Introdução ao Pensamento Bayesiano via pacote LearnBayes e software R
|
|
- Pedro Henrique de Almada
- 4 Há anos
- Visualizações:
Transcrição
1 Introdução ao Pensamento Bayesiano 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 12 de Março de / 40
2 Sumário 1 Introdução 2 Usando a priori discreta Histograma a Priori 3 Previsão Preditiva usando a priori discreta Preditiva usando a priori beta 4 Referências 2 / 40
3 Introdução Sumário 1 Introdução 2 Usando a priori discreta Histograma a Priori 3 Previsão Preditiva usando a priori discreta Preditiva usando a priori beta 4 Referências 3 / 40
4 Introdução Introdução O objetivo desta apresentação é ilustrar os elementos básicos da inferência Bayesiana por meio de um exemplo para a distribuição amostral de uma proporção. Vamos ilustrar o uso de diferentes a priori para a construção da distribuição a posteriori, intervalo de credibilidade e predição. Utilizaremos o pacote LearnBayes do R criado por Jim Albert, pois contém funções utéis na construção a priori e obtenção da distribuição a posteriori. 4 / 40
5 Sumário 1 Introdução 2 Usando a priori discreta Histograma a Priori 3 Previsão Preditiva usando a priori discreta Preditiva usando a priori beta 4 Referências 5 / 40
6 Aprendendo sobre a proporção de evasão dos alunos no curso de Estatística do IME-USP Suponha que uma pessoa está interessada na evasão de alunos universitários durante a graduação em Estatística no IME-USP. A primeira indagação dessa pesquisadora é qual a proporção de estudantes universitários que permanecem pelo menos 8 semestres no curso de Estatística? 6 / 40
7 Aprendendo sobre a proporção de evasão dos alunos no curso de Estatística do IME-USP Considere uma população constituída de todos os estudantes universitários do curso de estatística do IME-USP. Seja p a proporção dessa população que permanecem pelo menos 8 semestres no curso. Uma amostra de 27 alunos é extraida da população, 11 alunos permaceneram pelo menos oito semestres no curso de estatística. Com base na informação a priori e com esses dados observados, a pesquisadora está interessada em estimar a proporção p. 7 / 40
8 Aprendendo sobre a proporção de evasão dos alunos no curso de Estatística do IME-USP Além disso, ela está interessada em prever o número de estudantes que permanecem pelo menos oito semestres em uma nova amostra de 20 alunos. Suponha uma densidade a priori para p denotada por g(p), se considerarmos o "sucesso"como permanecer pelo menos oito semestres no curso e tomamos uma amostra aleatória com s sucessos e f falhas, a função de verossimilhança é dada por L(p) = p s (1 p) f, 0 < p < 1. 8 / 40
9 Aprendendo sobre a proporção de evasão dos alunos no curso de Estatística do IME-USP Além disso, ela está interessada em prever o número de estudantes que permanecem pelo menos oito semestres em uma nova amostra de 20 alunos. Suponha uma densidade a priori para p denotada por g(p), se considerarmos o "sucesso"como permanecer pelo menos oito semestres no curso e tomamos uma amostra aleatória com s sucessos e f falhas, a função de verossimilhança é dada por L(p) = p s (1 p) f, 0 < p < 1. 8 / 40
10 Aprendendo sobre a proporção de evasão dos alunos no curso de Estatística do IME-USP A densidade a posteriori para p, pela regra de Bayes é proporcional ao produto da densidade a priori pela verossimilhança. g(p dados) g(p)l(p) Mostraremos a seguir o cálculo da distribuição a posteriori utilizando três escolhas diferentes da distribuição a priori. 9 / 40
11 Usando a priori discreta Usando a priori discreta Uma abordagem simples para escolha a priori para p é escrever uma lista plausível de valores para proporção e depois atribuir pesos a estes valores. No nosso exemplo, a pesquisadora escolheu as seguintes proporções 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95 com os respectivos pesos 2, 4, 8, 8, 4, 2, 1, 1, 1, 1 10 / 40
12 Usando a priori discreta Usando a priori discreta Usando o R temos > p = seq(0.05, 0.95, by = 0.1) > prior = c(2, 4, 8, 8, 4, 2, 1, 1, 1, 1) > prior = prior/sum(prior) > plot(p, prior, type = "h", ylab="probabilidade priori") Figura 1: Distribuição a priori discreta para proporção p. 11 / 40
