Estimação de Modelos SEIR Estocásticos com Dados Incompletos
|
|
- Mario Alcântara Branco
- 7 Há anos
- Visualizações:
Transcrição
1 Estimação de Modelos SEIR Estocásticos com Dados Incompletos Autor: Márcio Augusto Diniz - IMECC/UNICAMP Co-autores: Jorge Alberto Achcar - FMRP/USP, Luiz Koodi Hotta - IMECC/UNICAMP Introdução A modelagem matemática de epidemias apresenta grande relevância para a área de epidemiologia por possibilitar uma melhor compreensão do desenvolvimento da doença na população e permitir analisar o impacto de medidas de controle e erradicação. Há duas abordagens utilizadas no processo de modelagem matemática, a saber: estocástica e determinística. As duas abordagens comumente baseiam-se na estruturação de uma população fechada em compartimentos denominados Suscetíveis, Expostos, Infectantes e Removidos sendo que este último compartimento considera indivíduos recuperados e mortos. Os modelos criados a partir de tal estrutura são denominados modelos compartimentais SEIR e foram introduzidos por Kermack e McKendrik (1927, apud YANG, 2001). A utilização de tais modelos é notável devido a sua flexibilidade para se ajustar a diversas epidemias e a estrutura dos dados. Além disso, a utilização de métodos bayesianos permite lidar com a ausência completa ou parcial dos dados que é um problema recorrente no contexto epidemiológico. Este trabalho discuti e modifica algumas suposições do modelo estocástico SEIR encontrado em Lekone e Finkenstädt (2006) que é aplicado aos dados parcialmente observados da epidemia de Febre Hemorrágica Ebola ocorrida no Congo em 1995 através de métodos bayesianos. O Conjunto de Dados A epidemia de Ebola no Congo em 1995 teve início na região de Bandundu, primeiramente em Kikwit, sendo o primeiro caso identificado em 6 de janeiro de 1995 envolvendo um homem de 43 anos de idade que faleceu no dia 13 de janeiro de Somente no dia 9 de Maio, o vírus Ebola foi confirmado como agente causador da morte dos casos suspeitos. E medidas de intervenção foram introduzidas. O número total de casos é de 316 pessoas, contudo, o período prévio à 1 de Março de 1995 não foi observado e desta forma, 25 novos casos e 80 remoções não foram registradas em data exata 1
2 e desta forma, não são considerados no conjunto de dados. O conjunto de dados consiste em duas séries temporais diárias registradas no período de 01 de Março de 1995 à 16 de Julho de A primeira série é o número de casos no início dos sintomas ao dia, contabilizando um número total de 291 novos casos, enquanto a segunda série é o número de mortos ao dia em um total de 236 mortes. (KHAN et al., 1995 apud CHOWELL et al., 2004). O modelo estocástico SEIR O modelo estocástico SEIR estudado considera tempo discreto e os indivíduos como quantidades discretas sendo baseado no seguinte esquema: Figura 1: Modelo SEIR O intervalo de tempo é definido por [t, t + h], onde h representa o tamanho do intervalo, no caso, h = 1 dia. Considere, B(t) é o número de indivíduos suscetíveis que se tornam infectados; C(t) é o número de casos a partir do início dos sintomas; D(t) é o número de indivíduos removidos; Note que B(t), C(t) e D(t) são medidos no final do intervalo de tempo [t, t + h]. E seja S(t), E(t), I(t) e R(t), respectivamente, o número de indivíduos suscetíveis, expostos, infectantes e removidos no instante t. Então, dadas as condições iniciais (S(0) = s 0, E(0) = e 0, I(0) = i 0, R(0) = r 0 ) e o tamanho da população N constante, o modelo é dado por: S(t + h) = S(t) B(t) E(t + h) = E(t) + B(t) C(t) I(t + h) = I(t) + C(t) D(t) N = S(t) + E(t) + I(t) + R(t) (1) 2
