2 rendimento da empresa/total de patrimônio; X 3 patrimônio atual/total de débito, X 4 patrimônio atual/rendimento das vendas e Y0 se a empresa faliu e se a empresa não faliu. Foi ajustado os modelos possíveis que utilizam as covariadas mais o intercépto. Sendo que a seleção foi feita comparando 4 modelos frente ao modelo completo. Os valores de F B ij, BC e F BST estão dispostos na Tabela 2. Tabela 2: Seleção do Modelo Modelos 2 logf B ij BC F BST X 276, ,4797 0,968 X 2 324, ,0925,0000 X 3 42,69-289,4703,0000 X 4 352, , 629, 0000 X, X 2 293,994-5,2650,0000 X, X 3 0,98-36,46 0,9992 X, X 4 270, ,5080,0000 X 2, X 3 40, ,9557,0000 X 2, X 4 33,7228 -,8205,0000 X 3, X 4 27,794-3,7049,0000 X, X 2, X 3 38, ,904 0,8884 X, X 2, X 4 295, ,55,0000 X, X 3, X 4 50, ,546 0,862 X 2, X 3, X 4 87, ,54 0,9938 X, X 2, X 3, X ,4867 -
5 Referências [] Albert, J. H; Chib, S. Bayesian analysis of binary and polychotomous response data.journal of the American Statistical Association, 993, 88, [2] Berger, J. O.; Pericchi, L. R. Objective Bayesian Methods for Models Selection: introduction and comparison. Cagliari: workshop Bayesian Model Selection, 997. [0] Neter, J.; Kutner, M. H.; Nachtsheim, C. J; Wasserman, W. Applied Linear Statistical Models, 4ed. : McGraw-Hill, 996. [] Paulino, C. D.; Turkman, M. A. A.; Murteira, B. Estatística Bayesiana. Lisboa: Fundação Calouste Gulbenkian, [3] Chen, M.; Dey, D. K.; Shao, Q. A new skewed link model for dichotomous quantal response data. Journal of the American Statistical Association, 999, 94, [4] Gelfand, A. E.; Smith, A. F. M. Sampling- Based Approaches to Calculating Marginal Densities. Journal of the American Statistical Association, 990, 85, [5] Geman, S.; Geman, D. Stochastic Relaxation, Gibbs Distribtions and the Bayesian Restoration of mages. EEE Transactions on Pattern Analysis and Machine ntelligence, 984, 6, [6] Groenewald, P. C. N; Molkgatlhe, L. Bayesian computation for logistic regression. Computaional Statistics & Data Analysis, 2005, 48, [7] Johnson, W. The detection of influencial observations for allocation, separation and the determination of probabilities in a bayesian framework. Journal of Business and Economic Statistic, 987, 5, 3, [8] Kass, R. E.; Raftery, A. E. Bayes Factor. Journal of the American Statistical Association, 995, 90, [9] Madruga, M. R.; Pereira, C. A. de B.; Gay-Rabelo, M. N. Bayesian dosimetry: radiation dose versus frequencies of cells with aberrations. Envirometrics, 994, 5,
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 AULA 1: Problemas Computacionais em Inferência Estatística.
