Teoria de Resposta ao Item: Estimação dos Parâmetros dos Itens e dos Sujeitos
|
|
- Giulia Madeira Neiva
- 7 Há anos
- Visualizações:
Transcrição
1 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
2 Como são feitos os cálculos na TRI TCT somar pontos, transformar escores comparando-s com o grupo normativo e apresentá-lo em uma nova escala TRI Abordagem baseada em modelos (CCI) Modelo / Realidade Considerando o modelo quais valores dos parâmetros produzem respostas mais próximas das que são observadas? Máxima verossimilhança
3 Problema da estimação Em uma situação comum, é preciso saber Thetas dos n sujeitos Parâmetros para os j itens (a j, b j e c j ) Por exemplo, em uma situação com 250 sujeitos respondendo a um teste de 30 itens teremos X30 = 340 parâmetros para se descobrir Se tomarmos o modelo de um parâmetro: Dai θ e Pi ( θ) = + Dai 1 e ( b ) ( θ b ) Se conhecermos a habilidade do sujeito e os parâmetros dos itens conseguimos saber qual a chance do sujeito acertá-lo (padrão de resposta) Se conhecemos a probabilidade de acerto e os parâmetros dos itens podemos calcular o theta Se conhecemos o theta dos sujeitos e as probabilidades podemos calcular os parâmetros dos itens Mas em uma situação típica não conhecemos os parâmetros dos itens e não sabemos qual a habilidade dos sujeitos, só temos as respostas (probabilidades)!! i i
4 Exemplo 1. Conceituação básica quando conhecemos os parâmetros dos itens e queremos medir o theta de cada sujeito Estimação de Theta Supondo que os parâmetros dos itens são conhecidos, existem três métodos (Embretson & Reise, 2000): Máxima verossimilhança (maximum likelihood, ML) Máximo a posteriori (maximum a posteriori, MAP) Estimado a posteriori (estimated a posteriori, EAP) Conceito da estimação por Máxima verossimilhança Os parâmetros dos j itens são conhecidos (a j, b j e c j ). Portanto é possível calcular a probabilidade que um sujeito s com uma habilidade θ s tem de acertar um item j. Diferença entre probabilidade/verossimilhança: probabilidade: probabilidade calculada antes do fato (qual a probabilidade com que algo acontecerá?) verossimilhança/plausibilidade: probabilidade pós fato (qual a probabilidade de algo ter acontecido?) O procedimento de cálculo de theta baseado na máxima verossimilhança é um procedimento que objetiva descobrir o de θ s que maximize a verossimilihança/plausibilidade (probabilidade) do vetor de respostas do sujeito s.
5 Função de máxima verossimilhança Probabilidade de um sujeito acertar um item segundo a ICC P i (u si = 1θ s ) = P i ) = c i + ( ) 1 c i e Da i b i ) 1 + e Da i b i ) Probabilidade de um sujeito errar um item segundo a ICC Probabilidade antes do fato Probabilidade antes do fato P i (u si = 0θ s ) = Q i ) = 1 c i + ( ) 1 c i e Da i b i ) 1 + e Da i b i ) = 1 P (θ ) i s Probabilidade de um vetor específico de respostas de um sujeito ou de um sujeito obter um vetor de acertos/erros observado Verossimilhança Pós fato i I u s us usi s P s P s PI s = 1 1, 2, θ ) = 1( θ ). 2( θ ). ( θ ) Pi ( θs) Qi ( s) i= 1 L ( u θ si u si
6 Decompondo... Quando um sujeito responde a uma série de itens, ele produz um padrão de respostas, composto de acertos (valor 1) e erros (valor 0). No exemplo do GfRI temos os seguintes parâmetros i02 i05 i01 i09 i07 i03 i06 i10 i04 i08 i14 i11 i15 i13 i12 i16 a 1,09 1,13 0,85 0,82 0,85 0,81 0,9 0,71 0,72 0,97 0,58 0,9 0,96 0,96 0,9 0,95 b - 1,03-0,88-0,73-0,52-0,44-0,1-0,09 0,07 0,15 0,26 0,46 0,6 1,02 1,16 1,21 1,22 c 0,12 0,12 0,12 0,13 0,13 0,13 0,12 0,12 0,13 0,12 0,14 0,12 0,13 0,12 0,11 0,11 Considere o seguinte vetor de acertos i02 i05 i01 i09 i07 i03 i06 i10 i04 i08 i14 i11 i15 i13 i12 i16 Padrão de resposta L i (1,1,1,1,1,0,0,1,0,0,0,0,0,0,0,0θ s ) = P i ) u si Q i ) 1 u si = I i =1 P 2 )P 5 )P 1 )P 9 )P 7 )Q 3 )Q 6 )P 10 )Q 4 )Q 8 )Q 14 )Q 11 )Q 15 )Q 13 )Q 12 )Q 16 ) = P 2 P 5 P 1 P 9 P 7 Q 3 Q 6 P 10 Q 4 Q 8 Q 14 Q 11 Q 15 Q 13 Q 12 Q 16
