Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações
|
|
- Regina Ester Barreto Castro
- 8 Há anos
- Visualizações:
Transcrição
1 Actas do XIV Congresso Anual da SPE 1 Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações Susana Rosado-Ganhão Faculdade de Arquitectura da UTL, Departamento de Tecnologias da Arquitectura/Centro de Estatística e Aplicações da UL Maria Antónia Amaral Turkman Faculdade de Ciências da UL, Departamento de Estatística e Investigação Operacional/ Centro de Estatística e Aplicações da UL Resumo: Este artigo surge na sequência de trabalhos anteriores sobre a aplicação da metodologia bayesiana para a predição do montante anual futuro do total de indemnizações pagas em seguros do ramo automóvel, tendo como informação passada as indemnizações agregadas nos anos 2000 a 2004 por tipo de indemnização. A predição é feita na forma de intervalos de predição, usando modelos bayesianos hierárquicos via amostragem Gibbs. A distribuição preditiva usada é obtida através do método bootstrap por aplicação da técnica "bagging" (Fushiki[3]). A título comparativo, aplicámos também uma metodologia "plug-in" usando para o efeito estimativas a posteriori dos parâmetros envolvidos. Palavras chave: intervalo de predição, modelo bayesiano hierárquico, amostragem Gibbs. Abstract: This work follows the application of the Bayesian methodology for the prediction of the total future amount of indemnities for a certain year payed in automobile insurances, having as past information the aggregated indemnities in the years 2000 to The prediction is made through prediction intervals, using Bayesian hierarchical models with Gibbs sampling. The predictive distribution is obtained using bootstrap methods and applying bagging to the statistical prediction problem (Fushiki[3]). For comparison purposes, we also use a "plug-in" methodology where the parameters involved are substituted by their posterior estimates. Keywords: prediction interval, hierarchical Bayesian model, Gibbs sampling. 1 Introdução O problema que temos em vista é o de predizer, na forma de intervalos de predição, o montante futuro do total de indemnizações pagas pela Companhia de Seguros Tranquilidade, no ramo automóvel. Este problema já foi alvo de um estudo anterior (Rosado-Ganhão e Amaral Turkman[4]) tendo-se então usado uma metodologia bayesiana hierárquica para a obtenção dos intervalos de predição. Contudo, os resultados obtidos não foram
2 2 S.R.Ganhão e M.A.Turkman/Predição do total de indemnizações totalmente satisfatórios em algumas das situações. Uma das razões possíveis apontadas foi o facto de os dados respeitantes aos anos mais recentes não se encontrarem actualizados à data das análises feitas. O objectivo do presente trabalho é o de averiguar em que medida é que, com o auxílio da metodologia bootstrap, se consegue ultrapassar os problemas anteriormente detectados com os intervalos de predição obtidos, já que essa metodologia confere uma maior variabilidade ao "observado"(davison e Hinkley[2]). Os dados que nos foram disponibilizados referem-se às indemnizações individuais por tipo de indemnização nos anos 2000 a Para os seguros referentes ao ramo automóvel, as indemnizações geradas por um determinado sinistro podem ser de quatro tipos: Tipo 0 - Indemnização por Danos Materiais; Tipo 1 - Indemnização por Danos Corporais; Tipo 2 - Indemnização Directa ao Segurado (IDS - acordo entre seguradoras em que uma companhia gere o sinistro do seu segurado, apesar da responsabilidade do sinistro ser de uma outra seguradora); Tipo 3 - Indemnização por Danos Próprios. Por indemnizações individuais entende-se os montantes pagos pela companhia de seguros em consequência de um sinistro. Assim, cada indemnização individual representa univocamente um sinistro. Os dados referentes aos anos 2000 a 2003 produziram resultados que foram validados com dados de Posteriormente aplicou-se o modelo proposto neste trabalho com os dados de 2000 a 2004 para fazer predições para o ano A predição é feita com recurso à distribuição preditiva bootstrap, depois de definido o modelo e estudada a sua adequabilidade aos dados, feito em Rosado- Ganhão e Amaral Turkman[4]. Esta distribuição é construída por aplicação da técnica "bagging" no problema da predição estatística (Fushiki[3]). Esta técnica consiste em obter uma predição estável através da média de várias predições baseadas em dados bootstrap. 2 Modelo Proposto Anualmente, e para cada tipo de indemnização, vamos assumir que temos um vector aleatório Y = (Y 1,,Y N ) constituído pelas indemnizações individuais, sendo N o número aleatório de sinistros, tal como foi feito em Rosado-Ganhão e Amaral Turkman[4]. Seja X = (X 1,,X n ) o vector das indemnizações agregadas semanais onde X i (i = 1,..., n) representa a soma de cada uma das n = 52 sequências das indemnizações individuais formadas a partir de (Y 1,..., Y nk ). Voltemos a definir o número médio de indemnizações semanais por k = [ N n ]1. 1 A representação [x] significa que se considera a parte inteira do número x.