3 onde, B(t) Binomial(S(t-1), P(t)); C(t) Binomial(E(t-1), p C ); (2) D(t) Binomial(I(t-1), p R ); tal que P (t) = [ 1 exp β(t) ] hi(t 1) N p C = 1 exp[ ρh] (3) p R = 1 exp[ γh] Os parâmetros β(t), 1 ρ, 1 representam, respectivamente, a taxa de transmissão no instante t γ e os períodos médios de incubação e infeccioso. Por fim, para considerar os efeitos da intervenção, define-se: β se t < τ β(t) = βe q(t τ) se t τ (4) onde τ é o instante t em que as medidas de intervenção foram introduzidas, β é a taxa de transmissão inicial e q é a taxa de decaimento de β(t) a partir do instante τ. E o tempo pontual que indica o término da epidemia é denotado por τ. A Abordagem Bayesiana O modelo dado pelo conjunto de equações (1) - (4) é definido a partir do vetor de parâmetros Θ = {β, q, ρ, γ} que podem ser estimados a partir do conhecimento das condições iniciais, tamanho da população e os vetores {B, C, D}. Além disso, note que {S(t), E(t), I(t)} são completamente determinados a partir do sistema de equações (1) e como B(t), C(t) e D(t) são condicionalmente independentes, a verossimilhança dos dados é definida por τ L(B, C, D Θ) = g 1 (B(t).)g 2 (C(t).)g 3 (D(t).) (5) onde g 1, g 2 e g 3 são as funções de probabilidades definidas em (2) - (4) condicionadas em Θ e toda informação disponível no instante t. E os estimadores de Máxima Verossimilhança podem ser encontrados a partir da maximização de (5). 3
4 Contudo, na situação real, o vetor B não é observável e consequentemente não é possível encontrar os estimadores de Máxima Verossimilhança de tal maneira, é necessário uma imputação dos dados não observáveis que, no caso de Lekone e Finkenstädt (2006), é realizada através de métodos MCMC no contexto de Inferência Bayesiana. Sabe-se que E(τ ) = 0, I(τ ) = 0 e S(τ ) = N τ C(t) e o tamanho final da epidemia é m = τ B(t). A trajetória {I(t)}τ é facilmente construída a partir das variáveis observáveis, entretanto, não se pode dizer o mesmo para as trajetórias {E(t)} τ e {S(t)} τ que dependem do vetor B. Por isso, em cada passo da cadeia de Markov que será construída para a estimação dos parâmetros, o processo estocástico {B(t)} τ será considerado e as trajetórias {S(t)} τ e {E(t)} τ serão reconstruídas. A distribuição a posteriori dos parâmetros e do vetor B é dada por π(θ, B C, D) L(B, C, D Θ)π(Θ) (6) onde, a verossimilhança L(B, C, D Θ) é dada em (5) e π(θ) é a distribuição a priori dos parâmetros. O cálculo desta distribuição a posteriori é realizado através de um algoritmo MCMC que amostrará alternadamente elementos das distribuições condicionais π(b C, D, Θ) e π(θ B, C, D). O algoritmo segue: 1. Inicialize B. Isto pode ser feito, por exemplo, ao escolher B(0) = m e B(t) = t > 0. Para qualquer série inicial B, resconstrua as trajetórias {S(t), E(t)} a partir das equações em (1). 2. Inicialize o vetor Θ a partir da distribuição a priori π(θ). 3. Atualize B a partir de π(b C, D, Θ) e reconstrua novamente as trajetórias {S(t), E(t)}. 4. Atualize Θ a partir de π(θ B, C, D). 5. Repita os passos (3) e (4) até que se obtenha a amostra de tamanho desejado após a convergência ter sido alcançada. 0.1 Amostragem de π(b C, D, Θ) Um caminho natural seria amostrar o vetor B a partir da amostragem de cada componente B(t) proveniente da distribuição Binomial condicionada aos parâmetros e por fim, verificar se o vetor B é consistente com o tamanho final e duração da epidemia, isto é, se o vetor B satisfaz as condições: τ B(t) = m, E(t) 0, E(t) + I(t) > 0 t < τ, E(τ ) + I(τ ) = 0. 4
