Modelos Binomial e Poisson
|
|
- Luna Ribeiro
- 4 Há anos
- Visualizações:
Transcrição
1 Objetivos Motivação BIE Pós-Graduação em Ecologia USP setembro de 2012
2 Objetivo da Aula Objetivos Motivação Os objetivos dessa aula são:
3 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos com covariáveis para outras distribuições;
4 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos com covariáveis para outras distribuições; 2 Exemplificar essas generalização com exemplos de modelos Poisson e binomial;
5 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos com covariáveis para outras distribuições; 2 Exemplificar essas generalização com exemplos de modelos Poisson e binomial; 3 Mostrar os comandos básicos no R para ajustar e avaliar esses modelos;
6 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: 1 Generalizar os modelos estatísticos com covariáveis para outras distribuições; 2 Exemplificar essas generalização com exemplos de modelos Poisson e binomial; 3 Mostrar os comandos básicos no R para ajustar e avaliar esses modelos; 4 Demonstrar que alguns deles pertencem à classe dos modelos lineares generalizados.
7 Onde estamos Objetivos Motivação Até agora vimos:
8 Objetivos Motivação Onde estamos Até agora vimos: Modelos de várias distribuições com parâmetros constantes: Y N (µ = a 0, σ = b 0 ) Y P(λ = a 0 )
9 Objetivos Motivação Onde estamos Até agora vimos: Modelos de várias distribuições com parâmetros constantes: Y N (µ = a 0, σ = b 0 ) Y P(λ = a 0 ) Modelos Gaussianos com covariáveis: Y N (µ = a 0 + a 1 X 1, σ = b 0 ) Y N ( µ = a 0 + a 1 X 1 + a 2 X 2, σ = e b 0+b 1 X 1 )
10 Objetivos Motivação Para onde vamos Hoje veremos modelos de outras distribuições com covariáveis: Modelos Binomiais: Y Bin(N = n, p = f (X i ))
11 Objetivos Motivação Para onde vamos Hoje veremos modelos de outras distribuições com covariáveis: Modelos Binomiais: Y Bin(N = n, p = f (X i )) : Y P(λ = f (X i ))
12 Ou seja Objetivos Motivação Uma expressão geral para modelos estatísticos Y f (Y Θ = f (X i ))
13 Ou seja Objetivos Motivação Uma expressão geral para modelos estatísticos Y f (Y Θ = f (X i )) Em palavras Y é uma variável aleatória, cujos valores tem probabilidades definidas pela função de densidade f (Y ), cujos parâmetros Θ são uma função qualquer de covariáveis X i.
14 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas.
15 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos:
16 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!)
17 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções
18 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais:
19 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios;
20 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios; Ocorrência de morte, doença ou qualquer outro evento por indivíduo
21 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios; Ocorrência de morte, doença ou qualquer outro evento por indivíduo Proporção de frutos parasitados
22 Modelos Binomiais Descrevem número de ocorrência de uma variável binária em um certo número de tentativas, em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: Respostas binárias (regressão logística!) Proporções s de respostas binomiais: Presença de alguma espécie em manchas, fragmentos, sítios; Ocorrência de morte, doença ou qualquer outro evento por indivíduo Proporção de frutos parasitados Experimentos de dose-resposta
23 Modelos Binomiais Forma geral: Y Bin(N = n, p = f (a 0 + a 1 X i a i X i ))
24 Modelos Binomiais Forma geral: Y Bin(N = n, p = f (a 0 + a 1 X i a i X i )) f (.) é chamada função de ligação (detalhes a seguir)
25 Modelos Binomiais Forma geral: Y Bin(N = n, p = f (a 0 + a 1 X i a i X i )) f (.) é chamada função de ligação (detalhes a seguir) Ela dá propriedades boas ao modelo, incluindo garantir que p fique entre zero e um.