7 Decompondo... Entendendo cada elemento do produtório: Se u 11 = 1 P i ) u si Q i )1 u si = P 1 (θ 1 ) 1 Q i ) 1 1 = P 1 (θ 1 ) 1 Q i ) 0 = P 1 (θ 1 ) 1 1 = P 1 (θ 1 ) Se u 11 = 0 P i ) u si Q i )1 u si = P 1 (θ 1 ) 0 Q 1 (θ 1 ) 1 0 = P 1 (θ 1 ) 0 Q 1 (θ 1 ) 1 = 1Q 1 (θ 1 ) = Q 1 (θ 1 ) Na forma geral: P i ) u si Q i )1 u si Esse parte da equação liga a fórmula da probabilidade de acerto ou de erro dependendo do que foi observado! Na forma geral a função de máxima verossimilhança fica assim: L i (u s1,u s2, u si θ s ) = I i =1 P i ) u si Q i ) 1 u si O que é L? É a probabilidade de um vetor específico de resposta ter acontecido (valor em função dos parâmetros dos itens e do theta) Cálculo de probabilidades: a probabilidade de acontecimento de dois conjuntos, mas que são independentes é igual ao produto das probabilidades de acontecimento de cada evento!
8 Probabilidades
9 Probabilidades Verossimilhança
10 O Que é L... L i (u s1,u s2, u si θ s ) = I i =1 P i ) u si Q i ) 1 u si É uma função indicando a chance de um vetor específico ter acontecido no conjunto específico de itens com os parâmetros definidos para vários valores de theta! No nosso exemplo: i02 i05 i01 i09 i07 i03 i06 i10 i04 i08 i14 i11 i15 i13 i12 i16 Padrão de resposta , , , , , , , ,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 A função é exemplificada acima. Qual o valor de theta mais plausível associado ao padrão de resposta acima?
11 Dois problemas Padrões Tudo-um e Tudo-zero: impossível estimar! i02 i05 i01 i09 i07 i03 i06 i10 i04 i08 i14 i11 i15 i13 i12 i16 Padrão de resposta , , , , , ,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 i02 i05 i01 i09 i07 i03 i06 i10 i04 i08 i14 i11 i15 i13 i12 i16 Padrão de resposta , , , , , , ,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0
12 Dois problemas Multiplicação de vários valores entre 0 e 1 chega rapidamente a um número muito pequeno e os computadores perdem a precisão no cálculo. Portanto, uma saída é calcular o logaritmo da função L (Log-Likelihoods): log e x = n e n = x log e 0,3679 = n e n = 0,3679 = 2,718 n = 0,3679 (n < 0) a n = 1 a n 2,718 1 = 1 2,718 = 1 1 2,718 = 0,3679 log e 0,3679 = 1 log e L i (u s1,u s2, u si θ s ) = u si log e P i ) [ ] + 1 u si [ ] ( )log e Q i ) Portanto: números negativos altos > baixa probabilidade números negativos baixos > alta probabilidade O mesmo valor de theta maximiza as funções L e LogL
13 Métodos Bayesianos Máximo a Posteriori Incorpora informações prévias sobre a distribuição dos parâmetros (prior information) Se o pesquisador sabe que os parâmetros irão se restringir a certos valores e tem uma idéia de sua distribuição, essa informação pode ser incorporada no processo de cálculo tornando-o mais eficiente. Resolve um problema da ML quanto à impossibilidade de estimar escores para valores extremos (tudo zero ou tudo um). Conceitos básicos: Distribuição a priori: distribuição hipotética de probabilidade de valores de theta da qual o pesquisador assume que seus sujeitos são uma amostra aleatória (a mais comumente utilizada distribuição normal padrão) Distribuição a posteriori: é simplesmente a função de máxima verossimilhança (que nos dá a probabilidade de um vetor de respostas) multiplicada pela função de distribuição a priori.