3 Actas do XIV Congresso Anual da SPE 3 Assim, cada X i corresponde à soma de k valores de Y, de forma a termos as indemnizações agregadas semanais, X i, definidas pela soma de k indemnizações individuais Y j. O objectivo é, então, o de inferir sobre o montante futuro do total de indemnizações, 52 M T = X i = Y j (1) i=1 onde M é a variável aleatória que representa o número futuro anual de indemnizações (sinistros). Neste caso o ano futuro em estudo será o de Em termos do modelo proposto em Rosado-Ganhão e Amaral Turkman[4], uma análise preliminar dos dados das indemnizações agregadas sugeriu que um modelo adequado é um modelo de mistura de duas populações normais. Este modelo foi consonante com o facto de que, em geral, o valor das indemnizações ou se encontra dentro de determinados limites expectáveis, ou então pertence a um grupo de valores elevados que fogem desses limites. Tal como em Rosado-Ganhão e Amaral Turkman[4], assumimos que, para cada ano e para um determinado tipo de indemnização, cada observação de indemnizações agregadas, X i, é retirada de um grupo G i, que pode tomar os valores 1 ou 2. Novamente, supomos que existe um número desconhecido de observações no grupo 1 com probabilidade p e no grupo 2 com probabilidade (1 p). O modelo será (cf. Rosado-Ganhão e Amaral Turkman[4]), j=1 X i G i, λ Gi, σ 2, N Normal(µ Gi, σ 2 X ) G i p Categorical(p) µ Gi = [ N n ]λ G i λ 2 = λ 1 + ξ, ξ > 0 (2) σ 2 X = [ N n ]σ2 N µ, σ 2 N Normal(µ, σ2 N ) π(µ, p, λ 1, ξ, σ 2, σ 2 N ) = π(µ)π(p)π(λ 1)π(ξ)π(σ 2 )π(σ 2 N ), tendo-se assumido distribuições a priori não informativas para os parâmetros µ, p, λ 1, ξ, σ 2 e σn 2. Uma vez que queremos predizer o montante anual futuro do total de indemnizações T, definido em (1), voltamos a assumir que este tem uma distribuição amostral Normal de valor médio µ f e variância σf 2 onde µ f = (pλ 1 + (1 p)λ 2 ) M, σ 2 f = M σ2, (3) e onde M tem distribuição idêntica a N, ou seja, M µ, σ 2 N Normal(µ, σ2 N ).
4 4 S.R.Ganhão e M.A.Turkman/Predição do total de indemnizações 3 Metodologia Para os dados descritos na secção 1. vamos, então, usar o modelo bayesiano hierárquico de mistura de duas populações Normais definido em Rosado-Ganhão e Amaral Turkman[4] e recordado em (2), para predizer o total de indemnizações, T, definido por (1). Esta predição é feita via amostragem Gibbs para simular valores da distribuição preditiva bootstrap de T. Fushiki[3] define função preditiva bootstrap do seguinte modo: Definição A distribuição preditiva bootstrap é dada por p boot(x n+1 ;x) = f(x E p n+1 ; θ ) = f(x n+1 ; θ (x )) p(x )dx (4) onde x = (x 1,..., x n ) é o vector das observações, x = (x 1,..., x n) uma amostra bootstrap (que se obtem por reamostragem de x usando o método de amostragem aleatória simples com reposição), x n+1 uma observação futura, condicionalmente independente de x, mas cuja distribuição f(x n+1 ; θ) partilha com a distribuição de x do mesmo parâmetro θ, θ uma estimativa do parâmetro da distribuição baseada na amostra bootstrap x e p uma estimativa empírica da distribuição de X. Prova-se que p boot (x n+1;x) = 1 B B f(x n+1 ; θ (x (i) ) (5) converge para p boot (x n+1;x) (Fushiki[3]), sendo x (i) a amostra bootstrap para a réplica i. Assim, (5) é uma estimativa Monte Carlo da distribuição preditiva bootstrap dada por (4) e, como tal, ilustra uma aplicação da técnica bagging que consiste em obter uma predição estável através da média de várias predições baseadas em dados bootstrap. Esta distribuição preditiva bootstrap baseia-se numa metodologia "plugin" para obter a distribuição preditiva. Esta definição pode então ser generalizada para o caso em que se usa outro tipo de metodologia para construir a distribuição preditiva (Rosado-Ganhão e Amaral Turkman[5]) do seguinte modo p boot (x n+1 x) = p(x n+1 x ) p(x )dx (6) sendo a estimativa da distribuição preditiva bootstrap obtida através de i=1 p boot (x n+1 x) = 1 B B i=1 p(x n+1 x (i)). (7)