26 : um exemplo Sobrevivência de sementes colocadas as diferentes distâncias da árvore-mãe 8 distâncias, 3 réplicas de 100 sementes Resposta: número de sobreviventes após 60 dias: > head(pred.seed) distancia n.sobrev
27 : um exemplo 0.4 Proporção sobrevivente Distância da árvore mãe
28 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = f (distância))
29 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = f (distância)) Que função usar para o efeito da distância sobre p?
30 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = f (distância)) Que função usar para o efeito da distância sobre p? Uma função sigmóide limitada entre zero e um, como: p = ea 0+a 1 dist 1 + e a 0+a 1 dist
31 Modelo Binomial: Função Logística Nosso modelo é: Y Bin(N = 100, p = f (distância)) Que função usar para o efeito da distância sobre p? Uma função sigmóide limitada entre zero e um, como: o que implica em p = ( ) p ln 1 p ea 0+a 1 dist 1 + e a 0+a 1 dist = a 0 + a 1 dist
32 Modelo Binomial: Funções logística e logit p = ea+bx Y = ln 1+e a+bx ( p 1 p ) Logística(X) Logit(p) X X
33 Modelo Binomial: Ajuste no R Função de log-verossimilhança negativa > seed.ll1 <- function(a0,a1){ + eta <- exp(a0+a1*pred.seed$distancia)/ + (1+exp(a0+a1*pred.seed$distancia)) + -sum(dbinom(pred.seed$n.sobrev,size=100, + p=eta, log=t)) + }
34 Modelo Binomial: Ajuste no R Valores iniciais: regressão linear dos logitos > p1 <- pred.seed$n.sobrev/100 > probito1 <- log(p1/(1-p1)) > (cf1 <- coef(lm(probito1~pred.seed$distancia))) Ajuste numérico (Intercept) pred.seed$distancia > seed.m1 <- mle2(seed.ll1,start= + list(a0=cf1[1],a1=cf1[2]))
35 Modelo Binomial: Ajuste no R Coeficientes > (cf2 <- coef(seed.m1)) a0 a Código do Gráfico observado e estimado > f1 <- function(x){exp(cf2[1]+cf2[2]*x)/ + (1+exp(cf2[1]+cf2[2]*x))} > plot(i(n.sobrev/100)~dist, data=pred.seed, + xlab="dist^ancia da árvore-m~ae", + ylab="proporç~ao sobrevivente") > curve(f1(x),add=t, col="blue")
36 Modelo Binomial: Gráfico previsto 0.4 Proporção sobrevivente Distância da árvore mãe
37 Modelo Binomial: Perfis de log-verossimilhança Log Verossimilhança Negativa Relativa Log Verossimilhança Negativa Relativa a0 a1
38 Modelo binomial: seleção de modelos Modelo sem efeitos: log-verossimilhança negativa > seed.ll0 <- function(a0){ + eta <- exp(a0)/(1+exp(a0)) + -sum(dbinom(pred.seed$n.sobrev, + size=100,p=eta, log=t)) + } Modelo sem efeitos: uma LL mais simples > seed.ll0 <- function(p){ + -sum(dbinom(pred.seed$n.sobrev,size=100, + prob=p, log=t)) + }
39 Modelo binomial: seleção de modelos Ajuste do modelo sem efeito da distância > seed.m0 <- mle2(seed.ll0, + start=list( + p=sum(pred.seed$n.sobrev/2400))) Comparação com AIC > AICtab(seed.m0,seed.m1, base=t) AIC df daic seed.m seed.m