5 Todavia, este metódo é ineficiente. seguinte esquema de atualização: Por isso, Lekone e Finkenstädt (2006) sugerem o 1. Selecione um instante t satisfazendo B(t ) > 0 de maneira aleatória e uniformemente entre os instantes {0, h, 2h,...,, τ h}. Faça B(t ) = B(t ) Selecione um instante t satisfazendo B( t) > 0 de maneira aleatória e uniformemente entre os instantes {0, h, 2h,...,, τ h}. Faça B( t) = B( t) Reconstrua as trajetórias {S(t), E(t)} a partir das equações em (1) e verifique se todas as condições são satisfeitas. 4. Se o[ novo vetor ] B, B, é um possível candidato, aceite-o com probabilidade min 1, π(b.). π(b.) Note que em cada atualização do vetor B, pode-se atualizar mais do que uma componente, em geral, 10% do tamanho da epidemia. Este procedimento colabora para aumentar a mistura e a convergência do algoritmo MCMC. 0.2 Amostragem de π(θ B, C, D) Considere distribuições a priori Gama(a θ, b θ ) independentes para cada parâmetro em Θ. O esquema de atualização segue: 1. Gere θ (k) segundo uma densidade proposta q(θ (k 1), θ (k) ). [ ] 2. Aceite o candidato (θ (k), θ (k) π(θ (k).)q(θ (k), θ (k 1) ) ) com probabilidade min 1,. π(θ (k 1).)q(θ (k 1), θ (k) ) A atual etapa de trabalho é a reprodução desta implementação apresentada em Lekone e Finkenstädt (2006). Trabalhos Futuros A próxima etapa é a discussão da suposição de distribuição exponencial para o tempo de permanência dos indivíduos nos compartimentos dos Expostos e Infectantes utilizada em Lekone e Finkenstädt (2006). A suposição de distribuição exponencial é frequentemente utilizada pois ao utilizá-la, basta conhecer o número de indivíduos em cada compartimento no instante de tempo t. Esta suposição 5
6 implica que todos os indivíduos têm a mesma taxa de transição e ela é constante no tempo. Não é difícil ver que tal suposição não é realista pois é plausível que a taxa de transição para outro compartimento seja dependente do tempo que um determinado indivíduo está naquele compartimento. Os artigos de Boys e Giles (2007), Streftaris e Gibson (2004a), Streftaris e Gibson (2004b) também discutem modelos SEIR considerando tempos de transição não-exponenciais. E também será feito o estudo de sensibilidade da escolha das distribuições a priori. Além disso, métodos de discriminação de modelos assumindo diferentes distribuções para os tempos de transição serão estudados. Bibliografia BOYS, R. J.; GILES, P. R., Bayesian inference for SEIR epidemic models with timeinhomogeneous removal rates, Journal of Mathematical Biology, n. 55, p , CHOWELL, G.; HENGARTNERGB N.W.; CASTILLO-CHAVEZA, C.; FENI- MOREA, P.W.; HYMAN, J.M., The basic reproductive number of Ebola and the effects of public health measures: the cases of Congo and Uganda, Journal of Theoretical Biology, n. 229, p , LEKONE, P.E.; FINKENSTÄDT, B.F. Statistical inference in a stochastic epidemic SEIR model with control intervention: Ebola as a case study, Biometrics, n. 62, p , STREFTARIS, G.; GIBSON, G.J., Bayesian inference for stochastic epidemics in closed populations, Statistical Modelling, v. 4, p , STREFTARIS, G.; GIBSON, G.J., Bayesian analysis of experimental epidemics of foot-and-mouth disease, Proc. R. Soc. Lond. B, n. 271, p , YANG, H. Epidemiologia Matemática - Estudo dos efeitos da vacinação em doenças de transmissão direta. Campinas, SP: Editora Unicamp,
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 maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisModelos Epidemiológicos e Vacinação
Programa de Computação Científica - FIOCRUZ 8 de dezembro de 2004 Histórico Doenças Infecciosas Histórico Infecções presentes Agentes Infecciosos Qualidade de vida X Doenças Infecciosas (60s) Câncer e
Leia maisESTATÍSTICA 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 maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Métodos de Monte Carlo baseados em Cadeias de Markov:
Leia maisSegunda 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 maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisMODELAGEM, ANÁLISE E PREVISÃO EPIDEMIOLÓGICA DETERMINÍSTICA SOBRE DADOS DA GRIPE SUÍNA (H1N1) NO BRASIL NO ANO DE 2009.