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 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 maisDeterminação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
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 maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia 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 maisExemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Leia 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 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 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 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 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 maisJorge Alberto ACHCAR 1 Edson Zangiacomi MARTINEZ 2 Eliza OMAI 3 Adriana de Fátima LOURENÇON 2 Gleici Castro PERDONÁ3
ABORDAGEM BAYESIANA EM DADOS BINÁRIOS CORRELACIONADOS: UM ESTUDO LONGITUDINAL DA OCORRÊNCIA DE MENSTRUAÇÃO EM PACIENTES COM SÍNDROME DE OVÁRIOS POLICÍSTICOS APÓS TRATAMENTO Jorge Alberto ACHCAR Edson Zangiacomi
Leia maisAutomatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST
Universidade de Brasília IE Departamento de Estatística Automatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST Lucas Barbosa Cusinato Rodrigues
Leia maisDimensionamento de amostras para regressão logística
Dimensionamento de amostras para regressão logística Arminda Lucia Siqueira 1 Flávia Komatsuzaki 1 Introdução Regressão logística é hoje padrão de análise para muitos estudos da área da saúde cuja variável
Leia maisDissertação de Mestrado
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Dissertação de Mestrado Regressão Ordinal Bayesiana por Leonardo Oliveira Gois Cella Orientador: Prof. o Eduardo Yoshio
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia 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 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 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 maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisExemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2013 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2013 1 / 21 Cupons
Leia maisMárcio Augusto da Cruz Almeida. Uso do FBST no Teste de Homogeneidade em. Misturas Finitas: Caso Normal e Poisson
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA E ESTATÍSTICA Márcio Augusto da Cruz Almeida Uso do FBST no Teste de Homogeneidade em Misturas
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Métodos de Monte Carlo baseados em Cadeias de Markov:
Leia 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 maisExemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
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 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 maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia 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 maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2008
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 maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia 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 maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
INFERÊNCIA BAYESIANA VIA SIMULAÇÃO ESTOCÁSTICA COM IMPLEMENTAÇÃO NO PROGRAMA WINBUGS Néli Maria Costa Mattos, D.C. Instituto Militar de Engenharia (IME) Pça Gen Tibúrcio 80 Urca Rio de Janeiro RJ CEP 22290-270
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 maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisComparando equações de regressão em dados de saúde
Comparando equações de regressão em dados de saúde Terezinha Aparecida Guedes*, Ivan Ludgero Ivanqui e Ana Beatriz Tozzo Martins Departamento de Estatística, Universidade Estadual de Maringá, Av Colombo,
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia 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 maisP.62, Exerc. 1.3: Trocar as posições de tipo AB e tipo O.
ERRATA Segue-se uma lista de correcção de erros de digitação que não inclui os que violam regras de pontuação. Os nossos agradecimentos a todos aqueles que nos comunicaram os erros que foram detectando
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO PRÓ REITORIA DE GRADUAÇÃO. Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA
PROGRAMA DE DISCIPLINA Disciplina: PROCESSOS ESTOCÁSTICOS Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal Teórica Prática
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO EMENTA E CONTEÚDO PROGRAMÁTICO Carga horária Código Denominação Créditos ( ) Teórica Prática Total GEX112 Estatística 04
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 maisDimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações
Dimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações Introdução Arminda Lucia Siqueira Dimensionamento de amostras, importante elemento
Leia maisDeteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica
Deteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica Luiz Koodi Hotta Anderson Carlos O. Motta Departamento de Estatística IMECC - UNICAMP hotta@ime.unicamp.br I Workshop de
Leia maisUNIVERSIDADE LUSÍADA DE LISBOA. Programa da Unidade Curricular PROBABILIDADES E ESTATÍSTICA Ano Lectivo 2013/2014
Programa da Unidade Curricular PROBABILIDADES E ESTATÍSTICA Ano Lectivo 2013/2014 1. Unidade Orgânica Ciências da Economia e da Empresa (1º Ciclo) 2. Curso Engenharia Informática 3. Ciclo de Estudos 1º
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 maisUniversidade de Brasília Instituto de Ciências Exatas Departamento de Estatística. Dissertação de Mestrado
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Dissertação de Mestrado Estimação bayesiana via cópulas para dados com censura intervalar bivariados por Fábio De Araújo
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 maisINFERÊNCIA BAYESIANA EM MODELOS DISCRETOS COM FRAÇÃO DE CURA
UNIVERSIDADE DE BRASÍLIA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA PROGRAMA DE MESTRADO EM ESTATÍSTICA LUÍSA MARTINS FERNANDES INFERÊNCIA BAYESIANA EM MODELOS DISCRETOS COM FRAÇÃO DE CURA
Leia maisComputação, Universidade de São Paulo - USP, Caixa Postal 668, CEP: , São Carlos, SP, Brasil.
