BAJO LA INFLUENCIA DE SELECCIÓN DE ÍTEMS EN LA ESTIMACIÓN DE COMPETENCIAS

Tamanho: px
Começar a partir da página:

Download "BAJO LA INFLUENCIA DE SELECCIÓN DE ÍTEMS EN LA ESTIMACIÓN DE COMPETENCIAS"

Transcrição

1 BAJO LA INFLUENCIA DE SELECCIÓN DE ÍTEMS EN LA ESTIMACIÓN DE COMPETENCIAS Leandro Lins Marino 1, 1Fundación Cesgranrio e Escuela Nacional de Ciencias Estadísticas, Brasil leandromarino@leandromarino.com.br RESUMEN Las evaluaciones en gran escala sobretodo las que miden las habilidades múltiples y un amplio conocimiento se han aplicado en las últimas décadas en todo el mundo. En general, estas evaluaciones hacen uso de la Teoría de la Respuesta al Ítem (TRI). La TRI permite una comparación de las competencias (Ɵ, rasgos latentes) de los estudiantes, incluso cuando están sometidos a diferentes pruebas. En general, el procedimiento consiste en modelaje de la probabilidad de un acierto a un ítem mediante una función no lineal de los conocimientos de los estudiantes evaluados. Este trabajo, a través de modelos de tres grupos / poblaciones (A, B y C), trata de evaluar y proponer posibles conjuntos comunes de ítems entre estas poblaciones con el fin de reducir el efecto que una elección inadecuada de los ítems que pueden tener un impacto en la estimación de aptitud. Para esta comprobación se generan algunos conjuntos de ítems y son hechas 200 replicaciones de 2500 estudiantes en cada grupo. Para la estimación de la puntuación se utilizan tres métodos, a saber: máxima verosimilitud, esperada a posteriori (EAP) y modal a posteriori (MAP), las dos últimas con los priores N(0,1), N(0,3) y N (0,10). PALABRAS CLAVE: teoría de la respuesta al ítem; estimaciones bayesianas; estimación clásica; simulación; comparaciones de estimaciones.

2 1. INTRODUÇÃO As avaliações em larga escada, sobretudo as que medem as múltiplas habilidades e conhecimento têm sido aplicadas nas últimas décadas em todo o mundo. Alguns exemplos que podem ser destacados são: o National Assessment of Educacional Progress (NAEP), nos Estados Unidos, e o OECD Programme for International Student Assessment (PISA), nos países membros da OCDE (Organização para a Cooperação e Desenvolvimento Econômico) e países convidados. No Brasil também é possível encontrar exemplos, como o Sistema de Avaliação da Educação Básica (SAEB), que avalia estudantes da 4ª, 8ª e 11ª séries e o Exame Nacional do Ensino Médio (ENEM) que é utilizado para a seleção e certificação de estudantes no último ano da escola secundária. Em geral, as avaliações em larga escala fazem uso da Teoria de Resposta ao Item (TRI). A TRI permite uma comparação das competências (Ɵ, traços latentes) dos estudantes inclusive quando estes são submetidos à diferentes cadernos de provas. Neste tipo de modelagem a competência/proficiência (Ɵ) do estudante é modelada como uma função nãolinear das respostas do aluno ao teste. De forma que quanto maior é a sua proficiência, maiores serão as chances do aluno acertar um determinado item. Quando se deseja que duas ou mais populações distintas tenham seu desempenho medido em uma mesma escala, utilizam-se itens comuns entre os testes que serão aplicados nas duas populações. No SAEB, a colocação de itens comuns é feita de forma à permitir que diferentes populações (4ª, 8ª e 11ª séries) nos diversos anos sejam colocados sob uma mesma escala. Desta forma, o SAEB permite uma comparação transversal dos desempenhos dos estudantes brasileiros bem como também permite um acompanhamento temporal de forma a permitir que políticas públicas na área de educação sejam formuladas e acompanhadas. O SAEB faz uso dos modelos de teoria de resposta ao item de três parâmetros e grupos múltiplos. O procedimento de equalização adotado é descrito por Klein (2003, 2009). Neste trabalho, faz-se uso de parte da metodologia utilizada no SAEB para verificar a influência que um determinado conjunto de itens comuns pode ter sobre a estimativa da competência do estudante. Pretende-se estimar as competências dos alunos dado um conjunto de itens (com os parâmetros fixados), ou seja, não será feita nem a equalização nem a calibração de forma a verificar a influência existente na utilização de diferentes conjuntos de itens comuns. Para averiguarmos essa influência são gerados conjuntos de 45 itens para cada uma das 3 populações simuladas (grupo 1, grupo 2 e grupo 3) com a presença de itens comuns