13 Usando a priori discreta Usando a priori discreta No exemplo, 11 alunos permaceneram pelo menos oito semestres no curso de estatística, ou seja, s = 11 e f = 16, a função de verssosimilhança é dada por: L(p) = p 11 (1 p) 16, 0 < p < 1. Usando a função pdisc do pacote LearnBayes computamos a probabilidade posteriori > pdisc function(p, prior, data) {s = data[1] f = data[2] p1 = p (p == 0) 0.5 (p == 1) like = s log(p1) + f log(1 p1) like = like (p > 0) (p < 1) 999 ((p == 0) (s > 0) + (p == 1) (f > 0)) like = exp(like max(like)) product = like prior post = product/sum(product) return(post) } 12 / 40
14 Usando a priori discreta Usando a priori discreta > data = c(11, 16) > post = pdisc(p, prior, data) > cbind(p, prior, post) p prior post e e e e e e e e e e-15 > plot(p, post, type = "h", ylab="probabilidade Posteriori") 13 / 40
15 Usando a priori discreta Usando a priori discreta Figura 2: Distribuição a posteriori para uma proporção p usando uma priori discreta. 14 / 40
16 Uma vez que a proporção é um parâmetro contínuo, uma abordagem alternativa consiste em construir uma densidade g(p) no intervalo (0, 1) Suponha que a pesquisadora acredita que a proporção é a mesma probabilidade de ser menor ou maior do que p = 0.3. Além disso, ela é 90% confiante de que p é inferior a 0, 5. Uma família conveniente de densidades para uma proporção é a distribuição beta, ou seja. g(p) p a 1 (1 p) b 1, 0 < p < 1 Com a e b sendo parâmetros da distribuição beta(a,b). 15 / 40
17 Aqui, a pesquisadora acredita que a mediana e o percentil 90% são dados, respectivamente, por 0, 3 e 0, 5, então usando uma aproximação razoável do valor da mediana da distribuição beta, para a e b maiores ou iguais a 1, obtemos: Md(x) a 1/3 a + b 2/3 para a, b 1. Uma solução que satisfaz as duas condições é a = 3.4 e b = 7.4, pois qbeta(0.9,a=3.4,b=7.4) / 40
18 A combinação da priori beta com a função de verossimilhança, pode-se mostrar que a densidade a posteriori também é uma distribuição beta com os parâmetros atualizados a + s e b + f. Usando o R temos g(p dados) p a+s 1 (1 p) b+f 1, 0 < p < 1 17 / 40
19 > p = seq(0, 1, length = 500) > a = 3.4 > b = 7.4 > s = 11 > f = 16 > prior=dbeta(p,a,b) > like=dbeta(p,s+1,f+1) > post=dbeta(p,a+s,b+f) > plot(p,post,type="l",ylab="densidade",lty=2,lwd=3) > lines(p,like,lty=1,lwd=3) > lines(p,prior,lty=3,lwd=3) > legend(.7,4,c("priori","veross.", +"Post."), lty=c(3,1,2),lwd=c(3,3,3)) 18 / 40
20 Figura 3: A densidade a priori g(p), A função de verossimilhança L(p), E a densidade posteriori g(p dados). 19 / 40
21 É provável que a proporção de alunos que permanecem pelo menos 8 semestres no curso de estatística é maior que 0, 5? > 1 - pbeta(0.5, a + s, b + f) Uma estimativa do intervalo de credibilidade de 90% para p é obtido pelos percentis 5 e 95 da densidade a posteriori de beta. > qbeta(c(0.05, 0.95), a + s, b + f ) / 40
22 Um método alternativo para a densidade a posteriori é com base na simulação > ps = rbeta(1000, a + s, b + f ) > hist(ps, xlab = p, main =) > sum(ps >= 0.5)/ > quantile(ps, c(0.05, 0.95)) 5% 95% / 40
23 Figura 4: Uma amostra simulada para p a partir da distribuição a posteriori da beta. 22 / 40
24 Histograma a Priori Histograma a Priori É um método conhecido como força bruta, com os seguintes passos Escolha uma grade de valores de p ao longo de um intervalo que cobre a densidade posteriori. Calcula-se o produto da verossimilhança L(p) e a priori g(p). Normaliza-se dividindo cada produto pela soma dos produtos. Neste passo, estamos aproximando a densidade posteriori por uma distribuição de probabilidade discreta. Usando o comando sample no R, obtemos uma amostra aleatória e substituimos na distribuição discreta. O resultado simulado chama-se uma amostra aproximada da distribuição a posteriori. 23 / 40
25 Histograma a Priori Histograma a Priori A função histprior no pacote LearnBayes ajuda na construção da amostra aproximada da distribuição a posteriori function (p, midpts, prob) { binwidth = midpts[2] - midpts[1] lo = round(10000 * (midpts - binwidth/2))/10000 val = 0 * p for (i in 1:length(p)) { val[i] = prob[sum(p[i] >= lo)] } return(val) } 24 / 40
26 Histograma a Priori Histograma a Priori Usando o R obtemos: > midpt = seq(0.05, 0.95, by = 0.1) > prior = c(2, 4, 8, 8, 4, 2, 1, 1, 1, 1) > prior = prior/sum(prior) > p = seq(0, 1, length = 500) > plot(p,histprior(p,midpt,prior),type="l", ylab="densidade priori",ylim=c(0,.25)) 25 / 40
27 Histograma a Priori Histograma a Priori Figura 5: Histograma a priori para uma proporção p. 26 / 40
