Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações

Tamanho: px
Começar a partir da página:

Download "Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações"

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 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 mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE 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 mais

Utilizando Monte Carlo e Reamostragem em Estimativas. Mauricio Aguiar, TI Métricas

Utilizando 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 mais

METODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA

METODOLOGIA 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 mais

Avaliando o que foi Aprendido

Avaliando 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 mais

1 Método de Monte Carlo Simples

1 Método de Monte Carlo Simples Método de Monte Carlo Simples Finalidade: obter uma estimativa para o valor esperado de uma função qualquer g da variável aleatória θ, ou seja, E[g(θ)]. Seja g(θ) uma função qualquer de θ. Suponha que

Leia mais

Geração de Números Aleatórios e Simulação

Geração 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 mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio 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 mais

Sistemas de Alarme Óptimos para Processos de Contagem

Sistemas 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 mais

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.

Introdução. 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 mais

Estatística Aplicada

Estatística Aplicada INSTITUTO SUPERIOR POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA Estatística Aplicada Ano Lectivo 2006/2007 Ficha n.º1 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas

Leia mais

Introdução à análise de dados discretos

Introdução 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 mais

Bioestatística Aula 3

Bioestatística Aula 3 Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento

Leia mais

VALIDAÇÃO DE MODELOS DE REGRESSÃO POR BOOTSTRAP. João Riboldi 1

VALIDAÇÃO DE MODELOS DE REGRESSÃO POR BOOTSTRAP. João Riboldi 1 VALIDAÇÃO DE MODELOS DE REGRESSÃO POR BOOTSTRAP João Riboldi 1 1. Introdução Na construção de um modelo de regressão, de uma maneira geral segue-se três etapas: executa-se o ajuste do modelo, obtendo-se

Leia mais

Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos de Sobrevivência

Uma 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 mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I

O 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 mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 6 Abril 09 5 Modelos preditivos para classificação 5. Introdução Os modelos descritivos, tal como apresentados atrás, limitam-se à sumarização dos dados

Leia mais

Inferência Estatística

Inferência Estatística Universidade Federal Fluminense Instituto de Matemática e Estatística Inferência Estatística Ana Maria Lima de Farias Departamento de Estatística Conteúdo 1 Inferência estatística Conceitos básicos 1 1.1

Leia mais

Universidade 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 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 mais

Universidade Federal de Pernambuco Mestrado em Estatística

Universidade 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 mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. 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 mais

Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos

Universidade 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 mais

Propagação de distribuições pelo método de Monte Carlo

Propagação 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 mais

Disciplinas: Cálculo das Probabilidades e Estatística I

Disciplinas: Cálculo das Probabilidades e Estatística I Introdução a Inferência Disciplinas: Cálculo das Probabilidades e Estatística I Universidade Federal da Paraíba Prof a. Izabel Alcantara Departamento de Estatística (UFPB) Introdução a Inferência Prof

Leia mais

Universidade Federal Fluminense

Universidade Federal Fluminense Universidade Federal Fluminense INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA ESTATÍSTICA V Lista 9: Intervalo de Confiança. 1. Um pesquisador está estudando a resistência de um determinado

Leia mais

Estatística Aplicada para Engenharia Inferência para Duas Populações

Estatística Aplicada para Engenharia Inferência para Duas Populações Universidade Federal Fluminense Instituto de Matemática e Estatística Estatística Aplicada para Engenharia Inferência para Duas Populações Ana Maria Lima de Farias Departamento de Estatística Conteúdo

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL Introdução Variável aleatória Discreta: assume um número finito ou infinito numerável de valores Contínua: assume todos os valores

Leia mais

Probabilidade. Distribuição Normal

Probabilidade. Distribuição Normal Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade

Leia mais

Modelos Logísticos e Hierárquicos

Modelos 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 mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

2. Método de Monte Carlo

2. 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 mais

Teorema Central do Limite e Intervalo de Confiança

Teorema 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 mais

CAPÍTULO 9 Exercícios Resolvidos

CAPÍTULO 9 Exercícios Resolvidos CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159

Leia mais

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA

A 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

Teorema do Limite Central e Intervalo de Confiança

Teorema 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 mais

2 Independência e dependência das taxas de juro

2 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 mais

ActivALEA. active e actualize a sua literacia

ActivALEA. 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 mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA

Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA Everton Batista da Rocha 1 2 3 Roseli Aparecida Leandro 2 Paulo Justiniano Ribeiro Jr 4 1 Introdução Na experimentação agronômica