3 entre estas populações/grupos. São considerados 6 tipos de seleções de itens comuns e para cada um destes seis tipos são feitas 200 replicações de 2500 estudantes em cada grupo. Para a estimação da proficiência são utilizados três métodos, a saber: máxima verossimilhança, esperado a posteriori (EAP) e máximo a posteriori (MAP), estes dois últimos considerando as priores: N(0,1), N(0,3) e N(0,10). 2. METODOLOGIA E SIMULAÇÃO A realização das replicações, inicialmente considerou as seguintes populações de estudantes: os scores dos examinados pertencentes ao primeiro grupo foram gerados seguindo uma distribuição normal de média -1 e variância 1, o segundo grupo foi gerado de forma que o desempenho dos estudantes tenha média 0 e variância 1 e, por fim o desempenho dos estudantes do último grupo foi gerado com média 1 e desvio padrão 1. Cada uma destas populações foi simulada com 2500 estudantes fazendo um teste único de 45 itens. Formalmente: ( ) onde, é o vetor das competências simuladas, representa a replicação e representa a população/grupo, Esquemas de itens comuns adotados A seguir, são gerados os parâmetros dos itens para cada uma destas populações considerando o modelo logístico de três parâmetro (3PL). São considerados seis esquemas de itens comuns e em todos os casos a proporção de itens comuns é de 20% dos itens de um teste, ou seja, 9 itens de uma população são comuns com quaisquer um dos outros grupos Esquema 1 Neste primeiro esquema não são utilizado itens comuns. Todos os itens dos testes são gerados considerando os parâmetros mais adequados àquela população, ou seja, para o grupo 1 são gerados parâmetros de dificuldade (b) com média -1 e variância 1, para a população 2 são gerados os mesmos parâmetros porém a distribuição tem média 0 e variância 1 e, por fim para o terceiro grupo os parâmetros gerados têm média 1 e variância 1. ( ) ( ) ( ) onde,, representa a replicação, representa a população,, e representa o item, Esquema 2 Para este esquema a geração segue as mesmas distribuições apresentadas no esquema 1, no entanto, existem itens comuns entre as populações. Geram-se itens de tal forma que 9

4 itens do grupo 1 com médias próximas à -1 são colocados na prova do grupo 2, a seguir, no grupo 2 serão gerados apenas 36 itens novos, destes, 9 são selecionados para serem comuns com o grupo 3. Para a seleção considera-se o seguinte algoritmo: define-se a proporção de itens comuns em relação aos itens novos em cada uma dos dois grupos 1 e 2. No grupo 1 a proporção é de 0.20 enquanto que no grupo 2 por ter 36 novos itens a proporção é de 0.25, uma vez que neste esquema um item é utilizado em no máximo dois testes. Assim, definem-se os quantis em relação à distribuição normal de tal forma que ( ), onde. Desta forma, garante-se que haverá um número maior de candidatos a itens comuns do que o número necessário. A seguir são selecionados aleatoriamente 9 itens que tenham seus parâmetros entre os quantis definidos Esquema 3 Neste esquema é utilizado o mesmo algoritmo do esquema 2. A mudança encontra-se nas populações de referência. Usa-se como referência o grupo 3, ou seja, são gerados 45 itens para esta população seguindo os procedimentos do esquema 1 e depois 9 itens com parâmetro b próximo à 1 são selecionados usando o algoritmo do esquema 2. Estes itens serão comuns com o grupo 2. Gera-se os 36 itens novos do grupo 2 e destes selecionam 9 com média próxima a 0 para serem itens comuns com a população 1. Para a população 1 são gerados 36 itens novos Esquema 4 O esquema 4 usa os mesmos procedimentos apresentados nos esquemas 1 e 2, no entanto o grupo de referência é o grupo 2. Assim, geram-se 45 itens para este grupo e 9 itens são selecionados para serem os itens comuns com os outros dois grupos. Neste esquema os itens comuns são os mesmos. Ou seja, as três populações fazem um mesmo conjunto de 9 itens comuns Esquema 5 Este esquema é semelhante ao esquema 4. No entanto, não necessariamente os grupos 1 e 3 terão os mesmos itens comuns. Neste esquema, o mesmo grupo de candidatos à itens comuns é utilizado, no entanto, a seleção aleatória dos 9 itens entre os candidatos utiliza semente aleatórias diferentes Esquema 6 Por fim, no último esquema considerado, o parâmetro b ijk dos itens comuns foi gerado a partir de uma distribuição uniforme entre -4 e 4, ou seja, distribuído ao longo de quase toda

5 a escala de competências criada os parâmetros a ijk e c ijk seguem as distribuições apresentadas no esquema 1. Os 36 itens novos por grupo tem os parâmetros a ijk,b ijk e c ijk gerados de acordo com o esquema 1. Após a geração dos parâmetros dos itens, independente do esquema adotado obtém-se a matriz de respostas dos estudantes onde o valor 0 significa que o aluno errou à determinado item e 1 significa que o estudante acertou determinado item. Para esta estimação considera-se o algoritmo: ( ) ( ) ( ) se, ( ) então a resposta ao item j, replicação k e população i será 1 (resposta correta), caso contrário será 0 (resposta errada) Estimação das competências ( ). Após a etapa de simulação dos padrões de respostas dos examinados, há a estimação das proficiências pelo modelo logístico de três parâmetros e grupos múltiplos. São adotados três métodos de estimação. O primeiro é o procedimento de máxima verossimilhança. Cabe ressaltar que o presente trabalho considera os parâmetros dos itens fixos, assim, não é feito nem o procedimento de calibração nem o procedimento de equalização dos scores obtidos Estimação por Máxima Verossimilhança A estimação por máxima verossimilhança utilizada é definida por Hambleton, Swaminathan e Rogers (1991). Suponha que um estudante selecionado aleatoriamente responda à um conjunto de itens com padrão de respostas ( ), onde, se o aluno acerta ao item e 0 se caso contrário. Assumindo independência local, a probabilidade conjunta (Eq.1) do padrão de respostas observado pode ser vista com o produto das probabilidades de observar cada resposta ao item, ou seja, ( ) ( ) ( ) ( ) Eq. 1 A equação 1 é expressão da probabilidade conjunta do padrão de resposta. Quando o padrão de respostas é observado, ou seja,, esta função torna-se a função de verossimilhança. Note que está equação depende de, do padrão de respostas e dos parâmetros dos itens. Tanto os parâmetros dos itens quanto os padrões de resposta já foram simulados, desta forma, a única componente à ser estimada é a competência do estudante.