14 Idéias básicas Duas informações probabilísticas que dão pistas da habilidade de um sujeito: θ
15
16 Verossimilhança x Priori = Posteriori
17 Bingo... O objetivo da estimação Máximo a posteriori (MAP) é, então, achar o valor de theta que maximize a distribuição a posteriori (mesmo procedimento discutido anteriormente) Ver planilha Diferenças entre Máximo a posteriori (maximum a posteriori, MAP) e estimado a posteriori (estimated a posteriori, EAP) MAP: processo interativo de busca da Moda da distribuição a posteriori EAP: processo direto de cálculo da média da distribuição a posteriori Alguns pontos importantes (Embretson & Reise, 2000) Noção intuitiva da precisão!! ML/MAP/EAP: mesmo escore total / mesmo theta!! mas diferentes plausibilidades!!!!!.. Thetas diferentes devido a discriminação... ML/MAP/EAP: alta discriminação /baixa variância / menor erro MAP/EAP: testes curtos e/ou com itens com baixa discriminação mais a distribuição a priori irá influenciar MAP/EAP: a distribuição a priori força os sujeitos para a média e diminui os erros (por causa da presença de mais informação) MAP/EAP: teste com menos de 20 itens MAP será viesada. Se especificarmos erroneamente as distribuições a priori mais viesadas serão as estimações dos thetas.
18 Exemplo 2: Medidas de ajuste Ajuste: valor deve estar dentro de um limite aceitável Se passar: Modelo de CCI inadequado Alguns itens desajustados Índice de ajuste no modelo de Rasch (Infit e Outfit)
19 Exemplo 3. A invariância dos parâmetros O que acontece com a estimativa da dificuldade se estimamos os parâmetros dos itens duas vezes: G1 amostra cujos thetas estão entre -3 a -1 (M=-2) G2 amostra cujos thetas estão entre 1 a 3 (M=+2) Em cada caso há dados para se estimar um setor da curva
20 Exemplo3: A invariância dos parâmetros Mas a CCI deve ser a mesma pois se trata da estimação dos parâmetros para o mesmo item Warnings (pg. 55): é possível observar variações nas estimações em razão do tamanho da amostra, estrutura dos dados, índice de ajuste. Itens devem medir a mesma coisa em uma situação ou outra (item fora de seu contexto pode passar a medir outra coisa) ou quando usado para um grupo para o qual não é uma medida adequada. Conclusão: as estimativas estão sujeitas a variações amostrais CCI é a expressão da relação entre a probabilidade de acerto e a escala latente do construto e, por isso, não deve depender da distribuição dos sujeitos
21 Exemplo 4: Estimar os parâmetros dos sujeitos e dos itens quando só conhecemos os padrões de resposta Mas e quando só temos os padrões de resposta? O processo é mais complexo mas a idéia básica é a mesma: Pré definem-se parâmetros para os sujeitos e itens, seguem-se interações tentando melhorar os parâmetros dos itens, estima-se parâmetros para os sujeitos com as novas estimativas melhoradas dos itens Reestima-se os parâmetros dos itens com as novas estimativas melhoradas dos sujeitos Repete-se o procedimento até que não se consiga melhorar mais nenhuma estimativa Calcula-se as CCIs e os índices de ajuste.
