28 de dezembro de 2007
|
|
- Theodoro Augusto Fagundes Affonso
- 7 Há anos
- Visualizações:
Transcrição
1 Curso de UFRPE e UFPE 28 de dezembro de 2007
2
3 Seja f (y) uma função densidade conhecida, cujos cumulantes são dados por κ 1, κ 2,.... O interesse reside em usar f (y) para aproximar uma função densidade g(y) (em geral desconhecida) a partir da aplicação de um operador T(D) a f (y). O operador é formulado como T(D) = exp ǫ j ( D) j /j! j=1 e a aproximação para g(y) é definida por g(y) = T(D) f (y), em que D é o operador diferencial, ou seja, D j f (y) = d j f (y)/dy j.
4 Os cumulantes de g(y) são determinados como os coeficientes de t r /r! na expansão de { + } log e ty g(y)dy. Expandindo o operador T(D) em série de Taylor vem T(D) = i=0 1 i! ǫ j ( D) j de onde se conclui que os cumulantes de g(y) são dadas por κ 1 + ǫ 1, κ 2 + ǫ 2,.... A função g(y) pode não satisfazer a condição g(y) 0 para todo y, mas seus cumulantes κ r + ǫ r são definidos mesmo que esta condição não seja satisfeita. j=1 j!
5 De g(y) = T(D) f (y) obtém-se, pela expansão de T(D), g(y) = f (y) ǫ 1 Df (y) (ǫ2 1 + ǫ 2)D 2 f (y) 1 6 (ǫ ǫ 1ǫ 2 + ǫ 3 )D 3 f (y) (ǫ ǫ2 1 ǫ 2 + 4ǫ 1 ǫ 3 + ǫ 4 )D 4 f (y) +
6 Em muitos casos, D j f (y) = P j (y)f (y), em que onde P j (y) é um polinômio de grau j em y. Esses polinômios são geralmente ortogonais com relação à distribuição associada a f (y), ou seja, P j (y)p k (y)f (y) = 0, para j k.
7 No caso em que f (y) é a função densidade φ(y) da distribuição normal reduzida, ( 1) j P j (y) é o polinômio de Hermite H j (y) de grau j definido pela identidade ( D) r φ(y) = H r (y)φ(y). Os primeiros polinômios de Hermite são H 0 (y) = 1, H 1 (y) = y, H 2 (y) = y 2 1, H 3 (y) = y 3 3y, H 4 (y) = y 4 6y 2 + 3, H 5 (y) = y 5 10y y, H 6 (y) = y 6 15y y 2 15.
8 Esses polinômios têm propriedades interessantes decorrentes da identidade exp(ty t 2 t j /2) = j! H j(y), tais como: j=0 d dy H r(y) = r H r 1 (y), D j H r (y) = r (j) H r j (y) para r j, em que r (j) = r(r 1) (r j + 1). Satisfazem ainda a relação de recorrência H r (y) = y H r 1 (y) (r 1) H r 2 (y) (r 2).
9 Caso especial de maior aplicabilidade: f (y) é a função densidade φ(y) da distribuição N(0, 1). Neste caso, κ r = 0 para r > 2 e ǫ 3, ǫ 4,... são iguais aos cumulantes de g(y). Assim, g(y) = φ(y)[1 + ǫ 3 3! H 3 (y) + ǫ 4 4! H 4 (y) + ǫ 5 5! H 5 (y) + (ǫ 6+10ǫ 2 3 ) 6! H 6 (y) + ]. Esta expansão é denominada expansão para a densidade.
10 Integrando e usando a relação H r (y)φ(y)dy = H r 1 (y)φ(y)(r 1) vem G(y) = Φ(y) φ(y)[ ǫ 3 3! H 2 (y) + ǫ 4 4! H 3 (y) + ǫ 5 5! H 4 (y) + (ǫ 6+10ǫ 2 3 ) 6! H 5 (y) + ], em que Φ(y) é a função de distribuição da normal reduzida.