40 Modelos Binomiais: Previstos pelos dois modelos 0.4 Proporção sobrevivente Distância da árvore mãe
41 Descrevem contagens em função de variáveis preditoras contínuas ou discretas.
42 Descrevem contagens em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos:
43 Descrevem contagens em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas
44 Descrevem contagens em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas equivalência entre média e variância
45 Descrevem contagens em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas equivalência entre média e variância s de respostas Poisson:
46 Descrevem contagens em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas equivalência entre média e variância s de respostas Poisson: Número de capturas, avistamentos, registros por unidade de tempo ou espaço
47 Descrevem contagens em função de variáveis preditoras contínuas ou discretas. Úteis principalmente quando temos: contagens com médias baixas equivalência entre média e variância s de respostas Poisson: Número de capturas, avistamentos, registros por unidade de tempo ou espaço Taxas de ocorrência de eventos
48 Forma geral: Y P ( λ = e a 0+a 1 X a i X i )
49 Forma geral: Y P ( λ = e a 0+a 1 X a i X i ) Portanto a função de ligação mais usada é a logarítmica: ln(e[y ]) = ln(λ) = a 0 + a 1 X a i X i
50 Forma geral: Y P ( λ = e a 0+a 1 X a i X i ) Portanto a função de ligação mais usada é a logarítmica: ln(e[y ]) = ln(λ) = a 0 + a 1 X a i X i Isso dá propriedades boas ao modelo, incluindo evitar que λ assuma valores negativos na otimização.
51 : um exemplo Capturas de Pyriglena leucoptera em redes de neblina 20 fragmentos de diferentes tamanhos, 500 horas/rede Resposta: número de capturas > head(aves) area ncap
52 Modelo Poisson: Gráfico 8 6 N Capturas Ln área do fragmento (ha)
53 Modelo Poisson: Ajuste no R Função de log-verossimilhança negativa > aves.ll1 <- function(a0,a1){ + eta <- exp(a0+a1*log(aves$area)) + -sum(dpois(aves$ncap,lambda=eta, + log=t)) + }
54 Modelo Poisson: Ajuste no R Valores iniciais: regressão linear dos logarítmos > (cf1 <- coef(lm(log((ncap+0.1))~log(aves$area)))) (Intercept) log(aves$area) Ajuste numérico > aves.m1 <- mle2(aves.ll1,start= + list(a0=cf1[1],a1=cf1[2]))
55 Modelo Poisson: Ajuste no R Coeficientes > (cf3 <- coef(aves.m1)) a0 a Código do Gráfico observado e estimado > f3 <- function(x) exp(cf3[1]+cf3[2]*x) > plot(ncap~log(area), data=aves, + xlab="ln área do fragmento (ha)", + ylab="n de Capturas") > curve(f3(x),add=t, col="blue")
56 Modelo Poisson: Gráfico previsto 0.4 Proporção sobrevivente Distância da árvore mãe
57 Modelo Poisson: Perfis de log-verossimilhança Log Verossimilhança Negativa Relativa Log Verossimilhança Negativa Relativa a0 a1
58 Modelo Poisson: seleção de modelos Modelo sem efeitos: log-verossimilhança negativa > aves.ll0 <- function(a0){ + eta <- exp(a0) + -sum(dpois(aves$ncap, lambda=eta, + log=t)) + }
59 Modelo Poisson: seleção de modelos Ajuste do modelo sem efeito da área > aves.m0 <- mle2(aves.ll0, + start=list( + a0=log(mean(aves$ncap)))) Comparação com AIC > AICtab(aves.m0,aves.m1, base=t) AIC df daic aves.m aves.m
60 : previstos pelos dois modelos 8 6 N de Capturas Ln área do fragmento (ha)
61 IWLS Lógica geral Generalized linear models: exemplo Poisson > aves.glm1 <- glm(ncap~log(area), family=poisson) > coef(aves.glm1) (Intercept) log(area) > coef(aves.m1) a0 a
62 IWLS Lógica geral Iteratively reweighted least squares method
63 IWLS Lógica geral Iteratively reweighted least squares method y 3 y x x
64 IWLS Lógica geral Iteratively reweighted least squares method y 3 y x x
65 Modelo lineares generalizados IWLS Lógica geral IWLS: solução eficiente
66 Modelo lineares generalizados IWLS Lógica geral IWLS: solução eficiente Distribuições da família exponencial:
67 Modelo lineares generalizados IWLS Lógica geral IWLS: solução eficiente Distribuições da família exponencial: Normal
68 Modelo lineares generalizados IWLS Lógica geral IWLS: solução eficiente Distribuições da família exponencial: Normal Binomial
69 Modelo lineares generalizados IWLS Lógica geral IWLS: solução eficiente Distribuições da família exponencial: Normal Binomial Poisson