22 Estimação dos parâmetros dos itens Problema: não se sabe quais são os valores dos thetas dos sujeitos Há três métodos mais usados: Máxima verossimilhança conjunta (Joint Maximum Likelihood, JML) Máxima verossimilhança condicional (Conditional Maximum Likelihood, CML) Máxima verossimilhança marginal (Marginal Maximum Likelihood, MML) Os métodos de estimação diferem na maneira como irão lidar com o problema dos valores desconhecidos de theta: JML: utiliza valores provisórios e estima em duas fases: sujeitos depois itens MML: modela a probabilidade dos vetores de resposta como vindo de uma população com distribuição de theta conhecida CML: modela a probabilidade dos vetores de resposta das probabilidades dos vários padrões de resposta que levaram ao mesmo escore total
23 Estimação no XCALIBRE e WINSTEPS XCALIBRE proceeds through several phases The Initial-Estimate phase consists of calculating initial estimates for the item parameters based on transformations of classical item statistics. the EM phase refines the item parameter estimates using the EM implementation of the MML estimation approach. The optional Linkage phase transforms the scale on which the item parameters exist onto a scale defined by pre-specified linking items (i.e., items with fixed parameter values). The Residual phase computes standardized residuals that provide for an evaluation of the accuracy, or fit, of the item parameter estimates with respect to the IRT model. WINSTEPS implements three methods of estimating Rasch parameters from ordered qualitative observations: JMLE, PROX and XMLE. Initially all unanchored parameter estimates (measures) are set to zero. Then the PROX method is employed to obtain rough estimates. Each iteration through the data improves the PROX estimates until they are usefully good. Then those PROX estimates are the initial estimates for JMLE which fine-tunes them, again by iterating through the data, in order to obtain the final JMLE estimates. The iterative process ceases when the convergence criteria are met. These are set by MJMLE=, CONVERGE=, LCONV= and RCONV
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 maisEstatística 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 maisPROGRAMA DE PÓS-GRADUAÇÃO EM PSICOLOGIA TEORIA DE RESPOSTA AO ITEM COM R PROF. DR. RICARDO PRIMI 2o Semestre de a feira 9:00-12:00 hs
PROGRAMA DE PÓS-GRADUAÇÃO EM PSICOLOGIA TEORIA DE RESPOSTA AO ITEM COM R PROF. DR. RICARDO PRIMI 2o Semestre de 2017-2a feira 9:00-12:00 hs OBJETIVO DA DISCIPLINA Propiciar oportunidades de estudo dos
Leia maisMEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
Leia mais03/06/2014. 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 maisTeorias 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 maisProva 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 mais3 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 maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisAULA 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 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 maisTeorias 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 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 maisTeoria de Resposta ao Item. Dr. Ricardo Primi Programa de Mestrado e Doutorado em Avaliação Psicológica Universidade São Francisco
Teoria de Resposta ao Item Dr. Ricardo Primi Programa de Mestrado e Doutorado em Avaliação Psicológica Universidade São Francisco Programa Revisão dos conceitos da Psicometria Clássica: Índice de dificuldade,
Leia maisInferência 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 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 maisModelos 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 maisEstatística 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 maisIV 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 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 maisAula 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 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 maisPAINEL 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 maisComparações 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 maisClassificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisCap. 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 maisAnálise dos Itens de um Teste de Reconhecimento de Emoções por Meio do Modelo Logístico de Dois Parâmetros da TRI
Análise dos Itens de um Teste de Reconhecimento de Emoções por Meio do Modelo Logístico de Dois Parâmetros da TRI Items Analysis of Emotional Recognition Index Through the Two Parameter Logistic Model