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável

Leia mais

Testes de Ajustamento (testes da bondade do ajustamento)

Testes de Ajustamento (testes da bondade do ajustamento) Testes de Ajustamento (testes da bondade do ajustamento) Os testes de ajustamento servem para testar a hipótese de que uma determinada amostra aleatória tenha sido extraída de uma população com distribuição

Leia mais

3. Características amostrais. Medidas de localização e dispersão

3. 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 mais

Distribuições de Probabilidade Distribuição Binomial

Distribuições de Probabilidade Distribuição Binomial PROBABILIDADES Distribuições de Probabilidade Distribuição Binomial BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA

ESCOLA SUPERIOR DE TECNOLOGIA Departamento Matemática Curso Engenharia do Ambiente º Semestre 1º Folha Nº4: Intervalos de confiança Probabilidades e Estatística 1.a) Determine o intervalo de confiança a 90% para a média de uma população

Leia mais

COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO

COMO 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 mais

6 Construção de Cenários

6 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 mais

Método Variacional com Monte Carlo aplicado ao oscilador harmônico quântico

Método Variacional com Monte Carlo aplicado ao oscilador harmônico quântico Revista Brasileira de Ensino de Física, v. 28, n. 1, p. 45-50, (2006) www.sbfisica.org.br Método Variacional com Monte Carlo aplicado ao oscilador harmônico quântico (he Monte Carlo variational method

Leia mais

'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56

'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 mais

3URYLVmRGH 3UrPLRVQmR *DQKRV 5LVFRGH 3UHFLILFDomR. 5LVFRGD 3URYLVmR GR$QR 3DVVDGR 6HJXLQWH

3URYLVmRGH 3UrPLRVQmR *DQKRV 5LVFRGH 3UHFLILFDomR. 5LVFRGD 3URYLVmR GR$QR 3DVVDGR 6HJXLQWH Avaliação do Risco de Subscrição de Prêmio Utilizando Inferência Bayesiana Eduardo Fraga Doutorando e Mestre em Finanças pelo Instituto COPPEAD de Administração/UFRJ e Graduado Magna Cum Laude em Ciências

Leia mais

Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana

Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana Bruna Cristina Braga 1 2 Juliana Garcia Cespedes 1 1 Introdução Os cursos de pós-graduação do Brasil são avaliados pela

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departamento de Matemática - IST(TP) Secção de Estatística e Aplicações Probabilidades e Estatística 1 o Exame/1 o Teste/2 o Teste 2 o Semestre/1 a Época 2008/09 Duração: 3 horas/1 hora e 30 minutos 16/01/09

Leia mais

PLANIFICAÇÃO OPERACIONAL DA PESQUISA

PLANIFICAÇÃO OPERACIONAL DA PESQUISA Laboratório de Psicologia Experimental Departamento de Psicologia UFSJ Disciplina: Método de Pesquisa Quantitativa TEXTO 8: PLANIFICAÇÃO OPERACIONAL DA PESQUISA Autora: Prof. Marina Bandeira,Ph.D. 1. POPULAÇÃO-

Leia mais

Métodos de Monte Carlo

Métodos 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 mais

Regressão 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. 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 mais

A distribuição Weibull-Poisson

A distribuição Weibull-Poisson A distribuição Weibull-Poisson Estela Maris P. Bereta - DEs/UFSCar Francisco Louzada-Neto - DEs/UFSCar Maria Aparecida de Paiva Franco - DEs/UFSCar Resumo Neste trabalho é proposta uma distribuição de

Leia mais

Simulação de um catálogo espectrofotométrico III ABC do método de Monte Carlo. Laerte Sodré Jr. Fevereiro, 2011

Simulação de um catálogo espectrofotométrico III ABC do método de Monte Carlo. Laerte Sodré Jr. Fevereiro, 2011 Simulação de um catálogo espectrofotométrico III ABC do método de Monte Carlo Laerte Sodré Jr. Fevereiro, 2011 O começo: População e Amostra População: uma coleção completa de objetos (pessoas, animais,

Leia mais

Modelos bayesianos sem MCMC com aplicações na epidemiologia

Modelos bayesianos sem MCMC com aplicações na epidemiologia Modelos bayesianos sem MCMC com aplicações na epidemiologia Leo Bastos, PROCC/Fiocruz lsbastos@fiocruz.br Outline Introdução à inferência bayesiana Estimando uma proporção Ajustando uma regressão Métodos