5 Actas do XIV Congresso Anual da SPE 5 Em particular, quando p(x n+1 x ) é a distribuição preditiva bayesiana, baseada em x, isto é p(x n+1 x ) = f(x n+1 θ)π(θ x ) dθ, obtemos a distribuição preditiva bootstrap bayesiana. Quando o cálculo desta distribuição preditiva é obtido com recurso a métodos de simulação, nomeadamente MCMC (Métodos de Monte Carlo via Cadeias de Markov), designamos essa estimativa por EMCBoot. O algoritmo para obter a estimativa EMCBoot da função preditiva bootstrap, p boot (t x), para a função que queremos predizer, T, é dado por: 1. Para i=1 a B gerar dados bootstrap, i.e, aplicar o método de amostragem aleatória simples com reposição ao vector das observações obtendo-se x (i) = (x (i)1,..., x (i)n ); simular valores do parâmetro θ, θ j (i), a partir da distribuição a posteriori de θ relativa a x (i) e com recurso ao método de amostragem Gibbs. 2. Calcular a distribuição preditiva bootstrap p boot (t x) = 1 B B i=1 p(t x (i)). (8) onde p(t x (i) ) 1 m m j=1 f(t θj (i)) é uma estimativa de Monte Carlo da distribuição preditiva bayesiana relativamente aos dados x (i), m corresponde ao número de valores simulados da distribuição a posteriori do parâmetro θ, f(t θ) é a densidade de probabilidade amostral para T. Neste trabalho vamos obter a estimativa da distribuição preditiva bootstrap bayesiana usando metodologia "plug-in" definida em (5) onde θ (x (i)) é substituído por uma estimativa a posteriori do parâmetro θ, seja θ (i), média dos valores simulados, θ j (i) ; procedimento EMCBoot. Tanto a metodologia "plug-in" como o procedimento EMCBoot foram codificados e implementados no package R 2 usando uma biblioteca específica deste package, designada R2WinBugs, que permite integrar o código implementado no WinBugs (que simula valores da distribuição a posteriori do parâmetro θ) no programa principal, o qual fornece uma estimativa da distribuição preditiva bootstrap de T. 2 R Package, versão 2.0.1, disponível em
6 6 S.R.Ganhão e M.A.Turkman/Predição do total de indemnizações 4 Resultados Depois de estudada em Rosado-Ganhão e Amaral Turkman[4] a adequabilidade do modelo proposto 3 considerámos as seguintes situações para aplicação da metodologia descrita: 1. A situação em que o futuro corresponde ao ano Neste caso os vectores das indemnizações agregadas para os anos 2000 a 2003 são X j = (X 1j,..., X nj ) com j = 1,..., 4, sendo conhecidos os valores do montante anual futuro do total de indemnizações, T. Com esta situação podemos avaliar se o valor de T registado se encontra no intervalo de predição obtido. 2. A situação em que o futuro é referente ao ano Neste caso os vectores das indemnizações agregadas para os anos 2000 a 2004 são X j = (X 1j,..., X nj ) com j = 1,..., 5, não sendo possível avaliar os resultados uma vez que ainda não disponibilizamos do valor registado de T para Assim, os valores observados de X j são os vectores das observações e o parâmetro da distribuição amostral de T, o montante futuro do total de indemnizações (definido em (1)), condicional a M, é θ f = (µ f, σf 2 ), definido em (3), sendo M N(µ, σn 2 ), considerada observação omissa e imputada via simulação. Para cada tipo de indemnizações considerado neste estudo repetiu-se B = 100 vezes o passo 1 do procedimento EMCBoot e para a simulação dos valores do vector parâmetro θ do modelo (θ = (µ, p, λ 1, ξ, σ 2, σn 2 )), fizeram-se iterações, com um período de aquecimento de iterações. Para obter uma estimativa da distribuição preditiva bootstrap, quer usando (5), quer usando (8), considerou-se uma grelha de valores para t e para f(t θ) usou-se a expressão da função densidade de probabilidade da normal com parâmetros (µ f, σf 2 ) dados em (3). 4.1 Resultados para o ano 2004 A Tabela 1, obtida em Rosado-Ganhão e Amaral Turkman[4], apresenta os intervalos de predição de 95% para T no caso em que não se aplica uma metodologia bootstrap. Comparando os resultados da Tabela 1 com os resultados da Tabela 2 referentes ao método EMCBoot verificamos que a metodologia bootstrap permitiu reduzir a amplitude dos intervalos de predição particularmente para as indemnizações de Tipo 0 e Tipo 3; as estimativas para os valores médios das distribui- 3 Este estudo foi realizado com recurso a uma técnica que consiste em simular dados replicados da função preditiva a posteriori e comparar estes valores com os dados observados através de alguma medida de relacionamento entre o modelo e os dados. Se o modelo for adequado o vector de réplicas deve ter um comportamento semelhante ao vector de dados em termos dessa medida.