28 Histograma a Priori Histograma a Priori A densidade a posteriori é obtida por: > like = dbeta(p, s + 1, f + 1) > post = like * histprior(p, midpt, prior) > plot(p, post, type = "l",ylab="densidade Posteriori") Figura 6: A densidade a posteriori para p utilizando um histograma a priori. 27 / 40
29 Histograma a Priori Figura 7: Histograma simulado para a distribuição a posteriori de p com a utilização de um histograma a priori. 28 / 40 Histograma a Priori Para obtermos uma amostra simulada da densidade a posteriori, façamos: > post = post/sum(post) > ps = sample(p, replace = TRUE, prob = post) > hist(ps, xlab="p")
30 Previsão Sumário 1 Introdução 2 Usando a priori discreta Histograma a Priori 3 Previsão Preditiva usando a priori discreta Preditiva usando a priori beta 4 Referências 29 / 40
31 Previsão Previsão Como mencionado anteriormente a intenção da pesquisadora é prever o número de estudantes que permanecem pelo menos oito semestres em uma nova amostra de 20 alunos, então a densidade preditiva para ỹ é dada por f (ỹ y) = f (ỹ p)g(p y)dp. Ilustraremos o cálculo da densidade preditiva utilizando a priori discreta e a priori beta. 30 / 40
32 Previsão Preditiva usando a priori discreta Preditiva usando a priori discreta Suponha a priori discreta onde {p i } representa os valores possiveis da proporção com a respectiva probabilidade {g(p i y)}. Seja f B (y n, p) a densidade da amostra binomial de tamanho n e proporção p: ( ) n f B (y n, p) = p y (1 p) n y, y = 0,..., n. y Então a função preditiva de ỹ sucessos no futuro em uma amostra de tamanho m é dado por: f (ỹ y) = f B (ỹ m, p i )g(p i y). 31 / 40
33 Previsão Preditiva usando a priori discreta Preditiva usando a priori discreta A função pdiscp no pacote LearnBayes pode ser usada para calcular as probabilidades de previsão quando p é dada por uma distribuição discreta. > pdiscp function(p, probs, n, s) { pred = 0 s for(i in 1 : length(p)){ pred = pred + probs[i] dbinom(s, n, p[i]) } return(pred) } 32 / 40
34 Previsão Preditiva usando a priori discreta Preditiva usando a priori discreta Usando o R e a função pdiscp obtemos: > p = seq(0.05, 0.95, by =.1) > prior = c(2, 4, 8, 8, 4, 2, 1, 1, 1, 1) > prior = prior/sum(prior) > m = 20; ys = 0 : 20 > pred = pdiscp(p, prior, m, ys) > cbind(0 : 20, pred) pred / 40
35 Previsão Preditiva usando a priori beta Preditiva usando a priori beta Vamos modelar nossa priori para p utilizando uma beta(a, b). Neste caso, podemos analiticamente obter uma expressão de forma fechada para a densidade preditiva. f (ỹ y) = f B (ỹ m, p)g(p y)dp. = ( ) m B(a + ỹ, b + m ỹ), ỹ = 0,..., m. ỹ B(a, b) 34 / 40
36 Previsão Preditiva usando a priori beta Preditiva usando a priori beta A função pbetap no pacote LearnBayes serve para obter a probabilidade preditiva quando a priori é beta. > pbetap function(ab, n, s) { pred = 0 s a = ab[1] b = ab[2] lcon = lgamma(n + 1) lgamma(s + 1) lgamma(n s + 1) pred = exp(lcon + lbeta(s + a, n s + b) lbeta(a, b)) return(pred)} 35 / 40
37 Previsão Preditiva usando a priori beta Preditiva usando a priori discreta Usando o R e a função pbetap obtemos: > ab=c(3.4, 7.4) > m=20; ys=0:20 > pred=pbetap(ab, m, ys) > pred e e e e e e e e-01 [9] e e e e e e e e-03 [17] e e e e e-05 Simulando 1000 pontos da beta(a = 3.4, b = 7.4) obtemos: > p=rbeta(1000,3.4, 7.4) > y = rbinom(1000, 20, p) > table(y) y > freq=table(y) > ys=c(0:max(y)) > predprob=freq/sum(freq) > plot(ys,predprob,type="h",xlab="y", ylab="probabilidade preditiva") 36 / 40
38 Previsão Preditiva usando a priori beta Preditiva usando a priori beta Figura 8: Probabilidades de previsão de ỹ em uma amostra de tamanho 20, quando p é atribuído a priori beta(3.4, 7.4). 37 / 40
39 Previsão Preditiva usando a priori beta Preditiva usando a priori beta Suponha que queremos resumir esta distribuição preditiva em um intervalo que cobre pelo menos 90% da probabilidade. A função discint no LearnBayes é útil para este fim. > dist = cbind(ys, predprob) > dist yspredprob > covprob =.9 > discint(dist, covprob) $prob $set / 40
40 Referências Sumário 1 Introdução 2 Usando a priori discreta Histograma a Priori 3 Previsão Preditiva usando a priori discreta Preditiva usando a priori beta 4 Referências 39 / 40
41 Referências Referências [1] Albert, J. (2007). Bayesian computation with R. Springer. 40 / 40