1 MODELAGEM, ANÁLISE E PREVISÃO EPIDEMIOLÓGICA DETERMINÍSTICA SOBRE DADOS DA GRIPE SUÍNA (H1N1) NO BRASIL NO ANO DE 2009. Hildmir do Nascimento Rocha hildmir.rocha@icen.ufpa.br Leriana Chaves da Silva
Leia maisAnálise da Coexistência de Sorotipos de Dengue
Análise da Coexistência de Sorotipos de Dengue Thomas Nogueira ilches Claudia Pio Ferreira Depto. de Bioestatística BB UNESP 18618-97 - Botucatu SP E-mail: thomas vilches@ibb.unesp.br pio@ibb.unesp.br
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisAmostrador de Gibbs Híbrido com aplicação em Dados de Captura e Recapura
UNIVERSIDADE FEDERAL DE MINAS GERAIS PROGRAMA DE PÓS-GRADUAÇÃO EM ESTATÍSTICA Amostrador de Gibbs Híbrido com aplicação em Dados de Captura e Recapura Isabela de Lima Severino e Marina Alves Amorim Novembro
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisRedes Complexas Aula 15
Redes Complexas Aula 5 Aula passada Resilience ( robustez ) Tipo de falhas Influência da estrutura Análise do ponto crítico Aula de hoje Epidemia em redes Modelos epidemiológicos Criticalidade em função
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisMBIF-MODELO BASEADO EM INDIVÍDUOS FUZZY: PROPOSTA E APLICAÇÃO EM UM SISTEMA COMPLEXO
MBIF-MODELO BASEADO EM INDIVÍDUOS FUZZY: PROPOSTA E APLICAÇÃO EM UM SISTEMA COMPLEXO Gledson Melotti, Lucymara de R. Alvarenga, Maurílio J. Inácio, Erivelton G. Nepomuceno, Eduardo M. A. M. Mendes, Ricardo
Leia maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Monte Carlo via cadeias de Markov: o OpenBUGS
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia mais2 Modelos de sintetização de séries temporais de atenuação por chuva
2 Modelos de sintetização de séries temporais de atenuação por chuva Alguns modelos estocásticos de sintetização de séries temporais de atenuação por chuva são baseados no modelo proposto por Maseng &
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
Leia maisSimulação de um modelo epidemiológico com renovação de população em redes Small World
Simulação de um modelo epidemiológico com renovação de população em redes Small World Diego Robles Vieira Ribeiro, Reginaldo A. Zara UNIOESTE - Universidade Estadual do Oeste do Paraná Centro de Ciências
Leia maisMODELAGEM MATEMÁTICA APLICADA À SISTEMAS DINÂMICOS EPIDEMIOLÓGICOS: O MODELO SIR
MODELAGEM MATEMÁTICA APLICADA À SISTEMAS DINÂMICOS EPIDEMIOLÓGICOS: O MODELO SIR Isabeli Raiany de Miranda Silva¹, Jane Rosa¹ ¹, ²Instituto Federal do Paraná Campus Paranaguá ¹e-mail: isabeli.miranda@live.com
Leia maisA Bayesian Reassessment of Nearest-Neighbor Classification (2009)
A Bayesian Reassessment of Nearest-Neighbor Classification (2009) Cucala, Marin, Robert e Titterington André Yoshizumi Gomes (IME/USP) Seminário ministrado no Insper 5 de fevereiro de 2016 O método knn
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisAplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais
Aplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais Orientador: Paulo Justiniano Ribeiro Jr Universidade Federal do Paraná Programa de Pós-Graduação em Métodos