7 Actas do XIV Congresso Anual da SPE 7 Tabela 1: Resumo dos resultados obtidos considerando informação dos anos 2000 a 2003 sem usar uma metodologia bootstrap. Valor registado Valor médio da dist. Intervalo de Anos de T (2004) preditiva de T predição para T Tipo [18620, 41500] Tipo [19190, 27650] Tipo [12770, 13340] Tipo [16150, 38230] ções preditivas não se alteraram substancialmente. Continua a observar-se uma sobrestimação dos custos de indemnização. Ainda, comparando os resultados da Tabela 2 no que diz respeito às duas metodologias constata-se, tal como seria de esperar, que os intervalos de predição obtidos pela metodologia "plug-in" apresentam amplitudes menores. Sabe-se, no entanto, que esta redução da amplitude é obtida à custa de uma menor probabilidade de cobertura dos intervalos, em geral bastante inferior à confiança do intervalo de predição (Butler[1]). Tabela 2: Resultados obtidos por simulação da distribuição preditiva bootstrap de T usando informação dos anos 2000 a 2003, seguindo o procedimento EMCBoot e a metodologia "plug-in". Valor registado Valor médio da dist. Intervalo de Anos de T (2004) preditiva de T predição para T EMCBoot plug-in EMCBoot plug-in Tipo [26930, 36930] [27010, 34520] Tipo [19130, 27240] [19920, 25810] Tipo [ , ] [12892, 13284] Tipo [20930, 29530] [21850, 29130] 4.2 Resultados para o ano 2005 Comparando os resultados da Tabela 3 (obtidos em Rosado-Ganhão e Amaral Turkman[4]) e os da Tabela 4, no que diz respeito à metodologia EMCBoot, constatamos novamente que há uma redução na amplitude dos intervalos de predição no que diz respeito às indemnizações de Tipo 0, 1 e 2, não havendo alterações significativas no que diz respeito aos valores médios da distribuição preditiva. Novamente, como era de esperar, a metodologia "plug-in" produz intervalos de predição com menor amplitude embora as diferenças observadas não sejam tão díspares como anteriormente.
8 8 S.R.Ganhão e M.A.Turkman/Predição do total de indemnizações Tabela 3: Resumo dos resultados obtidos considerando informação dos anos 2000 a 2004 sem usar uma metodologia bootstrap. Valor médio da dist. Intervalo de Anos preditiva de T predição para T Tipo [18440, 41380] Tipo [19080, 26530] Tipo [12770, 13290] Tipo [21040, 27340] Tabela 4: Resultados obtidos por simulação da distribuição preditiva bootstrap de T usando informação dos anos 2000 a 2004, seguindo o procedimento EMCBoot e a metodologia "plug-in". Valor médio da dist. Intervalo de Anos preditiva de T predição para T EMCBoot plug-in EMCBoot plug-in Tipo [26810, 37530] [26850, 35680] Tipo [18760, 26320] [19610, 25110] Tipo [12809, 13290] [ , 13233] Tipo [20250, 28880] [20740, 27020] 5 Conclusões A metodologia bootstrap, aplicada ao problema da predição do montante futuro do total de indemnizações, permitiu uma redução da amplitude dos intervalos de predição, particularmente para as indemnizações de Tipo 0 e Tipo 3 que apresentam uma maior variabilidade, já que correspondem a danos materiais e danos próprios, respectivamente. Esta metodologia não permitiu, no entanto, reduzir o problema do enviesamento (neste caso causador de sobrestimação) e como consequência os intervalos de predição deixaram de conter o valor registado do total de indemnizações do ano Deve referir-se que os dados utilizados continuam a não estar actualizados. No entanto, a Companhia de Seguros Tranquilidade já se disponibilizou para nos fornecer os dados de 2004 actualizados e uma previsão de 2005 (que aguardamos ter a qualquer momento) para poder refazer os cálculos e tirar conclusões mais apropriadas.
9 Actas do XIV Congresso Anual da SPE 9 Agradecimentos À Companhia de Seguros Tranquilidade pela disponibilidade em fornecer o conjunto de dados que tornou possível este estudo. Referências [1] Butler, R.W. (1989). Approximate predictive pivots and densities. Biometrika, vol. 76(3), p [2] Davison, A.C. e Hinkley, D.V. (1997). Bootstrap methods and their application. Cambridge: University Press. [3] Fushiki, T, Komaki, F. e Aihara, K. (2005). Nonparametric bootstrap prediction. Bernoulli, vol. 11(2), p [4] Rosado-Ganhão, S. e Amaral Turkman, M.A. (2006). Predição bayesiana do montante anual futuro do total de indemnizações. In Canto e Castro, L. et al (Eds.), Ciência Estatística. Edições SPE, p [5] Rosado-Ganhão, S. e Amaral Turkman, M.A. (2004). Um estudo comparativo de diferentes métodos de predição. In Rodrigues, P.M.M. et al (Eds.), Estatística com Acaso e Necessidade. Edições SPE, p
TTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL. Cleber Giugioli Carrasco 1 ; Francisco Louzada-Neto 2 RESUMO
TTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL Cleber Giugioli Carrasco ; Francisco Louzada-Neto Curso de Matemática, Unidade Universitária de Ciências Exatas e Tecnológicas, UEG. Departamento
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisUtilizando Monte Carlo e Reamostragem em Estimativas. Mauricio Aguiar, TI Métricas
Utilizando Monte Carlo e Reamostragem em Estimativas Mauricio Aguiar, TI Métricas Agenda Introdução Um Exemplo Simples Outro Exemplo Reamostragem Faça Você Mesmo - Monte Carlo Resumo Introdução Estimativas
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia mais3. Características amostrais. Medidas de localização e dispersão
Estatística Descritiva com Excel Complementos. 77 3. Características amostrais. Medidas de localização e dispersão 3.1- Introdução No módulo de Estatística foram apresentadas as medidas ou estatísticas
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisIntrodução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.
Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;
Leia maisDesenvolvimento de Sistema de Software
Desenvolvimento de Sistema de Software Grupo 5 Abel Matos 51776 João Amorim 51771 João Guedes 51755 Luís Oliveira 51801 Pedro Reis 51829 Introdução Neste relatório, realizado no âmbito da primeira fase
Leia maisEVOLUÇÃO DO SEGURO DE SAÚDE EM PORTUGAL
EVOLUÇÃO DO SEGURO DE SAÚDE EM PORTUGAL Ana Rita Ramos 1 Cristina Silva 2 1 Departamento de Análise de Riscos e Solvência do ISP 2 Departamento de Estatística e Controlo de Informação do ISP As opiniões
Leia maisPlaneamento da Produção
Regula o funcionamento da ao nível operacional através de decisões do tipo o que, quando e quanto produzir ou comprar estratégico do negócio estratégico do negócio estratégico da estratégico da agregado
Leia maisUniversidade Federal de Pernambuco Mestrado em Estatística
Universidade Federal de Pernambuco Mestrado em Estatística Lista 4 de Exercícios de Amostragem Prof. Cristiano Ferraz 1. Em relação ao plano amostral de Bernoulli: a) Explique como retirar uma amostra
Leia maisTecido 1 2 3 4 5 6 7 A 36 26 31 38 28 20 37 B 39 27 35 42 31 39 22
Teste para diferença de médias Exemplo Dois tipos diferentes de tecido devem ser comparados. Uma máquina de testes Martindale pode comparar duas amostras ao mesmo tempo. O peso (em miligramas) para sete
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisIntrodução à análise de dados discretos
Exemplo 1: comparação de métodos de detecção de cárie Suponha que um pesquisador lhe apresente a seguinte tabela de contingência, resumindo os dados coletados por ele, oriundos de um determinado experimento:
Leia maisComo proceder à renovação ou à confirmação de dados estimados
Como proceder à renovação ou à confirmação de dados estimados Para efectuarem qualquer operação de certificação (ex: confirmação de dados estimados, renovação da certificação), as empresas devem aceder
Leia maisBase de Dados para Administrações de Condomínios
Base de Dados para Administrações de Condomínios José Pedro Gaiolas de Sousa Pinto: ei03069@fe.up.pt Marco António Sousa Nunes Fernandes Silva: ei03121@fe.up.pt Pedro Miguel Rosário Alves: alves.pedro@fe.up.pt
Leia maisActivALEA. active e actualize a sua literacia
ActivALEA active e actualize a sua literacia N.º 25 HIISTOGRAMA Por: Maria Eugénia Graça Martins Departamento de Estatística e Investigação Operacional da FCUL memartins@fc.ul.pt Emília Oliveira Escola
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisPropagação de distribuições pelo método de Monte Carlo
Sumário Propagação de distribuições pelo método de Monte Carlo João Alves e Sousa Avaliação de incertezas pelo GUM Propagação de distribuições O método de Monte Carlo Aplicação a modelos de medição por
Leia maisMinistério das Finanças Instituto de Informática. Departamento de Sistemas de Informação
Ministério das Finanças Instituto de Informática Departamento de Sistemas de Informação Assiduidade para Calendários Específicos Junho 2010 Versão 6.0-2010 SUMÁRIO 1 OBJECTIVO 4 2 ECRÃ ELIMINADO 4 3 NOVOS
Leia maisNCE/11/01396 Relatório preliminar da CAE - Novo ciclo de estudos
NCE/11/01396 Relatório preliminar da CAE - Novo ciclo de estudos Caracterização do pedido Perguntas A.1 a A.10 A.1. Instituição de ensino superior / Entidade instituidora: E.I.A. - Ensino, Investigação
Leia maisMETODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA
METODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA BAYESIAN METHODOLOGY FOR THE DEFORMABILITY MODULUS UPDATING IN AN UNDERGROUND STRUCUTRE Miranda, Tiago,
Leia maisSistemas de Alarme Óptimos para Processos de Contagem
Sistemas de Alarme Óptimos para Processos de Contagem Magda Monteiro Isabel Pereira Manuel Scotto UIMA-UA SPE-Covilhã 1 Introdução Em muitos fenómenos descritos por processos é fundamental a implementação
Leia maisA MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1
A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1 A IMPORTÂNCIA DA MATEMÁTICA O desenvolvimento das sociedades tem sido também materializado por um progresso acentuado no plano científico e nos diversos domínios
Leia mais5 Análise dos Resultados Seguro de Vida
Capítulo 5 Análise dos Resultados - Seguro de Vida 5 Análise dos Resultados Seguro de Vida Este capítulo tem como objetivo a análise dos resultados obtidos através da modelagem dos dados de uma seguradora.