Leia maisEstatística 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 maisθ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
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 maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisvariável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência
REGRESSÃO LOGÍSTICA É uma técnica recomendada para situações em que a variável dependente é de natureza dicotômica ou binária. Quanto às independentes, tanto podem ser categóricas ou não. A regressão logística
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia maisCEFET/RJ Inteligência Artificial (2018.1) Prof. Eduardo Bezerra Lista de exercícios 05
. CEFET/RJ Inteligência Artificial (2018.1) Prof. Eduardo Bezerra (ebezerra@cefet-rj.br) Lista de exercícios 05 Créditos: essa lista de exercícios contém a tradução dos exercícios retirados do livro texto
Leia maisLinha Técnica Sessão I: Inferência Causal
Impact Evaluation Linha Técnica Sessão I: Inferência Causal Human Development Human Network Development Network Middle East and North Africa Region World Bank Institute Spanish Impact Evaluation Fund www.worldbank.org/sief
Leia maisTEORIA 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 maisDistribuições 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 maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia maisCapítulo 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 maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisIntervalos de Confiança
Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução
Leia maisESTATÍSTICA RESUMO E EXERCÍCIOS DE PROVAS ANTERIORES * *Resoluções destes exercícios grátis em simplificaaulas.com
ESTATÍSTICA RESUMO E EXERCÍCIOS DE PROVAS ANTERIORES * *Resoluções destes exercícios grátis em Conceitos e Fundamentos População: conjunto de elementos, número de pessoas de uma cidade. Amostra: parte
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisDistribuição 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 mais4.1 Conceitos Básicos em Reamostragem
4 Reamostragem O tipo de estatística não-paramétrica que foi ensinado no passado desempenhou um importante papel na análise de dados que não são contínuos e, portanto, não podem empregar a distribuição
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 maisAnálise Exploratória e Estimação PARA COMPUTAÇÃO
Análise Exploratória e Estimação MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Médias Média Aritmética (valor médio de uma distribuição) n x = 1 n i=1 x i = 1 n x 1 + + x n Média Aritmética
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciatura em Economia E C O N O M E T R I A II (LEC310) NOTAS PRÉVIAS: Exame Final Época Normal 9 de Junho de 2006 1. A primeira parte da prova tem duração de 75 minutos
Leia maisAULAS 17 E 18 Análise de regressão múltipla: estimação
1 AULAS 17 E 18 Análise de regressão múltipla: estimação Ernesto F. L. Amaral 22 e 24 de outubro de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisAjuste 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 maisGILSON BARBOSA DOURADO
CORREÇÃO DE VIÉS DO ESTIMADOR DE MÁXIMA VEROSSIMILHANÇA PARA A FAMÍLIA EXPONENCIAL BIPARAMÉTRICA GILSON BARBOSA DOURADO Orientador: Klaus Leite Pinto Vasconcellos Área de concentração: Estatística Matemática
Leia maisDistribuições Amostrais - Tamanho da Amostra
Distribuições Amostrais - Tamanho da Amostra Prof. Eduardo Bezerra Inferência Estatística 21 de Setembro de 2018 Eduardo Bezerra (CEFET/RJ) Tamanho da Amostra 1 / 10 Motivação Suponha que queremos estimar
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Estimação de Parâmetros O objetivo da Estatística Indutiva é tirar conclusões probabilísticas sobre aspectos da população,
Leia maisBAJO LA INFLUENCIA DE SELECCIÓN DE ÍTEMS EN LA ESTIMACIÓN DE COMPETENCIAS
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
Leia maisUniversidade São Francisco, Brasil,
Results of Psychometric Analysis of Specific Proof of the Continuous Assessment Programme Component Applied to Electrical Engineering Program at the University San Francisco Claudette Maria Medeiros Vendramini,
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisRESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 2018
RESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 018 Determinado órgão governamental estimou que a probabilidade p de um ex-condenado voltar a ser condenado por algum crime no prazo de 5 anos, contados a partir
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 maisAVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE
AVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE H. ENZWEILER 1, E. B. COUTINHO 2 e M. SCHWAAB 3 1 Universidade