11 Seja Y uma variável aleatória com funções densidade f (y) e geratriz de cumulantes K(t). Os cumulantes padronizados de Y são ρ r = κ r /κ r/2 2 para r 2. Tem-se κ 1 = E(y) = µ e κ 2 = Var(Y ) = σ 2. Suponha que Y 1,...,Y n são realizações iid de Y e sejam as somas S n = n i=1 Y i, e S n = (S n nµ)/(σ n). Como as variáveis aleatórias são iid, as funções geratrizes de cumulantes de S n e S n são dadas por K Sn (t) = nk(t) e respectivamente. ( ) nµt t K S n (t) = + nk σ σ, (1) n
12 A expansão de K(t) em série de Taylor equivale a uma soma de funções dos cumulantes padronizados de Y K(t) = µt + σ 2 t 2 /2 + ρ 3 σ 3 t 3 /6 + ρ 4 σ 4 t 4 /24 + que substituída em (1) implica K S n (t) = t 2 /2 + ρ 3 t 3 /(6 n) + ρ 4 t 4 /(24n) + O(n 3/2 ). (2) A função geratriz de momentos M S n (t) de S n é obtida de (2) tomando exponenciais. Logo, M S n (t) = exp(t 2 /2){1 + ρ 3 t 3 /(6 n) + ρ 4 t 2 /(24n) +ρ 2 3t 6 /(72n) + O(n 3/2 )}.
13 Para obter a função densidade de S n, a equação anterior deve ser invertida termo a termo usando a identidade e ty φ(y)h r (y)dy = t r exp(t 2 /2). Então, a função densidade de S n é dada por f S n (y) = φ(y){1 + ρ 3 6 n H 3(y) + ρ 4 24n H 4(y) + ρ2 3 72n H 6(y)} + O(n 3/2 ). (3)
14 A integral de (3) produz a expansão da função de distribuição de S n como F S n (y) = Φ(y) φ(y)[ ρ 3 6 n H 2(y) + ρ 4 24n H 3(y) + ρ2 3 72n H 5(y)] + O(n 3/2 ). (4) As fórmulas (3) e (4) são as expansões de para as funções densidade e de distribuição de uma soma padronizada S n, respectivamente. É importante salientar que a expansões acima seguem diretamente das expansões, pois os cumulantes de S n são, simplesmente, ǫ r = O(n 1 r/2 ) para r 3 com ǫ 3 = ρ 3 / n e ǫ 4 = ρ 4 /n.
15 Sejam Y 1,...,Y n variáveis aleatórias iid com distribuição exponencial de média um. A função densidade exata de S n é dada por π S n (y) = n(n + y n) n 1 exp( n y n)/(n 1)!. Para obter a expansão de tem-se E(S n ) = n, Var(S n ) = n, ρ 3 = 2 e ρ 4 = 6. Logo, { f S n (y) = φ(y) 1 + H 3(y) 3 n + H 4(y) + H } 6(y) + O(n 3/2 ). 4n 18n
16 Na Tabela 1 compara-se para n = 5 o valor exato π S n (y) com a aproximação normal φ(y) (termo principal) e com aquelas expansões f S n (y) obtidas da equação anterior considerando apenas o termo O(n 1/2 ) e com aqueles dois termos de ordem O(n 1 ).
17 Tabela 1: Aproximações de para a função densidade da soma padronizada de 5 variáveis exponenciais iid de y Exato Normal até O(n 1/2 ) até O(n 1 ) -2 0,0043 0,0540 0,0379 0,0178-1,5 0,1319 0,1295 0,1512 0,1480-1,0 0,3428 0,2420 0,3141 0,3329-0,5 0,4361 0,3521 0,4242 0, ,3924 0,3989 0,3989 0, ,1840 0,2420 0,1698 0, ,0577 0,0540 0,0701 0, ,0144 0,0044 0,0163 0,0181
18 Este exemplo ilustra o desempenho da expansão de no contexto discreto. Seja S n a soma de n variáveis aleatórias iid com distribuição de Poisson de média 1. Assim, S n tem distribuição de Poisson de média n. Todos os cumulantes da distribuição de Poisson são iguais e, então, ρ 3 = ρ 4 = 1. A soma padronizada S n = (S n n)/ n tem função de distribuição aproximada, decorrente de (4), dada por { H2 (y) F S n (y) = Φ(y) φ(y) 6 n + H 3(y) 24n + H } 5(y) +O(n 3/2 ). 72n
19 No uso desta expansão para aproximar P(S n r), pode-se adotar uma correção de continuidade como y = (r n + 0, 5)/ n de modo que P(S n r) = F S n (y). A Tabela 2 compara a aproximação Φ(y) e as expansões de F S n (y) até ordens O(n 1/2 ) e O(n 1 ) com o valor exato de P(S n r) quando n = 8. Ambas as expansões de aproximam melhor P(S n r) do que a função de distribuição normal Φ(y).