70 Modelo lineares generalizados IWLS Lógica geral IWLS: solução eficiente Distribuições da família exponencial: Normal Binomial Poisson Gama
71 Modelo lineares generalizados IWLS Lógica geral IWLS: solução eficiente Distribuições da família exponencial: Normal Binomial Poisson Gama Inversa da normal
72 IWLS Lógica geral Modelo lineares generalizados IWLS: solução eficiente Distribuições da família exponencial: Normal Binomial Poisson Gama Inversa da normal Estabelecem uma relação linear entre o valor esperado e a função de ligação. Para a Poisson por exemplo: ln E[Y ] = ln λ = i a i X i 0
73 Modelo lineares generalizados IWLS Lógica geral Função glm no R
74 Modelo lineares generalizados IWLS Lógica geral Função glm no R Generalizações:
75 Modelo lineares generalizados IWLS Lógica geral Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão
76 Modelo lineares generalizados IWLS Lógica geral Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb)
77 Modelo lineares generalizados IWLS Lógica geral Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb) Modelos lineares generalizados de efeitos mistos
78 Modelo lineares generalizados IWLS Lógica geral Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb) Modelos lineares generalizados de efeitos mistos Modelos lineares generalizados bivariados
79 Modelo lineares generalizados IWLS Lógica geral Função glm no R Generalizações: Quasi-likelihood para dados com sobredispersão Modelo similar para binomial negativa (função glm.nb) Modelos lineares generalizados de efeitos mistos Modelos lineares generalizados bivariados...
Modelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP Setembro de 2016 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
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 maisFunção de Verossimilhança
Função de Verossimilhança João Batista e Paulo Inácio Prado 2018 BIE5781 Modelagem Estatística em Ecologia e Recursos Naturais 1/38 Sumário Sumário 1. Motivação 2. Estimação por Máxima Verossimilhança
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia 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 maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisModelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
Leia maisModelos Lineares Generalizados - 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 maisMétodo de máxima verossimilhança
AULA 2: Método de máxima verossimilhança Um Exemplo Uma espécie tem probabilidade de ocorrência de 5% por sítio. Para uma região com 2 sítios, qual a probabilidade da espécie ocorrer em todos os sítios?
Leia maisFunção de Verossimilhança
AULA 4: Função de Verossimilhança 1.Verossimilhança Conceitos 2. Função de Verossimilhança 3. Log Verossimilhança Negativa 4. Método da Máxima Verossimilhança 5. Estimadores de Máxima Verossimilhança (MLEs)
Leia 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 maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia 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 maisDistribuições de probabilidade contínuas
BIE5781 Aula 3 Distribuições de probabilidade contínuas CONCEITOS Distribuições de probabilidade (revisão) Função de densidade probabilística Função de probabilidade acumulada Esperança e variância de
Leia 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 maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisModelos Lineares Generalizados
unificação metodológica Alexandre Adalardo de Oliveira PlanECO 2017 1 of 43 03/29/2017 11:47 AM Conceitos estrutura do erro preditora linear função de ligação 2 of 43 03/29/2017 11:47 AM Função de ligação
Leia maisExemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Leia maisDistribuições de Probabilidade Discretas
Distribuições de Discretas Paulo Inácio K.L. Prado e João L.F. Batista BIE-5781 Modelagem Estatística em Ecologia e Recursos Naturais Novembro de 2018 Conceitos Variável aleatória Distribuição de probabilística
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia 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 maisO uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros
O uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros Eriton Barros dos Santos 1 Sílvia Maria de Freitas 2 1 Introdução Dados de contagem são comuns em diversas áreas.