6 Assim, a competência do estudante é obtida através do valor que maximiza a função de logverossimilhança (Eq. 3). X CONGRESO LATINOAMERICANO DE SOCIEDADES DE ESTADÍSTICA ( ) ( ) Eq. 2 ( ) [ ( ) ( )] Eq. 3 onde, ( ). Hambleton, Swaminathan e Rogers (1991) ressaltam a dificuldade de conseguir maximizar a equação 3, uma vez que não é possível resolver esta maximização de modo analítico e apontam que um dos métodos computacionais mais utilizados para este procedimento são os de Newton-Raphson que é detalhado em Hambleton e Swaminathan (1985). Além disso, não muito raro, as estimativas de máxima verossimilhança não existem. Isto acontece quando os examinados acertam ou erram todos os itens, neste caso as estimativas seriam de e, respectivamente. Nestes casos optou-se por arbitrar 4 e -4 independente da população ao qual o examinado pertencia Método Esperado a Posteriori (EAP) O procedimento de esperança a posteriori (EAP, Bock e Aitkin, 1981) é um procedimento bayesiano e parte do teorema de Bayes. Desta forma seja a densidade: ( ) ( ) ( ) Eq. 4 onde, ( ) é a função de verossimilhança (Eq. 2) e ( ) é a distribuição a priori para. Assim, a Equação 4 pode ser reescrita como se segue: ( ) ( ) ( ) Eq. 4.1 Decorre da equação 4.1 que se ( ), então, ( ) ( ), ou seja, a estimativa bayesiana torna-se idêntica ao método de máxima verossimilhança. Ressalta-se neste ponto que fazendo uso de uma estimativa bayesiana, existe a estimação pontual da competência do estudante mesmo quando ele acerta ou erra todos os itens. Este é um resultado diferente do obtido através do método de máxima verossimilhança. A obtenção da esperança a posteriori é feita através da avaliação das integrais usando o método número de quadratura de Gauss-Hermite e o algoritmo EM Método Máximo a Posteriori (MAP)

7 O método de máximo a posteriori é semelhante ao de esperança a posteriori (EAP), no entanto, ao invés de se obter a esperança da posteriori, busca-se a moda da distribuição a posteriori. De modo análogo ao EAP não existe forma analítica para resolver estas equações, desta forma usa-se uma modificação do EM objetivando a obtenção da moda da distribuição a posteriori Metodologia para a Comparação das Simulações Para compreender o que acontece em cada um dos esquemas de itens comuns propostos, iremos analisar os resultados objetivos através de três medidas. A primeira das medidas é o erro quadrático médio (EQM), definido por: ( ) ( ) ( ) ( ) Eq. 5 onde,. Para esta medida é esperado que os menores valores impliquem em uma melhor estimativa do modelo e do esquema de itens adotado. Outra medida a ser utilizada neste trabalho é a correlação entre a competência simulada e a competência estimada. Para esta medida espera-se que os valores sejam positivos próximos à 1. A correlação é definida por: ( ) ( )( ) ( ) [ ( ) ] Eq. 5 Por fim, a última medida usada neste trabalho é o percentual de observações com estimativa ( ) maior do que o valor verdadeiro ( ) (PSO), apresentado na equação 6. Esta estimativa tem por objetivo indicar se existe algum tipo de viés na estimação da competência do estudante. ( ) ( ) Eq. 6 onde, ( ) { Eq. 6.1 Supondo a ausência de vício, o percentual deverá ficar próximo a 50%, ou seja, em torno de metade das competências estimadas estão superestimadas e a outra metade

8 sobrestimadas. Se as houver diferenças nestas quantidades o percentual será diferente de 50% indicando que o modelo está gerando algum tipo de vício. A seguir serão apresentados e discutidos os resultados destas três medidas considerando todos os aspectos já mencionados. Como são feitas 200 replicações para cada um dos casos, perfazendo um total de 8400 conjuntos de métodos de estimação e esquemas de itens comuns, optou-se por trabalhar com o box-plot de modo a refletir o comportamento distribucional destas medidas. 3. RESULTADOS E DISCUSSÃO A análise gráfica (gráficos 1, 2, 3, 4, 5 e 6) mostra que a estimação utilizando o método de máxima verossimilhança é muito semelhante independente do esquema de itens comuns considerado. Pode-se notar que o erro quadrático médio tem média próxima a 0.15 para todos os esquemas testados. Também é perceptível a pequena diferença entre as correlações, todas próximas a O percentual de valores estimados maiores que as competências simuladas ficou próximo a 50% indicando que este método e o conjunto de itens adotado não gerou nenhum vício na estimativa da competência do examinado. O conjunto de gráficos de 7 a 12 apresenta a correlação entre o valor simulado e o estimado da competência do estudante para cada grupo, método de estimação e esquema de itens comuns. Pode-se notar que estes valores tais quais os obtidos com o método de máxima verossimilhança ficam próximos à Em relação ao erro quadrático médio (EQM) (Gráficos 13 a 18) pode-se notar que varia muito de acordo com o método de estimação, com o esquema de itens comuns e com o grupo. De um modo geral, vê-se que a estimação fazendo uso de uma distribuição a priori N(0,10), não informativa, gera um EQM maior que as demais prioris. O método MAP com priori N(0,3) foi o mais consistente e, na maioria dos casos, foi o que apresentou menor EQM. Por fim, o conjunto de gráficos 19 a 24 apresenta o box-plot do percentual de valores estimados maiores que os simulados. A utilização de uma distribuição a priori N(0,1) para todos os grupos gera um grande vício na estimativa. Na medida em que se deixa de usar uma priori informativa este vício de estimação vai se reduzindo. Para o método EAP mesmo quando se utiliza uma priori N(0,10), não informativa, há um ligeiro vício, uma vez que a proporção de valores estimados maior do que os valores simulados é pouco menor de Assim, o método MAP aparenta ser o mais indicado para a estimação das habilidades de um estudante em um teste utilizando o modelo logístico de três parâmetros e grupos múltiplos.