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia mais9 Uma Análise Comparativa: TCT, TRI e TRIN
9 Uma Análise Comparativa: TCT, TRI e TRIN Este capítulo apresenta a descrição e a análise dos resultados obtidos pela aplicação dos modelos da Teoria Clássica dos Testes, do modelo unidimensional logístico
Leia maisDimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações
Dimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações Introdução Arminda Lucia Siqueira Dimensionamento de amostras, importante elemento
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 maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
Leia maisPrevisão de Tendência do Índice de Inflação Regional por meio de Modelos Estatísticos Multivariados
Previsão de Tendência do Índice de Inflação Regional por meio de Modelos Estatísticos Multivariados Alexandre Campos Gomes de Souza (UFPR) alexandrecgs@gmail.com Resumo O objetivo deste trabalho é comparar
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
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 maisBIOESTATISTICA. Unidade IV - Probabilidades
BIOESTATISTICA Unidade IV - Probabilidades 0 PROBABILIDADE E DISTRIBUIÇÃO DE FREQUÊNCIAS COMO ESTIMATIVA DA PROBABILIDADE Noções de Probabilidade Após realizar a descrição dos eventos utilizando gráficos,
Leia maisMinera 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 mais5 Resultados. 5.1 Estatísticas Descritivas
49 5 Resultados 5.1 Estatísticas Descritivas O total de questionários incluídos na análise estatística do ASQ-BR foi 45.640. O questionário de 4 meses de idade foi excluído da análise, pois o tamanho da
Leia maisLinha Técnica Sessão VI Métodos de Homogeneização
Impact Evaluation Linha Técnica Sessão VI Métodos de Homogeneização Human Development Network Spanish Impact Evaluation Fund www.worldbank.org/sief Quando podemos usar homogeneização? E se a designação
Leia maisTabela Taxa de desocupação na semana de referência por grupos de idade. Unidade Territorial - Total das áreas
março 2002 23,5 abril 2002 23,2 maio 2002 21,3 junho 2002 21,0 julho 2002 22,2 agosto 2002 21,9 setembro 2002 21,2 outubro 2002 21,2 novembro 2002 20,8 dezembro 2002 19,4 janeiro 2003 20,8 fevereiro 2003
Leia maisESTIMAÇÃO POR INTERVALO DE CONFIANÇA. Profª Sheila Oro 1
ESTIMAÇÃO POR INTERVALO DE CONFIANÇA Profª Sheila Oro 1 DEFINIÇÃO Um itervalo de confiança (ou estimativa intervalar) é uma faixa (ou um intervalo) de valores usada para se estimar o verdadeiro valor de
Leia mais7. Controlo Adaptativo
1 7. Controlo Adaptativo Objectivo: Mostrar como é possível integrar os blocos anteriormente estudados de identificação de sistemas e projecto de controladores para obter controladores adaptativos. 2 Motivação
Leia maisIntervalos de Confiança
Intervalos de Confiança Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Estimar o consumo médio de um automóvel, estimar o tempo médio que um funcionário leva a aprender uma
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 maisModelos heterocedásticos com erros nas variáveis: modelando a emissão de raios-x contra a massa de buracos negros
Modelos heterocedásticos com erros nas variáveis: modelando a emissão de raios-x contra a massa de buracos negros Alexandre Galvão Patriota IME - USP Alexandre Galvão Patriota (IME - USP) Modelo com erro
Leia maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
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 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 maisSeleção 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 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 maisTestes 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 maisAULAS 25 E 26 VARIÁVEIS INSTRUMENTAIS
1 AULAS 25 E 26 VARIÁVEIS INSTRUMENTAIS Ernesto F. L. Amaral 11 e 13 de junho de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas para Avaliação
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 maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisTópicos em Gestão da Informação II
Tópicos em Gestão da Informação II Aula 05 Variabilidade estatística Prof. Dalton Martins dmartins@gmail.com Gestão da Informação Faculdade de Informação e Comunicação Universidade Federal de Goiás Exercício
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 maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisSegundo Trabalho de Econometria 2009
Segundo Trabalho de Econometria 2009 1.. Estimando o modelo por Mínimos Quadrados obtemos: Date: 06/03/09 Time: 14:35 Sample: 1995Q1 2008Q4 Included observations: 56 C 0.781089 0.799772 0.97664 0.3332
Leia maisNovembro/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 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 mais