Leia maisDistribuições de Probabilidade Discretas
Distribuições de Probabilidade Discretas Who? From? Paulo Inácio K.L. Prado e João L.F. Batista BIE-5781 Modelagem Estatística em Ecologia e Recursos Naturais When? setembro de 2016 Conceitos Conceitos
Leia 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 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 maisAnalise de sobreviventes em acidentes de carros
Analise de sobreviventes em acidentes de carros Modelos Lineares Generalizados Lais Hoffmam GRR20159455 Simone Matsubara GRR20124663 Willian Meira GRR20159077 Yasmin Fernandes ISO20180365 Curitiba 2018
Leia 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 maisDistribuições de Probabilidade
Distribuições de Probabilidade 1 Aspectos Gerais 2 Variáveis Aleatórias 3 Distribuições de Probabilidade Binomiais 4 Média e Variância da Distribuição Binomial 5 Distribuição de Poisson 1 1 Aspectos Gerais
Leia 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 mais4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
Leia 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 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 maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisEstimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson Wagner Hugo Bonat - LEG/DEST, UFPR 1 Resumo: Este texto descreve de forma rápida o processo de estimação baseado em Verossimilhança
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia 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 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 maisEstatística e Probabilidade Aula 06 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 06 Distribuições de Probabilidades Prof. Gabriel Bádue Teoria A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a ocorrências de um evento
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisModelos Lineares Generalizados - Regressão Logística
Modelos Lineares Generalizados - Regressão Logística Erica Castilho Rodrigues 26 de Maio de 2014 AIC 3 Vamos ver um critério para comparação de modelos. É muito utilizado para vários tipos de modelo. Mede
Leia 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 maisGAM. Ilka Afonso Reis
GAM Ilka Afonso Reis Modelo Estatístico O objetivo de um modelo estatístico é fornecer a base matemática para responder às seguintes questões: As variáveis preditoras/explicativas explicam adequadamente
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia mais3.33pt. AIC Introdução
1 3.33pt 1 Modelos Lineares Generalizados - Regressão Logística Erica Castilho Rodrigues 01 de Julho de 2016 2 3.33pt 3 Vamos ver um critério para comparação de modelos. É muito utilizado para vários tipos
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia 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 maisProfessora: Cira Souza Pitombo. Disciplina: Aplicações de técnicas de análise de dados
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA MESTRADO EM ENGENHARIA AMBIENTAL E URBANA Apresentação do Curso Introdução Professora: Cira Souza Pitombo Disciplina: Aplicações de técnicas de análise
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
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 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 maisMétodos Estatísticos Avançados em Epidemiologia
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Métodos Estatísticos Avançados em Epidemiologia Aula 2-2 Regressão de Poisson: Modelando Contagens Distribuição
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 11/2014 Variáveis Aleatórias Variáveis Aleatórias Probabilidade e Estatística 3/41 Variáveis Aleatórias Colete
Leia maisExtensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem
Extensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem Eduardo Elias Ribeiro Junior Orientação: Prof. Dr. Walmes Marques Zeviani Trabalho de Conclusão
Leia maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisBIE5781 Aula 2. Variáveis Aleatórias Discretas
BIE5781 Aula 2 Variáveis Aleatórias Discretas Variável Aleatória SUCESSOS COMBINAÇÕES POSSÍVEIS P 0 1/4 1 ou 2/4 2 1/4 Funções de Probabilidade J.L.B. Ferreira, 2006 f x =P X =x i 0.6 0.5 0.4 P 0.3 0.2
Leia maisAplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Leia maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
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 Linear Generalizado Distribuição de Poisson
Valeska Andreozzi 1 Modelo Linear Generalizado Distribuição de Poisson Problema 1 O objetivo desta aula é exemplificar a modelagem de dados de contagem. Vamos ilustrar como os modelos lineares generalizados
Leia maisLista 1 - Gabarito. Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados. 29 de Abril. f(y i, θ i ) = θ i exp( yiθ i ).