9 Gráfico 1 Box-plot do EQM, Correlação e PSO usando o método de Máxima Verossimilhança e o esquema 1 de itens comuns por grupo Gráfico 2 Box-plot do EQM, Correlação e PSO usando o método de Máxima Verossimilhança e o esquema 2 de itens comuns por grupo Gráfico 3 Box-plot do EQM, Correlação e PSO usando o método de Máxima Verossimilhança e o esquema 3 de itens comuns por grupo

10 Gráfico 4 Box-plot do EQM, Correlação e PSO usando o método de Máxima Verossimilhança e o esquema 4 de itens comuns por grupo Gráfico 5 Box-plot do EQM, Correlação e PSO usando o método de Máxima Verossimilhança e o esquema 5 de itens comuns por grupo Gráfico 6 Box-plot do EQM, Correlação e PSO usando o método de Máxima Verossimilhança e o esquema 6 de itens comuns por grupo

11 Gráfico 7 Box-plot da correlação entre a competência estimada e a simulada para o esquema 1 de itens comuns segundo o método de estimação por grupo Gráfico 8 Box-plot da correlação entre a competência estimada e a simulada para o esquema 2 de itens comuns segundo o método de estimação por grupo

12 Gráfico 9 Box-plot da correlação entre a competência estimada e a simulada para o esquema 3 de itens comuns segundo o método de estimação por grupo Gráfico 10 Box-plot da correlação entre a competência estimada e a simulada para o esquema 4 de itens comuns segundo o método de estimação por grupo

13 Gráfico 11 Box-plot da correlação entre a competência estimada e a simulada para o esquema 5 de itens comuns segundo o método de estimação por grupo Gráfico 12 Box-plot da correlação entre a competência estimada e a simulada para o esquema 6 de itens comuns segundo o método de estimação por grupo

14 Gráfico 13 Box-plot do erro quadrático médio (EQM) para o esquema 1 de itens comuns segundo o método de estimação por grupo Gráfico 14 Box-plot do erro quadrático médio (EQM) para o esquema 2 de itens comuns segundo o método de estimação por grupo

15 Gráfico 15 Box-plot do erro quadrático médio (EQM) para o esquema 3 de itens comuns segundo o método de estimação por grupo Gráfico 16 Box-plot do erro quadrático médio (EQM) para o esquema 4 de itens comuns segundo o método de estimação por grupo

16 Gráfico 17 Box-plot do erro quadrático médio (EQM) para o esquema 5 de itens comuns segundo o método de estimação por grupo Gráfico 18 Box-plot do erro quadrático médio (EQM) para o esquema 6 de itens comuns segundo o método de estimação por grupo

17 Gráfico 19 Box-plot do percentual de valores estimados maior que o simulado (PSO) para o esquema 1 de itens comuns segundo o método de estimação por grupo Gráfico 20 Box-plot do percentual de valores estimados maior que o simulado (PSO) para o esquema 2 de itens comuns segundo o método de estimação por grupo

18 Gráfico 21 Box-plot do percentual de valores estimados maior que o simulado (PSO) para o esquema 3 de itens comuns segundo o método de estimação por grupo Gráfico 22 Box-plot do percentual de valores estimados maior que o simulado (PSO) para o esquema 4 de itens comuns segundo o método de estimação por grupo

19 Gráfico 23 Box-plot do percentual de valores estimados maior que o simulado (PSO) para o esquema 5 de itens comuns segundo o método de estimação por grupo Gráfico 24 Box-plot do percentual de valores estimados maior que o simulado (PSO) para o esquema 6 de itens comuns segundo o método de estimação por grupo