20 Tabela 2: Aproximações para a função de distribuição de Poisson de média n = 8. de r Exato Normal até O(n 1/2 ) até O(n 1 ) 2 0,0138 0,0259 0,0160 0, ,0996 0,1079 0,1021 0, ,3134 0,2981 0,3128 0, ,5926 0,5702 0,5926 0, ,8159 0,8116 0,8151 0, ,9362 0,9442 0,9340 0, ,9827 0,9892 0,9820 0,9824
21 Suponha que uma variável aleatória contínua padronizada Y tem média zero, variância um e cumulantes ρ j de ordens O(n 1 j/2 ) para j 3. Neste caso, a expansão de para P(Y y) segue diretamente de (4). Suponha agora que y α e u α são definidos por. P(Y y α ) = Φ(u α ) = 1 α As expansões de são duas expansões assintóticas relacionando os quantis y α e u α : uma expansão normalizadora que expressa u α como função de y α e sua expansão inversa dando y α em termos de u α.
22 Expandindo Φ(u α ) em série de Taylor vem (u α y α ) r Φ(u α ) = Φ{y α +(u α y α )} = Φ(y α )+ D r Φ(y α ) r! (5) e, então, (u α y α ) r Φ(u α ) = Φ(y α ) + ( 1) r 1 H r 1 (y α )φ(y α ). (6) r! r=1 r=1
23 Igualando P(Y y α ) proveniente de (5) à equação (6), pode-se expressar u α em função de y α até ordem O(n 1 ) como um polinômio do terceiro grau u α = p(y α ) = y α ρ 3 6 n (y2 α 1) + ρ2 3 36n (4y2 α 7y α ) ρ 4 24n (y3 α 3y α ). (7) O polinômio p(y ) de representa a transformação normalizadora da variável Y até ordem O(n 1 ), isto é, p(y ) N(0, 1) + O p (n 3/2 ).
24 O objetivo da expansão inversa de é expressar os quantis y α de Y como função dos correspondentes quantis u α da distribuição normal reduzida. A inversão da expansão (7) para calcular y α em termos do quantil u α da normal reduzida é obtida expandido y α = u α + g(y α ) em termos de u α como y α u α = g(u α ) + Dg2 (u α ) + D2 g 3 (u α ) + (8) 2! 3! Identificando g(y α ) = y α p(y α ) em (7), substituindo em (8) e calculando as potências de g(u α ) e suas derivadas, obtém-se y α em função de u α até ordem O(n 1 ) como y α = u α + ρ 3 6 n (u2 α 1) ρ2 3 36n (2u3 α 5u α ) + ρ 4 24n (u3 α 3u α ). (9)
25 Suponha que Z χ 2 n e seja Y = (Z n)/ 2n a variável aleatória qui-quadrado padronizada, cujos terceiro e quarto cumulantes são ρ 3 = 2 2 e ρ 4 = 12. Logo, P(Z z α ) = P(Y (z α n)/ 2n) e, portanto, juntando os dois termos de ordem n 1 em (9) vem z α = n + { } 2 2n u α + 3 n (u2 α 1) n (u3 α 7u α ). A Tabela 3 mostra a adequação das aproximações para z α provenientes da equação acima usando apenas o termo de ordem O(1)(u α ) e aquelas incluindo os termos O(n 1/2 ) e O(n 1 ). Observa-se desta tabela que a correção O(n 1/2 ) já melhora substancialmente a aproximação normal, sendo que esta aproximação é ruim mesmo para n = 100, ao nível de significância de 1%.
26 Tabela 3: Comparação das expansões de para os quantis da χ 2 n até α n Exato O(1) O(n 1/2 ) O(n 1 ) 5 15,09 12,36 15,20 15, ,21 20,40 23,34 23,25 0, ,15 73,26 76,20 76, ,81 132,90 135,84 135,81 5 9,24 9,65 9,48 9, ,99 15,73 16,16 15,99 0, ,17 62,82 63,24 63, ,50 118,12 118,55 118,50
27 Daniels, H. E. (1954). Saddlepoint Approximations in Statistics. The Ann. Math. Statistics, 25, Daniels, H. E. (1987). Tail Probability Approximations. International Statistical Review, 55, 1, , G.M. (1999). à teoria assintótica. 22o Colóquio Brasileiro de Matemática, IMPA, , G.M. (1992). à teoria da verossimilhança. Capítulo 3, Seção 3.8, Goutis, C. e Casella, G. (1999) Explaining the Saddlepoint Approximation. The American Satistician, 53, n. 3,
28 Curso de Hinkley, D. V., Reid, N. e Snell, E. J. (1990). Statistical Theory and Modelling. In honour of Sir David Cox, FRS. Chapman and Hall. Jensen, J. L. (1988). Uniform Saddlepoint Approximations. Adv. Appl. Prob., 20, Kolassa, J. E. (1997). Series Approximation Methods in Statistics. Lecture Notes in Statistics, 88, second edition, Springer, Lugannani, R. e Rice, S. (1980). Saddle Point Approximation for The Distribution of The Sum of Independent Random Variables. Adv. Appl. Prob., 12,
27 de dezembro de 2007
Curso Coriro Laplace Curso Coriro UFRPE e UFPE 27 zembro 2007 Daniels Curso Coriro Laplace Daniels 1 2 Laplace 3 4 Daniels 5 6 Aplicações estatística 7 Referências Curso Coriro Laplace Daniels As expansões