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Leia maisUM ESTUDO SOBRE MODELOS EPIDEMIOLÓGICOS ENVOLVENDO EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
UM ESTUDO SOBRE MODELOS EPIDEMIOLÓGICOS ENVOLVENDO EQUAÇÕES DIFERENCIAIS ORDINÁRIAS Valdir Junior Florentin de Aguiar 1 ; Maristela Missio 1 Estudante do curso de Matemática da UEMS, Unidade Universitária
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisMétodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisA distribuição Weibull Exponencial de Zografos
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. A distribuição Weibull Eponencial de Zografos Patrícia Silva N. Barros, PPGBEA - UFRPE / DCE - UFPB E-mail: patriciajp1408@hotmail.com Kleber Napoleão
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisFuncionais aditivos de processos de exclusão
Funcionais aditivos de processos de exclusão Patrícia Gonçalves Centro de Matemática da Universidade do Minho Campus de Gualtar 471-57 Braga, Portugal e-mail: patg@math.uminho.pt Resumo: Neste trabalho
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia mais2 Modelo de Sinais. 2.2 Modelo de Comunicação
odelo de Sinais 1 Introdução No presente capítulo é apresentado o modelo de comunicação adotado O modelo matemático de sinais transmitidos por sistemas de transmissão em blocos e mais particularmente para
Leia maisMODELO 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 maisAbordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais. Resumo
Abordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais Max Sousa de Lima 1 Luiz Henrique Duczmal 2 Resumo Nesta trabalho, nós desenvolvemos um método Bayesiano para modelagem, detecção
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisAutomatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST
Universidade de Brasília IE Departamento de Estatística Automatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST Lucas Barbosa Cusinato Rodrigues
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
Leia maisANÁLISE BAYESIANA APLICADA À HIDROLOGIA
DIA 1 ANÁLISE BAYESIANA APLICADA À HIDROLOGIA Pedro Luiz Borges Chaffe, Debora Yumi de Oliveira e Paula Cunha David Florianópolis, 28 e 30 de novembro de 2017 SOBRE O MINICURSO Dia 28/11/2017 (14h-17h)
Leia maisInferência 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 maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maiss:
VACINAÇÃO PULSADA EM SISTEMAS EPIDEMIOLÓGICOS UTILIZANDO O MODELO BASEADO EM INDIVÍDUOS (MBI) Rubisson Duarte Lamperti, Lucas Dal-Rios Neves, Nivaldo Ulisses Agostinho, Everthon de Souza Oliveira, Erivelton
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE ESTATÍSTICA INFORMAÇÕES COMPLEMENTARES AO EDITAL N 127, DE 09 DE SETEMBRO DE 2010, PUBLICADO NO D.O.U. Nº 179,
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Modelagem paramétrica Valeska Andreozzi 1 valeska.andreozzi@fc.ul.pt & Marilia Sá Carvalho 2 cavalho@fiocruz.br 1 Centro de Estatística e Aplicações da Universidade de Lisboa,
Leia maisP.62, Exerc. 1.3: Trocar as posições de tipo AB e tipo O.