20 4. CONCLUSÕES E CONSIDERAÇÕES FINAIS O presente trabalho teve por objetivo compreender a influência da seleção de itens comuns na estimação da proficiência considerando o modelo logístico de três parâmetros e grupos múltiplos. Os métodos de estimação com prioris não informativas N(0,10) são considerados mais adequados uma vez que, apesar de terem mais erro nas estimativas, apresentam estimativas não viciada para a competência dos estudantes. Deve-se considerar também com um bom candidato o método MAP com priori N(0,3) pois apesar de ter apresentado vício este é pequeno, além disso, este método apresentou um menor erro quadrático médio em todos os esquemas de itens comuns considerados. Faz-se necessário um estudo mais refinado de modo a indicar qual o melhor método de estimação MAP com priori N(0,3) ou N(0,10) uma vez que no primeiro há um menor erro quadrático médio fornecendo estimativas levemente viesadas e no segundo as estimativas não são viesadas, porém o erro quadrático médio é consideravelmente maior. Pode-se notar que os diferentes esquemas de itens não tiveram grande influência na estimativa das proficiências. Este fato pode ser justificado pela grande sobreposição de desempenhos entre os três grupos analisados uma vez que as populações estavam a 1 desvio padrão de distância uma das outras. Considerando o exposto é necessário ainda entender melhor o comportamento destes esquemas de itens comuns quando a diferença das populações for maior, por exemplo, médias de -2, 0 e 2 para cada um dos grupos de forma a diminuir a área comum entre estas distribuições. REFERENCIAS BOCK R.D.; AITKIN M. (1981) Marginal maximum likelihood estimation of item parameters: Application of an EM algorithm. Psychometrika, 6, HAMBLETON, R.K.; SWAMINATHAN, H. (1985) Item Response Theory: Principles and Applications. Boston: Kluwer. HAMBLETON, R.K.; SWAMINATHAN, H.; ROGERS, H.J. (1991) MMSS Fundamentals of Item Response Theory, SAGE: California, ISBN: X. KLEIN, R (2003) Utilização da Teoria de Resposta ao Item no Sistema Nacional de Avaliação da Educação Básica (SAEB), Revista ENSAIO: avaliação e políticas públicas em Educação, 40,

21 KLEIN, R. (2009) Utilização da Teoria de Resposta ao Item no Sistema Nacional de Avaliação da Educação Básica (SAEB), Meta:Avaliação, 1,

Use of Item Response Theory at the Brazilian Assessment System for Basic Education

Use of Item Response Theory at the Brazilian Assessment System for Basic Education Utilização da Teoria de Resposta ao Item no Sistema Nacional de Avaliação da Educação Básica (SAEB) * Ruben Klein ** Resumo O artigo introduz a Teoria da Resposta ao Item (TRI) em sua forma usual de um

Leia mais

IV CONBRATRI, 4º Congresso Brasileiro de Teoria da Resposta ao Item, Brasília, DF, 2-4 de Dezembro de 2015

IV CONBRATRI, 4º Congresso Brasileiro de Teoria da Resposta ao Item, Brasília, DF, 2-4 de Dezembro de 2015 Ciências da Natureza e o Enem: estudos sobre as questões de 2009-2012 1 LIMC/UFRJ e PEMAT/UFRJ 2 IF/UFRJ Gustavo Rubini 1, Marta F. Barroso 2 Resumo O Exame Nacional do Ensino Médio (Enem) possui grande

Leia mais

Técnicas computacionais em probabilidade e estatística II

Técnicas computacionais em probabilidade e estatística II Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.

Leia mais

PAINEL DE DISCUSSÃO 4: COMPARABILIDADE ENTRE AVALIAÇÕES. Ruben Klein (Fundação Cesgranrio)

PAINEL DE DISCUSSÃO 4: COMPARABILIDADE ENTRE AVALIAÇÕES. Ruben Klein (Fundação Cesgranrio) PAINEL DE DISCUSSÃO 4: COMPARABILIDADE ENTRE AVALIAÇÕES Ruben Klein (Fundação Cesgranrio) Necessidade de comparabilidade e de fazer julgamento. Diferença entre avaliação de sala de aula e avaliação externa.

Leia mais

Análise Bayesiana de Dados - Aula 1 -

Análise Bayesiana de Dados - Aula 1 - Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência

Leia mais

Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem

Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência

Leia mais

Distribuições Amostrais e Estimação Pontual de Parâmetros

Distribuições Amostrais e Estimação Pontual de Parâmetros Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores

Leia mais

MANUAL SOBRE A CONSTRUÇÃO DA NOTA POR TEORIA DA RESPOSTA AO ITEM (TRI)

MANUAL SOBRE A CONSTRUÇÃO DA NOTA POR TEORIA DA RESPOSTA AO ITEM (TRI) SECRETARIA DE GESTÃO PÚBLICA UNIDADE CENTRAL DE RECURSOS HUMANOS MANUAL SOBRE A CONSTRUÇÃO DA NOTA POR TEORIA DA RESPOSTA AO ITEM (TRI) Fundação para o Vestibular da Universidade Estadual Paulista Júlio

Leia mais

Distribuição Amostral e Estimação Pontual de Parâmetros

Distribuição Amostral e Estimação Pontual de Parâmetros Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões

Leia mais

Universidade Federal de Lavras

Universidade Federal de Lavras Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de

Leia mais

MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA DAEB

MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA DAEB MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA DAEB NOTA TÉCNICA Assunto: Procedimento de cálculo das notas do Enem.