APLICAÇÃO DA ANÁLISE DE INFLUÊNCIA LOCAL EM MODELOS DE REGRESSÃO LOGÍSTICA Édila Cristina de SOUZA 1 Edwin Moises Marcos ORTEGA 1 Vicente Garibay CANCHO 2 RESUMO: Uma etapa importante após a formulação
Leia maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2006
Leia maisModelo Autologístico Aplicado a Dados de Citrus
Modelo Autologístico Aplicado a Dados de Citrus Luziane FRANCISCON Orientador: Paulo Justiniano RIBEIRO Jr. luziane@ufpr.br Departamento de Estatística - UFPR Luziane e PJ p. 1 Dados de pimentas do sino
Leia maisExemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2016 1 / 22 Cupons
Leia maisMeta-análise: comparação de proporções para o caso de duas amostras independentes
Meta-análise: comparação de proporções para o caso de duas amostras independentes Arminda Lucia Siqueira 1 Edna Afonso Reis 1 Ilka Afonso Reis 1 Luana Sílvia dos Santos 1 Pollyanna Vieira Gomes da Silva
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia 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 maisMétodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Leia maisModelos para Dados Categóricos com Estrutura Temporal
Modelos para Dados Categóricos com Estrutura Temporal por Patrícia Lusié Coelho Velozo Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos 2009 MODELOS PARA
Leia maisÍNDICE. Variáveis, Populações e Amostras. Estatística Descritiva PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 CAPÍTULO 2
COMO USAR ESTE LIVRO ÍNDICE PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 Variáveis, Populações e Amostras 1.1. VARIÁVEIS ESTATÍSTICAS E ESCALAS DE MEDIDA 27 1.2. POPULAÇÃO VS. AMOSTRA
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Monte Carlo via cadeias de Markov: o OpenBUGS
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 maisEstimando o Efeito da Terapia por Ondas de Choque em Pacientes com Patologia Musculoesquelética
Universidade Federal do Rio de Janeiro Estimando o Efeito da Terapia por Ondas de Choque em Pacientes com Patologia Musculoesquelética João Batista de Morais Pereira Rio de Janeiro Setembro de 2008 João
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Modelagem paramétrica Valeska Andreozzi 1 valeska.andreozzi@fc.ul.pt & Marilia Sá Carvalho 2 cavalho@fiocruz.br 1 Centro de Estatística e Aplicações da Universidade de Lisboa,
Leia maisQuantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
Leia maisRicardo Sandes Ehlers
SELEÇÃO BAYESIANA DE MODELOS Ricardo Sandes Ehlers Departamento de Estatística Universidade Federal do Paraná http://www.est.ufpr.br/ ehlers ehlers@est.ufpr.br RBRAS/SEABRO, Julho 2005 Alguns Exemplos
Leia maisAULA 17 - Variáveis binárias
AULA 17 - Variáveis binárias Susan Schommer Econometria I - IE/UFRJ Variáveis binárias A variável binária (ou dummy) é um simples exemplo de variável aleatória, o qual é chamada de função indicadora de
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 mais4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Leia maisUm modelo com erros assimétricos para dados contábeis
Um modelo com erros assimétricos para dados contábeis Matheus Bertolo Guerrero 1 Maria Luiza Maes 1 Gilvania de Sousa Gomes 2 Daniela Pereira de Silva Gomes 2 José Waldemar da Silva 1 1 Introdução A Demonstração
Leia maisPredição Espacial Bayesiana Para Dados Composicionais
Aluna de Doutorado: Orientador: Paulo Justiniano Ribeiro Junior Universidade Federal do Paraná Programa de Pós-Graduação em Métodos Numéricos em Engenharia 19 de outubro de 2009 Tese Motivação Dados Composicionais
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 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisANÁLISE CLÁSSICA E BAYESIANA PARA MODELOS DE EQUAÇÕES SIMULTÂNEAS