ERRATA Segue-se uma lista de correcção de erros de digitação que não inclui os que violam regras de pontuação. Os nossos agradecimentos a todos aqueles que nos comunicaram os erros que foram detectando
Leia maisCE-718 (MCI) Contexto e idéias iniciais
Out, 2009 117 CE-718 (MCI) Contexto e idéias iniciais PJ LEG: Laboratório de Estatística e Geoinformação Out, 2009 Out, 2009 217 1 Verossimilhança e inferência 2 Soluções numéricas 3 Integração numérica
Leia maisEstimadores, pontual e intervalar, para dados com censuras intervalar
Estimadores, pontual e intervalar, para dados com censuras intervalar Débora Ohara, Estela Maris Pereira Bereta, Teresa Cristina Martins Dias Resumo Dados com censura intervalar ocorrem com frequência
Leia maisUM MODELO DE FRAGILIDADE PARA DADOS DISCRETOS DE SOBREVIVÊNCIA. Eduardo Yoshio Nakano 1
1 UM MODELO DE FRAGILIDADE PARA DADOS DISCRETOS DE SOBREVIVÊNCIA Eduardo Yoshio Nakano 1 1 Professor do Departamento de Estatística da Universidade de Brasília, UnB. RESUMO. Em estudos médicos, o comportamento
Leia maisUniversidade de Brasília Instituto de Ciências Exatas Departamento de Estatística. Dissertação de Mestrado
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Dissertação de Mestrado Estimação bayesiana via cópulas para dados com censura intervalar bivariados por Fábio De Araújo
Leia maisUMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES
UMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES Ana Cláudia Oliveira de MELO Ronei Marcos de MORAES Marinho Gomes de ANDRADE FILHO RESUMO: Neste trabalho é abordado o problema de avaliação da
Leia maisCONHECIMENTOS 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 mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisUniversidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO
Universidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO DE EPIDEMIAS EM PLANTAS Kaique dos Santos Alves 1,
Leia mais3 Especificação Estatística da Dispersão dos Modos de Polarização em Cabos de Fibra Óptica
em Enlaces Ópticos 0 3 Especificação Estatística da Dispersão dos Modos de Polarização em Cabos de Fibra Óptica Teoria básica da especificação estatística da dispersão dos modos de polarização em cabos
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia mais4 Canais Iônicos Estocásticos
4 Canais Iônicos Estocásticos 4.1 Processos Estocásticos e o Modelo de Hodgkin e Huxley O modelo de Hodgkin e Huxley clássico, macroscópico, tem como fundamento a variação dos valores das condutâncias
Leia maisINVESTIGAÇÃO COMPUTACIONAL DE MODELOS EPIDEMIOLÓGICOS USANDO O AMBIENTE DE MODELAGEM VENSIM
INVESTIGAÇÃO COMPUTACIONAL DE MODELOS EPIDEMIOLÓGICOS USANDO O AMBIENTE DE MODELAGEM VENSIM Leandro Jorge Vieira da Maia, Eduardo Vansetto, Reginaldo A. Zara UNIOESTE - Universidade Estadual do Oeste do
Leia maisDISCRETIZADAS NA ANÁLISE DE DADOS DE SOBREVIVÊNCIA RESUMO
APLICAÇÕES DE DISTRIBUIÇÕES DISCRETIZADAS NA ANÁLISE DE DADOS DE SOBREVIVÊNCIA Danielle Peralta 1, Josmar Mazucheli 1, Isabelle Picada Emanuelli 2 e Robson Marcelo Rossi 1 1 Departamento de Estatística,
Leia maisPROCESSOS ESTOCÁSTICOS. Modelagem de falhas, Técnicas de Markov para modelagem da confiabilidade de sistemas
ROCESSOS ESTOCÁSTICOS Modelagem de falhas, Técnicas de Markov para modelagem da confiabilidade de sistemas Modelagem de falhas Confiabilidade de sistemas Necessário modelar o comportamento do sistema,
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisCONHECIMENTOS 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 maisINTRODUÇÃO A INFERÊNCIA BAYESIANA. Beatriz Cristina Flamia de Azevedo (PIBIC Jr./ Fundação Araucária - UTFPR),
INTRODUÇÃO A INFERÊNCIA BAYESIANA Beatriz Cristina Flamia de Azevedo (PIBIC Jr./ Fundação Araucária - UTFPR), Roberto Molina de Souza (Orientador), e-mail: rmolinasouza@utfpr.edu.br. Universidade Tecnológica
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
Leia maisMétodos para geração de variáveis aleatórias
Métodos para geração de variáveis aleatórias Cristiano de Carvalho Santos cristcarvalhosan@gmail.com Departamento de Estatística, Universidade Federal de Minas Gerais (UFMG) Introdução Por que é necessário
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 23 de agosto de 2017 Informação sobre a disciplina Segundas e Quartas feiras das 09:30 às 11:20 horas Professor:
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO PRÓ REITORIA DE GRADUAÇÃO. Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA
PROGRAMA DE DISCIPLINA Disciplina: PROCESSOS ESTOCÁSTICOS Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal Teórica Prática
Leia maisEpidemiologia como ferramenta de trabalho na Defesa Sanitária
Epidemiologia como ferramenta de trabalho na Defesa Sanitária Laboratório de Epidemiologia Veterinária (EPILAB) Depto. Medicina Veterinária Preventiva Faculdade de Veterinária, UFRGS Luís Gustavo Corbellini
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisProcessos Estocásticos aplicados à Sistemas Computacionais
Processos Estocásticos aplicados à Sistemas Computacionais Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisAnálise de Estabilidade e Controle de Doenças Infecciosas por meio de Modelo Compartimental.