Leia mais

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos

Leia mais

A TRI e as proficiências

A TRI e as proficiências A TRI e as proficiências SAEPES Professor do Departamento de Matemática da Universidade Federal de Juiz de Fora Consultor Ad Hoc do INEP/MEC Pesquisador Associado do CAEd Compreender a TRI e o conceito

Leia mais

5 Avaliação dos estimadores propostos

5 Avaliação dos estimadores propostos 5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir

Leia mais

Inferência Bayesiana - Aula 1 -

Inferência Bayesiana - Aula 1 - Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência

Leia mais

Análise do vestibular da UFLA usando a TRI

Análise do vestibular da UFLA usando a TRI Análise do vestibular 2009-1 da UFLA usando a TRI MARIA DE LOURDES LIMA BRAGION* JÚLIO SÍLVIO DE SOUSA BUENO FILHO** FÁBIO MATHIAS CORRÊA*** RESUMO Este trabalho teve como objetivo analisar as questões

Leia mais

A AVALIAÇÃO EM MATEMÁTICA DO SAETHE GLAUKER AMORIM

A AVALIAÇÃO EM MATEMÁTICA DO SAETHE GLAUKER AMORIM A AVALIAÇÃO EM MATEMÁTICA DO SAETHE GLAUKER AMORIM A AVALIAÇÃO EM MATEMÁTICA REFLEXÕES SOBRE O DESENVOLVIMENTO DA APRENDIZAGEM E A ELABORAÇÃO DE PLANOS DE DIVULGAÇÃO E INTERVENÇÃO Professor do Departamento

Leia mais

Cap. 4 - Estimação por Intervalo

Cap. 4 - Estimação por Intervalo Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.

Leia mais

03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica

03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176

Leia mais

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:

Leia mais

Teorias de Avaliação - CE095

Teorias de Avaliação - CE095 Adilson dos Anjos 1 1 Departamento de Estatística Universidade Federal do Paraná aanjos@ufpr.br Curitiba, PR 7 de maio de 2013 Introdução Introdução 1 Primeiro modelo, Lord, 1952: unidimensional de 2 parâmetros;

Leia mais

RESOLUÇÃO Nº 01/2016

RESOLUÇÃO Nº 01/2016 Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista

Leia mais

ESTATÍSTICA BAYESIANA

ESTATÍSTICA BAYESIANA UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa

Leia mais

Modelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio

Modelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio 1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar

Leia mais

Aula 3. Introduçao à TRI

Aula 3. Introduçao à TRI Aula 3. Introduçao à TRI mcuri@icmc.usp.br www.icmc.usp.br/ mcuri julho de 2015 Conteúdo da Apresentação 1 Introdução Avaliações Educacionais Teoria Clássica x TRI 2 Modelos da TRI Itens Dicotômicos Itens

Leia mais

Prova Brasil, Saresp etc. Heliton Ribeiro Tavares

Prova Brasil, Saresp etc. Heliton Ribeiro Tavares : Enem, Prova Brasil, Saresp etc. Heliton Ribeiro Tavares Faculdade de Estatística / Universidade Federal do Pará heliton@ufpa.br Etapas da Apresentação 1 Breve introdução 2 Alguns resultados do Enem 3

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum

Leia mais

Cerca de um quarto da prova será fácil, dois quartos terão grau

Cerca de um quarto da prova será fácil, dois quartos terão grau Enem em 14 Respostas fonte :http://g1.globo.com/noticias/vestibular/0,,mul1250990-5604,00.html 1 - Quanto valerá cada questão da prova do Enem? Cerca de um quarto da prova será fácil, dois quartos terão

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual

Leia mais

6. Amostragem e estimação pontual

6. Amostragem e estimação pontual 6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um

Leia mais

Teorias de Avaliação - CE095

Teorias de Avaliação - CE095 Adilson dos Anjos 1 1 Departamento de Estatística Universidade Federal do Paraná aanjos@ufpr.br Curitiba, PR 28 de agosto de 2014 Introdução Motivação A B item 1 item 2 item 3 item 4 item 5 item 6 item

Leia mais

Ajuste de um modelo de TRI aos dados do vestibular 2011.2 do curso de Administração Noturno da Universidade Federal de Uberlândia

Ajuste de um modelo de TRI aos dados do vestibular 2011.2 do curso de Administração Noturno da Universidade Federal de Uberlândia Ajuste de um modelo de TRI aos dados do vestibular 20.2 do curso de Administração Noturno da Universidade Federal de Uberlândia José Waldemar da Silva 2 Mirian Fernandes Carvalho Araújo 2 Lucio Borges

Leia mais

Distribuição Amostral e Estimação Pontual de Parâmetros

Distribuição Amostral e Estimação Pontual de Parâmetros Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada

Leia mais

Comparações entre a Teoria de Resposta ao Item e a Teoria Clássica de Medidas para Banco de Itens Simulados

Comparações entre a Teoria de Resposta ao Item e a Teoria Clássica de Medidas para Banco de Itens Simulados Comparações entre a Teoria de Resposta ao Item e a Teoria Clássica de Medidas para Banco de Itens Simulados Anna Cristina Rezende Braga 1 Augusto Sousa da Silva Filho 2 Livingstone Augusto Eller 3 Lorrayne

Leia mais

Metodologia de inversão

Metodologia de inversão 6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único

Leia mais

ESTATÍSTICA COMPUTACIONAL

ESTATÍSTICA COMPUTACIONAL ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou

Leia mais

Cap. 8 - Intervalos Estatísticos para uma Única Amostra

Cap. 8 - Intervalos Estatísticos para uma Única Amostra Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO

Leia mais

Seleção de um Algoritmo para um Teste Adaptativo Informatizado para fins de Classificação por meio de Simulações

Seleção de um Algoritmo para um Teste Adaptativo Informatizado para fins de Classificação por meio de Simulações Seleção de um Algoritmo para um Teste Adaptativo Informatizado para fins de Classificação por meio de Simulações Selecting a Computerized Adaptive Testing Algorithm for Classification purpose by Simulations

Leia mais

AGA Análise de Dados em Astronomia I. 1. Introdução

AGA Análise de Dados em Astronomia I. 1. Introdução 1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que