Leia mais

Probabilidade. Distribuição Binomial

Probabilidade. 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 mais

Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana

Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Leandro Alves Pereira - FAMAT, UFU Rogerio de Melo Costa Pinto - FAMAT, UFU 2 Resumo: Os insetos-pragas

Leia mais

Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33

Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33 Sumário Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33 Capítulo I CIÊNCIA, CONHECIMENTOS E PESQUISA CIENTÍFICA... 37 1. Conceito de ciência e tipos

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 4 de Maio 09 5 Modelos preditivos para classificação (continuação) 5.6 Modelos naive Bayes - classificador bayesiano simples O método ganha a designação

Leia mais

Um modelo de TRI para dados do vestibular 2011.2 da Universidade Federal de Uberlândia

Um modelo de TRI para dados do vestibular 2011.2 da Universidade Federal de Uberlândia Um modelo de TRI para dados do vestibular 20.2 da Universidade Federal de Uberlândia Luana Amâncio Terra 2 José Waldemar da Silva 2 Lúcio Borges de Araújo 2 Maria Imaculada de Sousa Silva 2 Introdução

Leia mais

Aula 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 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 mais

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas,

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, MODELAÇÃO E DETERMINAÇÃO DE PARÂMETROS CINÉTICOS FILIPE GAMA FREIRE 1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, etc. a que chamaremos y

Leia mais

Tecido 1 2 3 4 5 6 7 A 36 26 31 38 28 20 37 B 39 27 35 42 31 39 22

Tecido 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 mais

Inferência em Amostras Pequenas: Métodos Bootstrap

Inferência em Amostras Pequenas: Métodos Bootstrap Inferência em Amostras Pequenas: Métodos Bootstrap Augusto Sousa da Silva Filho 1 Programa Permanente de Capacitação Docente FACULDADES ANHANGUERA Abstract. A amostra original representa a população da

Leia mais

Exercícios Resolvidos da Distribuição de Poisson

Exercícios Resolvidos da Distribuição de Poisson . a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado

Leia mais

Hipótese Estatística:

Hipótese Estatística: 1 PUCRS FAMAT DEPTº DE ESTATÍSTICA TESTE DE HIPÓTESE SÉRGIO KATO Trata-se de uma técnica para se fazer inferência estatística. Ou seja, a partir de um teste de hipóteses, realizado com os dados amostrais,

Leia mais

Comparação Estatística de Algoritmos Evolutivos

Comparação Estatística de Algoritmos Evolutivos Comparação Estatística de Algoritmos Evolutivos Parte I: Planejamento Experimental Felipe Campelo fcampelo@ufmg.br Universidade Federal de Minas Gerais São Carlos 02 de Abril de 2012 Motivação Motivação

Leia mais

DISTRIBUIÇÃO NORMAL 1

DISTRIBUIÇÃO 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 mais

Aula 10 Testes de hipóteses

Aula 10 Testes de hipóteses Aula 10 Testes de hipóteses Na teoria de estimação, vimos que é possível, por meio de estatísticas amostrais adequadas, estimar parâmetros de uma população, dentro de certo intervalo de confiança. Nos

Leia mais

UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2

UNIVERSIDADE 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 mais

Estimação por Intervalos

Estimação por Intervalos Capítulo 5 Estimação por Intervalos A principal restrição da estimação pontual é que quando estimamos um parâmetro através de um único valor numérico toda a informação presente nos dados é resumida através

Leia mais

O que é a estatística?

O 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 mais

MOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo

MOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo MOQ-3 ESTATÍSTICA Proessor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística: The Science o collecting and analyzing data or the purpose o drawing conclusions and making

Leia mais

Transcrição Automática de Música

Transcrição 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 mais

ATRIBUIÇÃO DO GRUPO DE IDADE

ATRIBUIÇÃO DO GRUPO DE IDADE ---------------------------------------------------------------------------------------------------------- Universidade do Algarve Faculdade de Ciências do Mar e do Ambiente Mestrado em Biologia Marinha

Leia mais

ANÁLISE BAYESIANA DE DADOS DE CONTAGEM COM EXCESSO DE ZEROS E UNS

ANÁLISE BAYESIANA DE DADOS DE CONTAGEM COM EXCESSO DE ZEROS E UNS ANÁLISE BAYESIANA DE DADOS DE CONTAGEM COM EXCESSO DE ZEROS E UNS Milton Yoshio SAITO 1 Josemar RODRIGUES 1 RESUMO: Neste texto as distribuições discretas com Zeros e Uns Inflacionadas ZOID são estudadas