MAE0524: Análise Bayesiana de Dados
MAE0524: Análise Bayesiana de Dados Aula 4: Introdução ao Pensamento Bayesiano Gualberto Segundo Agamez Montalvo Instituto de Matemática e Estatística - USP 25 de fevereiro de 2016 G.S. Agamez Montalvo
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 maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
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 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 maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisInferência Bayesiana - Aula 3 -
Inferência Bayesiana - Aula 3 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística Os problemas de estimação e teste de hipóteses podem ser vistos como problemas de decisão.
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisEstatística Básica. Variáveis Aleatórias Contínuas. Renato Dourado Maia. Instituto de Ciências Agrárias. Universidade Federal de Minas Gerais
Estatística Básica Variáveis Aleatórias Contínuas Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Lembrando... Uma quantidade X, associada a cada possível resultado
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
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 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 maisEstimador: combinação dos elementos da amostra, construída com a finalidade de representar, ou estimar, um parâmetro de interesse na população.
Objetivo: tirar conclusões sobre uma população com base na informação de uma amostra. estimação testes de hipóteses Parâmetro metro: quantidades desconhecidas da população e sobre as quais temos interesse.
Leia maisAmostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
Leia 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 maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
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 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 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 maisMEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
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 maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia mais5- Variáveis aleatórias contínuas
5- Variáveis aleatórias contínuas Para variáveis aleatórias contínuas, associamos probabilidades a intervalos de valores da variável. Exemplo 5.1 Seja a variável correspondente ao tempo até a cura de pacientes
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 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 maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisAGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
Leia maisDistribuições Amostrais
Distribuições Amostrais 1 Da população, com parâmetro, retira-se k amostras de tamanho n e calcula-se a estatística. Estas estatísticas são as estimativas de. As estatísticas, sendo variáveis aleatórias,
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisEstatística (MAD231) Turma: IGA. Período: 2017/2
Estatística (MAD231) Turma: IGA Período: 2017/2 Aula #03 de Probabilidade: 04/10/2017 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
Leia maisIntrodução à Estatística. Segundo Semestre/2018
Introdução à Estatística Segundo Semestre/2018 Recapitulação Já vimos que existem dois tipos de Variáveis Aleatórias: Discretas e Contínuas. Sabemos como trabalhar com variáveis aleatórias Discretas; Iremos
Leia maisIntrodução à Bioestatística Turma Nutrição
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 8: Intervalos de Confiança para Média e Proporção Distribuição
Leia 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 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 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 maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
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 maisProva Resolvida Raciocínio Lógico Quantitativo e Estatística (ANAC/2016) Prof. Guilherme Neves
Prova Resolvida Raciocínio Lógico Quantitativo e Estatística (ANAC/2016) 31- (ANAC 2016/ESAF) A negação da proposição se choveu, então o voo vai atrasar pode ser logicamente descrita por a) não choveu
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 maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia mais3.1 - Medidas de Posição Medidas de Dispersão Quantis Empiricos Box-plots Graficos de simetria 3.