Leia maisActivALEA. active e actualize a sua literacia
ActivALEA active e actualize a sua literacia N.º 0 - DIIAGRAMA DE EXTREMOS E QUARTIIS Por: Maria Eugénia Graça Martins Departamento de Estatística e Investigação Operacional da FCUL memartins@fc.ul.pt
Leia maisSegurança e Higiene no Trabalho
Guia Técnico Segurança e Higiene no Trabalho Volume III Análise de Riscos um Guia Técnico de Copyright, todos os direitos reservados. Este Guia Técnico não pode ser reproduzido ou distribuído sem a expressa
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisGeração de Números Aleatórios e Simulação
Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana
Leia maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos
Dados que podem ser necessários a algumas questões de Estatística: P (t > t α ) = α ν 0,05 0,025 15 1,753 2,131 16 1,746 2,120 28 1,791 2,048 30 1,697 2,042 (Valor: 1,4) Questão 1. Considere o seguinte
Leia maisMAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia maisAnálise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisProcedimento Específico. Gestão dos Dispositivos de Monitorização e Medição. Validado: Jaime Quendera Data: 2006-01-11. Responsável da Qualidade
Elaborado: 2006-01-11 Validado: 2006-01-11 Pág. 1 de 5 Aprovado: 2006-01-11 Documento: Título: Código: Produzido por: Aprovado por: Descrição Sumária: Gestão dos Dispositivos PE-QL-14 (Data de Aprovação)
Leia maispor João Gomes, Director Executivo do Instituto de Planeamento e Desenvolvimento do Turismo e Professor Associado da Universidade Fernando Pessoa
COMO AUMENTAR AS RECEITAS DE UM NEGÓCIO: O CONCEITO DE GESTÃO DE RECEITAS (revenue management) (Publicado na Revista Hotéis de Portugal Maio/Junho 2004) por João Gomes, Director Executivo do Instituto
Leia maisCOMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO
COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA O que é risco? Quais são os tipos de riscos? Quais são os tipos de análises? Qual a principal função do Excel para gerar simulações aleatórias? O que é distribuição
Leia mais1. Introdução. 1.1 Introdução
1. Introdução 1.1 Introdução O interesse crescente dos físicos na análise do comportamento do mercado financeiro, e em particular na análise das séries temporais econômicas deu origem a uma nova área de
Leia maisTeorema Central do Limite e Intervalo de Confiança
Probabilidade e Estatística Teorema Central do Limite e Intervalo de Confiança Teorema Central do Limite Teorema Central do Limite Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisTarefa Orientada 14 Subconsultas
Tarefa Orientada 14 Subconsultas Objectivos: Subconsultas não correlacionadas Operadores ALL, SOME e ANY Subconsultas correlacionadas Operador EXISTS Subconsultas incluídas na cláusula FROM de uma consulta
Leia maisUNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2
UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0
Leia maisISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário. As Normas da família ISO 9000. As Normas da família ISO 9000
ISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário Gestão da Qualidade 2005 1 As Normas da família ISO 9000 ISO 9000 descreve os fundamentos de sistemas de gestão da qualidade e especifica
Leia maisGESTÃO DE ARQUIVOS E DEPÓSITOS. Regulamento
GESTÃO DE ARQUIVOS E DEPÓSITOS Regulamento 1. Enquadramento A necessidade de arquivos e depósitos no Pavilhão de Civil é partilhada pelas várias unidades funcionais instaladas. Em particular, este documento
Leia maisNorma Interpretativa 2 Uso de Técnicas de Valor Presente para mensurar o Valor de Uso
Norma Interpretativa 2 Uso de Técnicas de Valor Presente para mensurar o Valor de Uso Esta Norma Interpretativa decorre da NCRF 12 - Imparidade de Activos. Sempre que na presente norma existam remissões
Leia maisTranscrição Automática de Música
Transcrição Automática de Música Ricardo Rosa e Miguel Eliseu Escola Superior de Tecnologia e Gestão do Instituto Politécnico de Leiria Departamento de Engenharia Informática A transcrição automática de
Leia maisBarómetro Regional da Qualidade Avaliação da Satisfação dos Utentes dos Serviços de Saúde
Avaliação da Satisfação dos Utentes dos Serviços de Saúde Entidade Promotora Concepção e Realização Enquadramento Avaliação da Satisfação dos Utentes dos Serviços de Saúde Índice RESUMO EXECUTIVO...