Leia mais1 de janeiro de UFRPE e UFPE. Curso de Teoria Assintótica. Gauss Cordeiro. Roteiro. Expansões de Laplace
s UFRPE e UFPE 1 de janeiro de 2008 1 s 2 s 3 4 5 s A transformada é definida z grande por L(z) = 0 e zy f (y)dy. A função geratriz de momentos M(t) da distribuição com função densidade f (y) sobre os
Leia mais26 de dezembro de 2007
Curso de UFRPE e UFPE 26 de dezembro de 2007 1 2 3 4 Seja l(θ) a log-verossimilhança. A esperança e a covariância da função escore são dadas por: e Cov(U) = E respectivamente. ( UT θ E(U) = 0 (1.1) ) (
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 maisCOMPARAÇÃO DAS EXPANSÕES DE EDGEWORTH, LUGANNANI-RICE, DANIELS E CORDEIRO-FERRARI COM
COMPARAÇÃO DAS EXPANSÕES DE EDGEWORTH, LUGANNANI-RICE, DANIELS E CORDEIRO-FERRARI COM APLICAÇÕES NA ESTATÍSTICA Rejane dos Santos BRITO 1 Gauss Moutinho CORDEIRO 1 RESUMO: Neste artigo revisa-se as expansões
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisDefinições Matemáticas
A matemática pode ser definida como a ciência na qual não se sabe jamais sobre o que fala nem se o que se diz é verdade. ÖØÖ Ò ÊÙ Ð ½ ¾¼ A Definições Matemáticas Conceitos e definições matemáticas que
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia 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 maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisVetor 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 maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisGabarito da G3 de Equações Diferenciais
Gabarito da G3 de Equações Diferenciais 03. MAT 54 Ques..a.b.c.a.b 3 4 5.a 5.b soma Valor.0.0.0.0.0.0.0.0.0 0.0 Nota ) Considere o problema abaixo que representa o comportamento de duas espécies(com densidades
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisexercícios de análise numérica II
exercícios de análise numérica II lic. matemática aplicada e computação (4/5) aulas práticas - capítulo Exercício. Mostre que a soma dos polinómios base de Lagrange é a função constante. Exercício. Usando
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia maisRespostas da Série de Exercícios Funções Multivariadas e outras. Lista 3A
Respostas da Série de Exercícios Funções Multivariadas e outras Problema 1 Lista 3A Observar que N1 e N2 são números inteiros de tal forma que N1+N2 5 isto é: N1=1,...4 e N2=1,..5-N1. Cada par de valores
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 maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisUFABC - Pós-graduação em Física - FIS Mecânica Estatística Curso Prof. Germán Lugones CAPITULO 1. Variáveis Aleatórias
UFABC - Pós-graduação em Física - FIS 07 - Mecânica Estatística Curso 208. - Prof. Germán Lugones CAPITULO Variáveis Aleatórias Introdução Mecânica Mecânica Estatística Termodinâmica H(p i,q i ) Q N (V,
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisPolinômios de Legendre
Seção 5: continuação do método de resolução por séries de potências Na Seção foi exposto informalmente, através de exemplos, o método de resolução de equações diferenciais ordinárias por séries de potências.
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 maisANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS. Apresente e justifique todos os cálculos
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise ANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS TESTES DE RECUPERAÇÃO A - 6 DE JUNHO DE 9 - DAS H ÀS :3H Teste Apresente e justifique
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Leia maisDistribuição Normal. Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade for dada por:
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisCOMPORTAMENTO 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 maisVariável Aleatória Contínua (v.a.c)
Variável Aleatória Contínua (v.a.c) Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 20 de junho de 2018 Londrina 1 / 14 (v.a.c.) Uma função Y definida sobre o espaço amostral
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisOutras distribuições contínuas. Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc...