Lista 1 - Gabarito Prof. Erica Castilho Rodrigues Disciplina: Modelos Lineares Generalizados 29 de Abril 1. (Concurso Petrobrás - 2011) Em um modelo de regressão logística, o que indica se o modelo se
Leia 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 maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
Leia maisAULA 8. DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017
AULA 8 DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017 As funções de distribuição (acumulada) e de densidade para v.a. contínuas = =. Se a densidade f(x)for continua no seu
Leia mais3 Modelos para o Cálculo de IBNR
3 Modelos para o Cálculo de IBNR 3.1 O Método de Mack Tomas Mack em (24) propõe um modelo probabilístico para o método Chain Ladder que fornece estimativas de provisão idênticas à técnica Chain Ladder
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisMisturas e Algoritmo EM
Misturas e Algoritmo EM Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Misturas e Algoritmo EM 2012 1 / 57 Misturas Os modelos básicos de distribuições que dispomos são flexíveis
Leia maisDistribuições Discretas
META: Estudar o comportamento das Variáveis Aleatórias Discretas, bem como das Distribuições Binomial e Poisson e suas aplicações. Entender o comportamento de uma Variável aleatória Contínua. OBJETIVOS:
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 maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
Leia maisEAE0325 Econometria II. Professora: Fabiana Fontes Rocha. Gabarito Primeira Lista Teórica de Exercícios
EAE0325 Econometria II Professora: Fabiana Fontes Rocha Gabarito Primeira Lista Teórica de Exercícios Bloco 1 Assinalar se as afirmativas a seguir são verdadeiras V) ou falsas F) Exercício 1 Sobre o modelo
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisÓbitos por Acidentes de Transporte em Santa Catarina no ano de 2016
Óbitos por Acidentes de Transporte em Santa Catarina no ano de 2016 Modelos Lineares Generalizados Lais Hoffmam Simone Matsubara Willian Meira Yasmin Fernandes Curitiba 2018 Sumário 1. Resumo... 3 2. Introdução...
Leia maisDistribuição de Probabilidade de Poisson
1 Distribuição de Probabilidade de Poisson Ernesto F. L. Amaral Magna M. Inácio 07 de outubro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4)
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisIntrodução aos Modelos Lineares em Ecologia
Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.
Leia 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 maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia maisUma Introdução à Lógica da Modelagem Estatística
BIE5781 Aula 1 Uma Introdução à Lógica da Modelagem Estatística Inferência clássica x modelagem Testes de Significância Zar (1999) Biostatistical Analysis t de Student t = X Ȳ s exy William Gosset (1876-1937)
Leia 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 mais2019/04/01 01:14 1/12 5. Modelos Binomial e Poisson
2019/04/01 01:14 1/12 5. Modelos Binomial e Poisson 5. Modelos Binomial e Poisson Conceitos Modelos não-gaussianos Modelos lineares generalizados Função de ligação Função logística, probito e logito Sobredispersão
Leia 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 mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
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 maisCOMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES
COMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES Telde Natel CUSTÓDIO 1 Décio BARBIN RESUMO: O objetivo deste trabalho foi apresentar um procedimento
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias Discretas
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Discretas Professora Renata Alcarde Sermarini Piracicaba abril 2016 Renata Alcarde Sermarini Estatística Geral
Leia mais6EMA Lucas Santana da Cunha 19 de abril de Universidade Estadual de Londrina
ESTATÍSTICA ECONÔMICA 6EMA020-2000 lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de abril de 2017 1 o Bimestre Plano do Curso Cronograma Critério de Avaliação Bibliografia
Leia maisModelos e inferência para um experimento em blocos casualizados para o número de vagens em soja RESUMO
Modelos e inferência para um experimento em blocos casualizados para o número de vagens em soja Natália da Silva Martins 1, Davi Butturi-Gomes 1, Lucas Souza Capelaro 2 1 Instituto de Ciências Exatas,
Leia maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia mais