Análise de Estabilidade e Controle de Doenças Infecciosas por meio de Modelo Compartimental. BRUNO DE PAULA O. PAIVA *, ERIVELTON GERALDO NEPOMUCENO *. *Grupo de Controle e Modelagem, Departamento de Engenharia
Leia maisCurso(s): Licenciaturas em Engenharia (1º ciclo) Aulas Teóricas 30h. Ano Curricular Semestre: 2º ano 1º semestre Aulas Teórico-Práticas 45h
UNIVERSIDADE CATÓLICA PORTUGUESA F A C U L D A D E D E E NGE N H ARIA Disciplina de Estatística Contexto da Disciplina Horas de Trabalho do Aluno Curso(s): Licenciaturas em Engenharia (1º ciclo) Aulas
Leia mais4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica
4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica 4. Elementos de inferência Bayesiana Gamerman [34] define que tanto o modelo Bayesiano quanto o freqüentista trabalham na presença de
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Simulação O que é simulação? Reprodução de um
Leia maisAnálise de Sobrevivência. Exercícios - Capítulo 1
Análise de Sobrevivência Profa. Suely Ruiz Giolo Departamento de Estatística - UFPR Exercícios - Capítulo 1 1. Suponha que seis ratos foram expostos a um material cancerígeno. Os tempos até o desenvolvimento
Leia maisPr = 6 = = = 0.8 =
IND 5 Inferência Estatística Semestre 004.0 Teste 05/0/004 GABARITO Problema (5 pontos) Uma gulosa professora de estatística é fissurada por trufas de chocolate. Em busca da trufa ideal, ela vai provando
Leia maisAplicação. Controlo Óptimas. 23º Seminário de Engenharia Mecânica - 4 Junho de Nuno Manuel R. S. Órfão
Aplicação de Cadeias de Markov em Redes de Filas de Espera Políticas de Controlo Óptimas 23º Seminário de Engenharia Mecânica - 4 Junho de 2003 - Nuno Manuel R. S. Órfão nmorfao@estg.ipleiria.pt 1 Sumário
Leia maisMetropolis-Hastings. Renato Assunção DCC - UFMG
Metropolis-Hastings Renato Assunção DCC - UFMG Amostrador de Gibbs Pros: Método geral para amostrar de distribuição condicional p( y) Quase qualquer distribuição (condicoes de regularidade para convergência
Leia maisSistemas Reparáveis - Processo de Contagem
Sistemas Reparáveis - Processo de Contagem Enrico A. Colosimo Colaboração: Rodrigo C. P. dos Reis e Maria Luiza Toledo Programa de Pós-Graduação em Estatística - UFMG Teoria básica de Processos de Contagem
Leia maisModelo de Mistura com Dependência Markoviana de Primeira Ordem. Silvana Aparecida Meira
Modelo de Mistura com Dependência Maroviana de Primeira Ordem Silvana Aparecida Meira UFSCar - São Carlos/SP Outubro/2014 Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento
Leia maisUm modelo com erros assimétricos para dados contábeis
Um modelo com erros assimétricos para dados contábeis Matheus Bertolo Guerrero 1 Maria Luiza Maes 1 Gilvania de Sousa Gomes 2 Daniela Pereira de Silva Gomes 2 José Waldemar da Silva 1 1 Introdução A Demonstração
Leia maisPropriedade Markoviana
Cadeias de Markov Cadeias de Markov É um tipo especial de processo estocástico, que satisfaz as seguintes condições: o parâmetro n é discreto (ex: tempo) o espaço de estados E é discreto (coleção de estados
Leia mais