3 - MEDIDAS RESUMO 3.1 - Medidas de Posição 3.2 - Medidas de Dispersão 3.3 - Quantis Empiricos 3.4 - Box-plots 3.5 - Graficos de simetria 3.6 - Transformações 1/17 3.1 - Medidas de Posição Muitas vezes
Leia mais2. Distribuições amostrais
2. Distribuições amostrais USP-ICMC-SME 203 USP-ICMC-SME () 2. Distribuições amostrais 203 / 22 Amostra aleatória Notação. X: variável aleatória (v.a.). f(x; θ): função densidade de probabilidade (X contínua)
Leia maisEstatística Descritiva (I)
Estatística Descritiva (I) 1 O que é Estatística Origem relacionada com a coleta e construção de tabelas de dados para o governo. A situação evoluiu: a coleta de dados representa somente um dos aspectos
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 maisMÉTODOS EXPERIMENTAIS E TÉCNICAS DE MEDIDAS
MÉTODOS EXPERIMENTAIS E TÉCNICAS DE MEDIDAS Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Variáveis Aleatórias Conceitos relacionados à probabilidade Mestrado em Eng. Mecânica 3/66 Experimentos
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia maisMódulo VII: Estatística elementar
Módulo VII: Estatística elementar 166 Revisão 167 Palavras-chave em estatística A estatística é composta por um conjunto de métodos destinados à coleta, à apresentação, à análise e à interpretação de dados,
Leia maisESTATÍSTICA BÁSICA COM USO DO SOFTWARE R
ESTATÍSTICA BÁSICA COM USO DO SOFTWARE R Adilson dos Anjos Departamento de Estatística - UFPR - Curitiba, 15 de abril de 2015. 3.1 Distribuições de probabilidade. 1 MÓDULO 3: Distribuições de probabilidade
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 maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia mais5- Variáveis aleatórias contínuas
5- Variáveis aleatórias contínuas Para variáveis aleatórias contínuas, atribuímos probabilidades a intervalos de valores. Exemplo 5.1 Seja a variável correspondente ao tempo de vida útil de determinado
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 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 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 maisDistribuições Amostrais - Tamanho da Amostra
Distribuições Amostrais - Tamanho da Amostra Prof. Eduardo Bezerra Inferência Estatística 21 de Setembro de 2018 Eduardo Bezerra (CEFET/RJ) Tamanho da Amostra 1 / 10 Motivação Suponha que queremos estimar
Leia maisDEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500. Planificação Anual /Critérios de avaliação. Disciplina: MACS 11º ano 2014/2015
AGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500 Planificação Anual /Critérios de avaliação Disciplina: MACS 11º ano 2014/2015 Início Fim Nº de
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 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 maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia 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 maisEstatística Bayesiana EST047
Estatística Bayesiana EST047 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Conceitos iniciais; Distribuições condicionais Conceitos iniciais Questão Como incorporar
Leia maisAT = Maior valor Menor valor
UNIVERSIDADE FEDERAL DA PARAÍBA TABELAS E GRÁFICOS Departamento de Estatística Luiz Medeiros DISTRIBUIÇÃO DE FREQUÊNCIA Quando se estuda uma massa de dados é de frequente interesse resumir as informações
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisINFERÊNCIA ESTATÍSTICA. ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p
INFERÊNCIA ESTATÍSTICA ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir
Leia maisTópicos em Gestão da Informação II
Tópicos em Gestão da Informação II Aula 08 Inferência Estatística Teste de Significância Prof. Dalton Martins dmartins@gmail.com Gestão da Informação Faculdade de Informação e Comunicação Universidade
Leia maisESTATÍSTICA. Lucas Santana da Cunha 18 de setembro de Universidade Estadual de Londrina
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 18 de setembro de 2017 Introdução Estatística Descritiva: Preocupa-se com