Leia maisUm estudo da correlação dos resultados patrimoniais e operacionais das seguradoras Francisco Galiza, Mestre em Economia (FGV)
Um estudo da correlação dos resultados patrimoniais e operacionais das seguradoras Francisco Galiza, Mestre em Economia (FGV) Este estudo aborda a correlação entre os resultados operacionais e patrimoniais
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
Leia maisMétodos de Previsão de Sinistros
Apresentação no âmbito da disciplina Seminário de Modelação Métodos de Previsão de Sinistros Orientador: Margarida Brito - FCUP Coorientador: Maria do Carmo Guedes - CMUP, Luís Maranhão - AXA Ana Pinto
Leia maisdissertação. 2 Credibilidade total, em linhas gerais, seria a capacidade de representar o comportamento
13 1 Introdução Esta dissertação é o estudo de um problema estatístico de classificação que diz respeito à precificação de seguros de automóveis. Devido às particularidades deste ramo, a formação dos contratos,
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisO método de Monte Carlo: algumas aplicações na Escola Básica
1 Universidade de São Paulo/Faculdade de Educação Seminários de Ensino de Matemática (SEMA-FEUSP) Coordenador: Nílson José Machado novembro/2009 O método de Monte Carlo: algumas aplicações na Escola Básica
Leia mais1 Descrição do Trabalho
Departamento de Informática - UFES 1 o Trabalho Computacional de Algoritmos Numéricos - 13/2 Métodos de Runge-Kutta e Diferenças Finitas Prof. Andréa Maria Pedrosa Valli Data de entrega: Dia 23 de janeiro
Leia maisCresce o numero de desempregados sem direito ao subsidio de desemprego Pág. 1
Cresce o numero de desempregados sem direito ao subsidio de desemprego Pág. 1 CRESCE O DESEMPREGO E O NUMERO DE DESEMPREGADOS SEM DIREITO A SUBSIDIO DE DESEMPREGO, E CONTINUAM A SER ELIMINADOS DOS FICHEIROS
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisNCE/10/01121 Relatório preliminar da CAE - Novo ciclo de estudos
NCE/10/01121 Relatório preliminar da CAE - Novo ciclo de estudos Caracterização do pedido Perguntas A.1 a A.10 A.1. Instituição de ensino superior / Entidade instituidora: Universitas, Crl A.1.a. Descrição
Leia maisUma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos de Sobrevivência
TEMA Tend. Mat. Apl. Comput., 7, No. 1 (2006), 91-100. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos
Leia maisExplorações de alunos
A partir dos exemplos sugeridos e explorados pelos alunos pretende-se que possam conjecturar que, dadas duas funções reais de variável real f e g, o domínio da função quociente pode ser dado por: f f g
Leia maisTrabalhos Práticos. Programação II Curso: Engª Electrotécnica - Electrónica e Computadores
Trabalhos Práticos Programação II Curso: Engª Electrotécnica - Electrónica e Computadores 1. Objectivos 2. Calendarização 3. Normas 3.1 Relatório 3.2 Avaliação 4. Propostas Na disciplina de Programação
Leia maisProbabilidade. Distribuição Binomial
Probabilidade Distribuição Binomial Distribuição Binomial (Experimentos de Bernoulli) Considere as seguintes experimentos/situações práticas: Conformidade de itens saindo da linha de produção Tiros na
Leia maisPodemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em um projeto.
Discussão sobre Nivelamento Baseado em Fluxo de Caixa. Item aberto na lista E-Plan Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em
Leia maisPerguntas mais frequentes
Estas informações, elaboradas conforme os documentos do Plano de Financiamento para Actividades Estudantis, servem de referência e como informações complementares. Para qualquer consulta, é favor contactar
Leia maisa) Suponha que na amostra de 20 declarações foram encontrados 15 com dados incorrectos. Construa um
Escola Superior de Tecnologia de Viseu Probabilidades e Estatística 2007/2008 Ficha nº 7 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas de vendas, A e B, para o mesmo produto.
Leia maisGUIA PARA O PREENCHIMENTO DOS FORMULÁRIOS ENTIDADE GESTORA ERP PORTUGAL
GUIA PARA O PREENCHIMENTO DOS FORMULÁRIOS ENTIDADE GESTORA ERP PORTUGAL Versão: 1.0 Data: 05-06-2009 Índice Acesso e estados dos Formulários... 3 Escolha do Formulário e submissão... 4 Bases para a navegação
Leia maisModelo Cascata ou Clássico
Modelo Cascata ou Clássico INTRODUÇÃO O modelo clássico ou cascata, que também é conhecido por abordagem top-down, foi proposto por Royce em 1970. Até meados da década de 1980 foi o único modelo com aceitação
Leia maisIntrodução à genética quantitativa usando os recursos do R
Introdução à genética quantitativa usando os recursos do R Marisa R. Cantarino 1 Julia M. P. Soler (orientadora) 2 1 Introdução Um dos principais desafios da pesquisa genética atualmente é estabelecer
Leia maishttp://www.de.ufpb.br/~luiz/
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisModelos Logísticos e Hierárquicos
1 Modelos Logísticos e Hierárquicos Ernesto F. L. Amaral Magna M. Inácio 30 de setembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) REGRESSÃO
Leia maisEntendimento do ICP-ANACOM. Originação de chamadas nas redes móveis nacionais
Entendimento do ICP-ANACOM Originação de chamadas nas redes móveis nacionais I. Enquadramento Os serviços de originação de chamadas prestados pelos operadores móveis nacionais são definidos como os serviços
Leia maisNCE/11/01851 Relatório final da CAE - Novo ciclo de estudos
NCE/11/01851 Relatório final da CAE - Novo ciclo de estudos Caracterização do pedido Perguntas A.1 a A.10 A.1. Instituição de ensino superior / Entidade instituidora: Fedrave - Fundação Para O Estudo E
Leia mais5 Circuitos Equivalentes
5 Circuitos Equivalentes 5.1 Circuitos Equivalentes Nos capítulos anteriores já se apresentaram diversos exemplos de circuitos equivalentes, por exemplo, resistências em série e em paralelo ou a chamada
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ
Comentários sobre as provas de estatística e financeira ICMS RJ Caríssimos, Acabei de voltar de uma longa auditoria em que visitamos inúmeros assentamentos federais do INCRA no interior do estado. Ou seja:
Leia maisCOMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV- SMIRNOV, ANDERSON-DARLING, CRAMER VON MISES E SHAPIRO-WILK POR SIMULAÇÃO
COMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV SMIRNOV, ANDERSONDARLING, CRAMER VON MISES E SHAPIROWILK POR SIMULAÇÃO Vanessa Bielefeldt Leotti, Universidade Federal do Rio Grande do Sul,
Leia maisPROJECTO DE RELATÓRIO
PARLAMENTO EUROPEU 1999 Comissão dos Orçamentos 2004 28 de Junho de 2004 PROVISÓRIO 0000(BUD) Parte 1 PROJECTO DE RELATÓRIO sobre o projecto de orçamento rectificativo nº 7/2004 da União Europeia para
Leia maisISO 9001:2008. A International Organization for Standardization (ISO) publicou em 2008-11- 14 a nova edição da Norma ISO 9000:
A International Organization for Standardization (ISO) publicou em 2008-11- 14 a nova edição da Norma ISO 9000: ISO 9001:2008 Esta nova edição decorre do compromisso da ISO em rever e actualizar as Normas,
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL
ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL Vinicius Fechio Técnico de Metrologia Brasmetal Waelzholz S. A. Ind. e Com. Julho/ 2009 E-mail: vfechio@brasmetal.com.br / Site: www.brasmetal.com.br
Leia maisLeia o texto abaixo para resolver as questões sobre população e amostra.