ANÁLISE CLÁSSICA E BAYESIANA PARA MODELOS DE EQUAÇÕES SIMULTÂNEAS Josimar VASCONCELOS 1 Eufrázio de Souza SANTOS 2 Moacyr CUNHA FILHO 2 RESUMO: O presente artigo busca uma nova modelagem para o método
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 maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisModelo de Variáveis discretas. Regressão com uma variável dependente Binária. Variáveis dependentes Binárias. Modelo de Probabilidade Linear
Regressão com uma variável dependente Binária Capítulo 9 Stock e Watson. Econometria. Modelo de Variáveis discretas P(y = 1 x) = G(β 0 + xβ) y* = β 0 + xβ + u, y = max(0,y*) 1 2 Variáveis dependentes Binárias
Leia maisCurso(s): Licenciaturas em Engenharia (1º ciclo) Aulas Teóricas 30h. Ano Curricular Semestre: 2º ano 1º semestre Aulas Teórico-Práticas 45h
UNIVERSIDADE CATÓLICA PORTUGUESA F A C U L D A D E D E E NGE N H ARIA Disciplina de Estatística Contexto da Disciplina Horas de Trabalho do Aluno Curso(s): Licenciaturas em Engenharia (1º ciclo) Aulas
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 maisUma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada
Uma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada Autores Maria Celia de Oliveira Papa Orientador Alvaro Jose Abackerli 1. Introdução Uma das
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 maisRelatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão generalizado com resposta Binomial
UNIVERSIDADE FEDERAL DO PARANÁ Rafael Morciani Alves da Silva Maike Willian Martins dos Santos Mateus Gemelli Ramos Relatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão
Leia maisSME0803 ANÁLISE DE REGRESSÃO 1º/2011
SME0803 ANÁLISE DE REGRESSÃO 1º/2011 Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/~cibele Sala 3-160, ramal 8174 CoteiaWIKI: http://wiki.icmc.usp.br/index.php/sme-260 OBJETIVO DO CURSO Introduzir
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 maisAplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais
Aplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais Orientador: Paulo Justiniano Ribeiro Jr Universidade Federal do Paraná Programa de Pós-Graduação em Métodos
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 maisProbabilidade, Estatística, Decisões e Segurança em Engenharia Geotécnica PEF-5837
Probabilidade, Estatística, Decisões e Segurança em Engenharia Geotécnica PEF-5837 Informações gerais Horário das aulas Quintas-feiras das 8:30 às :30 Livro texto principal: Benjamin, J.R. e Cornell, C.A.
Leia mais1 O que é Teoria da Decisão?
Universidade Federal do Paraná Departamento de Estatística Graduação em Estatística Introdução a Teoria da Decisão Prof. Thaís Fonseca 1 O que é Teoria da Decisão? 1.1 Introdução Teoria da decisão, como
Leia maisConceitos e aplicações de Estatística em pesquisa cientíca utilizando o R
Conceitos e aplicações de Estatística em pesquisa cientíca utilizando o R Resumo da Parte Teórica Silvio Rodrigues de Faria Junior Departamento de Estatística - IME-USP Eventos e Probabilidade. Experimento
Leia maisGESTÃO DE TRAFEGO URBANO UTILIZANDO PROCESSAMENTO DE IMAGEM EM TEMPO REAL E MODELOS DE PREDIÇÃO
GESTÃO DE TRAFEGO URBANO UTILIZANDO PROCESSAMENTO DE IMAGEM EM TEMPO REAL E MODELOS DE PREDIÇÃO João Pedro Romero Soares 1 ; Daniel de Oliveira Mota 2 1 Aluno de Iniciação Científica da Escola de Engenharia
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 maisEstimação do desemprego em pequenas áreas
Estimação do desemprego em pequenas áreas Soraia Pereira a, Feridun Turkman b, Luís Correia c, Håvard Rue d a,b CEAUL, FCUL, Universidade de Lisboa, c Instituto Nacional de Estatística, d King Abdullah
Leia mais