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo Lei de Bayes Variáveis Aleatórias
Leia maisMAE Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Gabarito - Lista 1. x i = 19, 01 (1) x = 1 15
MAE0217 - Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Gabarito - Lista 1 Exercício 1. a) Defina a variável X como a velocidade do vento. A média é dada por A variância
Leia maisFinanças Corporativas. Análise de Sensibilidade. Métodos de Avaliação de Risco. Motochoque Ltda. Análise de Risco
Finanças Corporativas Análise de Risco Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista
Leia maisGABARITO DA AVALIAÇÃO 1 ESTATÍSTICA E PROBABILIDADES ENGENHARIA DE TELECOMUNICAÇÕES
GABARITO DA AVALIAÇÃO 1 ESTATÍSTICA E PROBABILIDADES ENGENHARIA DE TELECOMUNICAÇÕES 014-1 1- Ordene os dados. Indique o 1º, º e 3º quartil. Desenhe o diagrama de caixa. Calcule a média e a mediana dos
Leia maisAula 01/10/2018 José Luiz Padilha 01 de outubro de 2018
Aula 01/10/2018 José Luiz Padilha 01 de outubro de 2018 Previsão Uma das formas de utilização de um modelo ajustado é para fazer previsões de valores futuros. Assim, se t é o período corrente estamos interessados
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
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 maisEstatística (MAD231) Turma: IGA. Período: 2016/2
Estatística (MAD231) Turma: IGA Período: 2016/2 Aula #02 de Inferência Estatística: 28/11/2016 1 Intervalos de Confiança Vamos começar com um exemplo. Suponha que se deseja estimar a média µ de uma população
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisIntervalos de Confiança
Intervalos de Confiança INTERVALOS DE CONFIANÇA.1 Conceitos básicos.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição numérica de
Leia maisProf. Eduardo Bezerra. 15 de setembro de 2017
Distribuições Amostrais Prof. Eduardo Bezerra Inferência Estatística 15 de setembro de 2017 Eduardo Bezerra (CEFET/RJ) Distribuições Amostrais 1 / 28 Roteiro Distribuições amostrais 1 Distribuições amostrais
Leia maisProbabilidade Aula 11
0303200 Probabilidade Aula 11 Magno T. M. Silva Escola Politécnica da USP Junho de 2017 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia
Leia maisTestes de Hipótese para uma única Amostra - parte II
Testes de Hipótese para uma única Amostra - parte II 2012/02 1 Teste para média com variância conhecida 2 3 Objetivos Ao final deste capítulo você deve ser capaz de: Testar hipóteses para média de uma
Leia maisIntrodução a Inferência Bayesiana
Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
Leia maisTestes qui-quadrado e da razão de verossimilhanças
Testes qui-quadrado e da razão de verossimilhanças 1. Simulações São apresentados os passos para a geração de amostras em linguagem R e, a partir destas, o teste da hipótese da distribuição multinomial
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisInferência Estatística. 1 Amostra Aleatória. Baseado nos slides cedidos pelo Professor Vinícius D. Mayrink (DEST-UFMG)
Inferência Estatística 1 Amostra Aleatória Baseado nos slides cedidos pelo Professor Vinícius D. Mayrink (DEST-UFMG) O que é Inferência Estatística? Desconhecimento, incerteza Fenômenos/experimentos: determinísticos
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
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 maisExame Final Nacional de Matemática Aplicada às Ciências Sociais Época especial
Exame Final Nacional de Matemática Aplicada às Ciências Sociais 2017 - Época especial Proposta de resolução 1. 1.1. Como o divisor padrão, que se supõe ser 15, se calcula dividindo o número total de bilhetes
Leia maisMAE 5882 aula 02. O log-retorno de período k (agregação temporal dos retornos)
Agregação de Retornos MAE 5882 aula 02 O log-retorno de período k (agregação temporal dos retornos) Agregação cross-section (transversal), para diversos ativos de uma carteira de investimentos, c: Suponha
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
Leia maisInferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Leia mais