Leia mais

DESENVOLVIMENTO 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 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 mais

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística 1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):

Leia mais

Segurança e Higiene no Trabalho

Segurança 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 mais

Inferência Estatística-Macs11ºano

Inferência Estatística-Macs11ºano INFERÊNCIA ESTATÍSTICA Inferência Estatística-Macs11ºano Estatística Descritiva: conjunto de métodos para sintetizar e representar de forma compreensível a informação contida num conjunto de dados. Usam-se,

Leia mais

1 Introdução 1.1. Motivação e conceitos básicos

1 Introdução 1.1. Motivação e conceitos básicos 1 Introdução 1.1. Motivação e conceitos básicos Uma seguradora ou companhia de seguros, segundo o Dicionário de Seguros, define-se como uma instituição que tem como objetivo indenizar prejuízos involuntários.

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ

CURSO 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 mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação

Leia mais

Variáveis Aleatórias Discretas e Distribuições de Probabilidade

Variáveis Aleatórias Discretas e Distribuições de Probabilidade Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado a.determinar probabilidades a partir de funções de probabilidade b.determinar probabilidades a partir de funções

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado, Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis

Leia mais

Distribuição Exponencial Exponenciada na Presença de Fração de Cura: Modelos de Mistura e Não-Mistura

Distribuição Exponencial Exponenciada na Presença de Fração de Cura: Modelos de Mistura e Não-Mistura Distribuição Exponencial Exponenciada na Presença de Fração de Cura: Modelos de Mistura e Não-Mistura Emílio Augusto Coelho-Barros 1,2 Jorge Alberto Achcar 2 Josmar Mazucheli 3 1 Introdução Em análise

Leia mais

1. Introdução. 1.1 Introdução

1. 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 mais

INFLUÊNCIA DE VARIÁVEIS SOCIODEMOGRÁFICAS SOBRE O EMPREENDEDORISMO DO BRASIL

INFLUÊNCIA DE VARIÁVEIS SOCIODEMOGRÁFICAS SOBRE O EMPREENDEDORISMO DO BRASIL UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA Adriano Luiz Antunes Denis Antoniazzi INFLUÊNCIA DE VARIÁVEIS SOCIODEMOGRÁFICAS SOBRE O EMPREENDEDORISMO

Leia mais

3 Método de Monte Carlo

3 Método de Monte Carlo 25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional

Leia mais

CURSO DE PÓS-GRADUAÇÃO

CURSO DE PÓS-GRADUAÇÃO CURSO DE PÓS-GRADUAÇÃO EM ANÁLISE DE DADOS E GESTÃO DE INFORMAÇÃO Grupo de trabalho Armando Mendes Áurea Sousa Fátima Brilhante Rita Marques Brandão Osvaldo Silva Fevereiro 2010 Enquadramento e justificação

Leia mais

Jackknife, Bootstrap e outros métodos de reamostragem

Jackknife, Bootstrap e outros métodos de reamostragem Jackkife, Bootstrap e outros métodos de reamostragem Camilo Daleles Reó camilo@dpi.ipe.br Referata Biodiversa (http://www.dpi.ipe.br/referata/idex.html) São José dos Campos, 8 de dezembro de 20 Iferêcia

Leia mais

MESTRADO EM PESQUISA DE MERCADOS 2006 2007

MESTRADO EM PESQUISA DE MERCADOS 2006 2007 MESTRADO EM PESQUISA DE MERCADOS 2006 2007 PROGRAMA DAS DISCIPLINAS 1 1º trimestre PESQUISA DE MERCADOS Objectivos Pretende-se que os alunos: (a) adquiram os conceitos e semântica próprios do tema, (b)

Leia mais

Métodos de Previsão de Sinistros

Métodos 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 mais

Manual do Utilizador

Manual do Utilizador Faculdade de Ciências e Tecnologia da Universidade de Coimbra Departamento de Engenharia Electrotécnica e Computadores Software de Localização GSM para o modem Siemens MC35i Manual do Utilizador Índice

Leia mais

ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA

ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA Bárbara Camboim Lopes de FIGUEIRÊDO 1, Gustavo Henrique ESTEVES 2 1 Departamento de Estatística

Leia mais

Distribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta

Distribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta Distribuição Uniforme Discreta Modelos de distribuições discretas Notas de Aula da Profa. Verónica González-López e do Prof. Jesús Enrique García, digitadas por Beatriz Cuyabano. Acréscimos e modicações:

Leia mais