Outras distribuições contínuas Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc... 1 c) Algumas distribuições de probabilidade contínuas importantes d) Distribuição
Leia maisMIEEC Probabilidades e Estatística 1 a Chamada 10/01/2008. Parte Prática
MIEEC Probabilidades e Estatística 1 a Chamada 1/1/8 Parte Prática Resolução 1. Definição dos acontecimentos: T 1 Cliente do operador Ptel 1 T Cliente do operador Ptel T 3 Cliente do operador Ptel 3 S
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 mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisTestes de Hipótese para uma única Amostra - parte II
Testes de Hipótese para uma única Amostra - parte II 2012/02 1 Teste para média com variância conhecida 2 3 Objetivos Ao final deste capítulo você deve ser capaz de: Testar hipóteses para média de uma
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisUniversidade 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 maisMétodos de Runge-Kutta
Solução numérica de Equações Diferenciais Ordinárias: Métodos de Runge-Kutta Marina Andretta/Franklina Toledo ICMC-USP 31 de outubro de 2013 Baseado nos livros: Análise Numérica, de R. L. Burden e J. D.
Leia mais2 Descrição do Problema
2 Descrição do Problema Os requisitos de desempenho para enlaces de comunicação digital estabelecidos por recomendações da ITU impõem restrições a parâmetros de desempenho de erro e disponibilidade. A
Leia maisProbabilidade 2 - ME310 - Lista 4
Probabilidade - ME30 - Lista 4 November 4, 05 Lembrando:. Geratriz de momentos: M X (t) = E(e t X ) = + et x f(x) dx, observe que dm X (t) = + x et x f(x) dx = dm X (0) = + x et 0 f(x) dx = + x f(x) dx
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 20 AGA 0505- Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2018 2 / 20 tópicos 1 probabilidades - cont. 2 distribuições de probabilidades 1 binomial 2 Poisson 3
Leia maisEXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO
Cálculo Numérico EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES o sem/08 EXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO x. Considere a seguinte tabela de valores de uma função f: i 0 f(x i ).50
Leia maisSabendo que f(x) é um polinômio de grau 2, utilize a formula do trapézio e calcule exatamente
MÉTODOS NUMÉRICOS E COMPUTACIONAIS II EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES EXERCICIOS RESOLVIDOS - INTEGRACAO-NUMERICA - EDO. Considere a seguinte tabela de valores de uma função f x i..5.7..5 f(x
Leia maisEXAMES DE ANÁLISE MATEMÁTICA III
EXAMES DE ANÁLISE MATEMÁTICA III Jaime E. Villate Faculdade de Engenharia Universidade do Porto 22 de Fevereiro de 1999 Resumo Estes são alguns dos exames e testes da disciplina de Análise Matemática III,
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências
Leia maisFirst exam October 23, 2006 Statistics II
First exam October 3, 006 Statistics II 1. (7 points) Numa determinada empresa de recursos humanos um teste de aptidão é realizado por um elevado número de candidatos a um emprego. A pontuação obtida nesse
Leia maisO teorema de Bayes é uma igualdade simples que vem da afirmação de que prob(a e B) = prob(b e A): prob(a B) prob(b) prob(a)
O teorema de Bayes O teorema de Bayes é uma igualdade simples que vem da afirmação de que prob(a e B) = prob(b e A): prob(b A) = no qual o denominador é a probabilidade total. prob(a B) prob(b), (4) prob(a)
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia maisANÁLISE DE ALGORITMOS: PARTE 4
ANÁLISE DE ALGORITMOS: PARTE 4 Prof. André Backes 2 Função recursiva Função que chama a si mesma durante a sua execução Exemplo: fatorial de um número N. Para N = 4 temos 4! = 4 * 3! 3! = 3 * 2! 2! = 2
Leia maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO EMENTA E CONTEÚDO PROGRAMÁTICO Carga horária Código Denominação Créditos ( ) Teórica Prática Total GEX112 Estatística 04
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos de v. a. contínuas: Exponencial, Hipoexponencial, Erlang, Hiperexponencial, Gamma, Weibull, Normal Aula de hoje V.a. Normal, Chi Square,
Leia maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração. φ(x k ) ψ(x k ).
MAP 22 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração : Sejam x =, x =, x 2 = 2 e x 3 = 3. (a) Determine os polinômios de Lagrange L i (x) correspondentes a estes pontos
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 maisDerivadas. Slides de apoio sobre Derivadas. Prof. Ronaldo Carlotto Batista. 21 de outubro de 2013
Cálculo 1 ECT1113 Slides de apoio sobre Derivadas Prof. Ronaldo Carlotto Batista 21 de outubro de 2013 AVISO IMPORTANTE Estes slides foram criados como material de apoio às aulas e não devem ser utilizados
Leia maisDistribuições de probabilidade
Distribuições de probabilidade Distribuições contínuas Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT)
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 maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia mais