Leia mais

Segunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril

Segunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola

Leia mais

CALIBRAÇÃO DE ITENS DO VESTIBULAR NA ESCALA DO ENEM

CALIBRAÇÃO DE ITENS DO VESTIBULAR NA ESCALA DO ENEM CALIBRAÇÃO DE ITENS DO VESTIBULAR NA ESCALA DO ENEM Nayara Negrão Pereira - VUNESP 1 Natália Noronha Barros - VUNESP 2 Dalton Francisco de Andrade - UFSC 3 Christiane Bellorio Gennari Stevao - VUNESP 4

Leia mais

Teoria de Resposta ao Item: Estimação dos Parâmetros dos Itens e dos Sujeitos

Teoria de Resposta ao Item: Estimação dos Parâmetros dos Itens e dos Sujeitos Teoria de Resposta ao Item: Estimação dos Parâmetros dos Itens e dos Sujeitos Dr. Ricardo Primi Programa de Mestrado e Doutorado em Avaliação Psicológica Universidade São Francisco Como são feitos os cálculos

Leia mais

Introdução à Teoria de Resposta ao Item

Introdução à Teoria de Resposta ao Item Caio L. N. Azevedo, IMECC/Unicamp Dani Gamerman, DME/UFRJ I CONBRATRI, Florianópolis 9 de dezembro de 2009 Parte II Parte 2: Implementação computacional. Análise de dados 1. Modelo de 3 parâmetros via

Leia mais

Intervalos de Confiança Prof. Walter Sousa

Intervalos de Confiança Prof. Walter Sousa Estatística Intervalos de Confiança Prof. Walter Sousa DISTRIBUIÇÕES AMOSTRAIS A distribuição amostral de um estimador (estatística, tal como a média ou uma proporção) é a distribuição de probabilidades

Leia mais

HETEROGENEHDADE ACADÊMICA DOS ALUNOS

HETEROGENEHDADE ACADÊMICA DOS ALUNOS HETEROGENEHDADE ACADÊMICA DOS ALUNOS ADMITIDOS NA UFMG E PUC-MG JOSÉ FRANCISCO SOARES' MARIA i~ês MARms2 CIBELE NORONHA BEHRENS AsswçÃo3 I. Introdução O Congresso Nac._Nnal estabeleceu através da lei 9.

Leia mais

Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.

Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas. 1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento

Leia mais

SUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2

SUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2 SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística

Leia mais

CC-226 Aula 07 - Estimação de Parâmetros

CC-226 Aula 07 - Estimação de Parâmetros CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições

Leia mais

TEORIA DA RESPOSTA AO ITEM (TRI): ESTIMAÇÃO BAYESIANA DA HABILIDADE DE INDIVÍDUOS

TEORIA DA RESPOSTA AO ITEM (TRI): ESTIMAÇÃO BAYESIANA DA HABILIDADE DE INDIVÍDUOS TEORIA DA RESPOSTA AO ITEM (TRI): ESTIMAÇÃO BAYESIANA DA HABILIDADE DE INDIVÍDUOS DÉBORA SPENASSATO 1, PAUL GERHARD KINAS 2 Resumo Este artigo tem por objetivo apresentar uma simulação da estimativa dos

Leia mais

Apontamentos de Introdução às Probabilidades e à Estatística

Apontamentos de Introdução às Probabilidades e à Estatística i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística

Leia mais

Inferência Estatística:

Inferência Estatística: Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que

Leia mais

O CAEd está organizado em cinco unidades:

O CAEd está organizado em cinco unidades: O Centro de Políticas Públicas e Avaliação da Educação (CAEd), da Universidade Federal de Juiz de Fora, é uma instituição que operacionaliza (elabora e desenvolve) programas estaduais e municipais destinados

Leia mais

Apresentação Prof. Hugo Gomes

Apresentação Prof. Hugo Gomes Apresentação Apresentação do curso O que é o Radix? Qual o diferencial do curso? Qual o objetivo do curso? Informações complementares Pré-Aula Aulas elementares Aulas Atividades semanais Monitoria Informações

Leia mais

Alguns aspectos da Teoria de Resposta ao Item relativos à estimação das proficiências

Alguns aspectos da Teoria de Resposta ao Item relativos à estimação das proficiências Alguns aspectos da Teoria de Resposta ao Item relativos à estimação das proficiências Ruben Klein * Resumo Este artigo trata da importância do erro de medida tanto na Teoria Clássica dos Testes (TCT) como

Leia mais

MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS

MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da

Leia mais

Inferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama

Inferência Bayesiana para testes acelerados step-stress simples com dados de falha sob censura tipo II e distribuição Gama Inferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama Karlla Delalibera Chagas pósmac, Unesp Presidente Prudente, Brasil karlladelalibera@gmail.com

Leia mais

Inferência Estatistica

Inferência Estatistica Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns

Leia mais

Bioestatística INFERÊNCIA ESTATÍSTICA. Silvia Shimakura

Bioestatística INFERÊNCIA ESTATÍSTICA. Silvia Shimakura Bioestatística INFERÊNCIA ESTATÍSTICA Silvia Shimakura AMOSTRAS E POPULAÇÕES Inferências sobre populações são geralmente feitas a partir de informações obtidas de amostras. amostras Válido se a amostra

Leia mais

Estimação: (A) Propriedades e Distribuições Amostrais

Estimação: (A) Propriedades e Distribuições Amostrais Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação

Leia mais

Gerenciamento de Risco

Gerenciamento de Risco 2010 Gerenciamento de Risco Nota Técnica 03 Diretoria de Investimentos Previ-Rio 09/2010 Nota técnica 03 Gerenciamento de Risco O gerenciamento de risco é um instrumento essencial para a otimização do

Leia mais

UM ESTUDO DA RELAÇÃO ENTRE TRAÇO LATENTE E VARIÁVEIS CONTEXTUAIS NO SAEB E ENEM

UM ESTUDO DA RELAÇÃO ENTRE TRAÇO LATENTE E VARIÁVEIS CONTEXTUAIS NO SAEB E ENEM UM ESTUDO DA RELAÇÃO ENTRE TRAÇO LATENTE E VARIÁVEIS CONTEXTUAIS NO SAEB E ENEM A STUDY RELATING LATENT TRAITS TO CONTEXTUAL VARIABLES FOR THE SAEB AND ENEM EXAMS UN ESTUDIO DE LA RELACIÓN ENTRE TRAZO

Leia mais

Aprendizagem Bayesiana

Aprendizagem Bayesiana Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Aprendizagem Bayesiana David Menotti www.inf.ufpr.br/menotti/ci171-182 Aprendizagem Bayesiana Agenda Introdução Teorema de Bayes

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood

Leia mais

AULA 03 Estimativas e tamanhos amostrais

AULA 03 Estimativas e tamanhos amostrais 1 AULA 03 Estimativas e tamanhos amostrais Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade

Leia mais

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um

Leia mais

Rafael Izbicki 1 / 38

Rafael Izbicki 1 / 38 Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)

Leia mais

Inferência Bayesiana

Inferência Bayesiana Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF

Leia mais

ANÁLISES ESTATÍSTICAS TRI. CAEd/UFJF (32)

ANÁLISES ESTATÍSTICAS TRI. CAEd/UFJF (32) MEDIDAS EDUCACIONAIS ANÁLISES ESTATÍSTICAS TRI CME COORDENAÇÃO DE MEDIDAS EDUCACIONAIS C COO Ç O S UC C O S CAEd/UFJF (32)4009 2071 Wellington@caed.ufjf.br Fundamentos da TRI O que são itens? São os elementos

Leia mais

Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto

Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população

Leia mais

Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.

Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada. Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação

Leia mais

Testes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo

Testes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza

Leia mais

O Processo de Weibull Poisson para Modelagem da Confiabilidade em Sistemas Reparáveis

O Processo de Weibull Poisson para Modelagem da Confiabilidade em Sistemas Reparáveis O Processo de Weibull Poisson para Modelagem da Confiabilidade em Sistemas Reparáveis Luiz Gustavo Fraga 1 Edmilson Rodrigues Pinto 2 Resumo: Sistemas reparáveis são aqueles sistemas que, após a ocorrência

Leia mais

Inferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva

Inferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos

Leia mais

2 FUNDAMENTACÃO TEÓRICA

2 FUNDAMENTACÃO TEÓRICA 2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação

Leia mais

3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25

3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25 3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.

Leia mais

ESTATÍSTICA COMPUTACIONAL

ESTATÍSTICA COMPUTACIONAL ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que

Leia mais

MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS

MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,

Leia mais

Inferências bayesianas com probabilidade

Inferências bayesianas com probabilidade Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica

Leia mais

Vetor de Variáveis Aleatórias

Vetor de Variáveis Aleatórias Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias

Leia mais

AGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares

AGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares 1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,

Leia mais

Novembro/2018. Ajuste Automático ao Histórico em Simulação de Reservatórios

Novembro/2018. Ajuste Automático ao Histórico em Simulação de Reservatórios Ajuste Automático ao Histórico Simulação de Reservatórios Flavio Dickstein Paulo Goldfeld Renan V. Pinto IM/UFRJ IM/UFRJ LabMAPetro/UFRJ Novembro/2018 Simulação sob incerteza (i) O reservatório é inacessível

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que

Leia mais

COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA

COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA Felipe Matheus Gonçalves Costa (1); Divanilda Maia Esteves (2) 1 Universidade Estadual da Paraíba; felipematheusem@hotmail.com.br 2 Universidade

Leia mais

AGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC

AGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC 1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que

Leia mais

Minera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33

Minera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33 Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto

Leia mais

CAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo

Leia mais

3 Teoria da Resposta ao Item (TRI) 3.1 Introdução

3 Teoria da Resposta ao Item (TRI) 3.1 Introdução 3 Teoria da Resposta ao Item (TRI) 3.1 Introdução Em muitos campos do conhecimento, como a psicometria, é comum o interesse em estudar características (variáveis) não observáveis. Este é o caso, por exemplo,

Leia mais

PERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);

PERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B

Leia mais

3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o

3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.

Leia mais

Filho, não é um bicho: chama-se Estatística!

Filho, não é um bicho: chama-se Estatística! Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!

Leia mais

COS767 - Modelagem e Análise Aula 3 - Simulação

COS767 - Modelagem e Análise Aula 3 - Simulação COS767 - Modelagem e Análise Aula 3 - Simulação Validando resultados da simulação Média e variância amostral Teorema do Limite Central Intervalo de confiança Organizando as execuções da simulação Verificando

Leia mais

Análise Bayesiana de Dados - Aplicações 1 -

Análise Bayesiana de Dados - Aplicações 1 - Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica

Leia mais