Leia o texto abaixo para resolver as questões sobre população e amostra. População e amostra População e amostra referem-se ao conjunto de entes cujas propriedades desejamos averiguar. População estatística
Leia maisEngenharia de Software
Engenharia de Software 2º Semestre de 2006/2007 Terceiro enunciado detalhado do projecto: Portal OurDocs ic-es+alameda@mega.ist.utl.pt ic-es+tagus@mega.ist.utl.pt 1. Introdução O terceiro enunciado do
Leia maisModelação conceptual de classes
Modelação conceptual de classes Alguns casos práticos: Gestão de empréstimos Departamento da faculdade Mega superfície comercial 1 Gestão de empréstimos Processo de gestão de empréstimos para aquisição
Leia maisRegressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros.
Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros. José Luís Mourão Faculdade de Ciências Universidade do Porto 28 de Janeiro de 2013 José Luís Mourão
Leia maisEstudo da Viabilidade da utilização de Cartão de Crédito para um Grupo de Clientes Essenciais
Estudo da Viabilidade da utilização de Cartão de Crédito para um Grupo de Clientes Essenciais Cleyton Zanardo de Oliveira CER, DEs, UFSCar Vera Lúcia Damasceno Tomazella, DEs, UFSCar Resumo Uma única pessoa
Leia maisMonitor Giovani Roveroto
Monitor Giovani Roveroto Intervalo de Confiança 1. Suponha que o gerente de uma loja de comércio de tintas queira calcular a verdadeira quantidade de tinta contida em um galão, comprados de um fabricante
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisProjeto de Armazéns e Modelos de Armazenamento
Projeto de Armazéns e Ricardo A. Cassel Projeto de Armazéns Modelos de armazenamento baseado em classes 1 O armazenamento dedicado é utilizado quando uma unidade mantida em estoque (SKU) é designada para
Leia maisNota prévia. Convenções
Nota prévia O draft de diagrama de componentes, e respectivas interfaces, foi actualizado pela última vez em 07/12/2007. Este draft servirá de base para as implementações do CyberChair. Caso detecte alguma
Leia mais'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56
LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU OREDOGR(VWDGRGR56 6X]DQH5DQ]DQ 6LPRQH0&HUH]HU&ODRGRPLU$0DUWLQD]]R Universidade Regional Integrada do Alto Uruguai e das Missões, Departamento de
Leia maisHistogramas. 12 de Fevereiro de 2015
Apêndice B Histogramas Uma situação comum no laboratório e na vida real é a de se ter uma grande quantidade de dados e deles termos que extrair uma série de informações. Encontramos essa situação em pesquisas
Leia maisCIRCUITOS E SISTEMAS ELECTRÓNICOS
INSTITUTO SUPERIOR DE CIÊNCIAS DO TRABALHO E DA EMPRESA Enunciado do 2º Trabalho de Laboratório CIRCUITOS E SISTEMAS ELECTRÓNICOS MODELAÇÃO E SIMULAÇÃO DE CIRCUITOS DE CONVERSÃO ANALÓGICO-DIGITAL E DIGITAL-ANALÓGICO
Leia maisComo aleatorizar? (Nome professor) (Universidade) Abdul Latif Jameel Poverty Action Lab. www.povertyactionlab.org
Como aleatorizar? (Nome professor) (Universidade) Abdul Latif Jameel Poverty Action Lab www.povertyactionlab.org Resumo da apresentação Restrições do mundo real e alguns exemplos bem sucedidos Unidade
Leia maisA INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA
A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA João Cirilo da Silva Neto jcirilo@araxa.cefetmg.br. CEFET-MG-Centro Federal de Educação Tecnológica de Minas Gerais-Campus IV, Araxá Av. Ministro Olavo Drumonnd,
Leia mais