Occurrence and quantity of precipitation can be modelled simultaneously. Peter K. Dunn Autor Braga Junior e Eduardo Gomes Apresentação
|
|
- Rachel Farinha Azevedo
- 8 Há anos
- Visualizações:
Transcrição
1 Occurrence and quantity of precipitation can be modelled simultaneously Peter K. Dunn Autor Apresentação
2 Introdução Introdução Estudos sobre modelagem da precipitação de chuvas são importantes, pois permitem um melhor entedimento sobre erosão e transporte de poluentes, por exemplo. Podemos pensar na precipitação de duas formas: Quantidade de chuva que cai Número de dias com chuva
3 Introdução Introdução Estudos sobre modelagem da precipitação de chuvas são importantes, pois permitem um melhor entedimento sobre erosão e transporte de poluentes, por exemplo. Podemos pensar na precipitação de duas formas: Quantidade de chuva que cai Número de dias com chuva
4 Introdução Introdução Para algumas aplicações é necessário entender o número de eventos de chuva em um dado dia e a intensidade da precipitação em cada dia. Uma diculdade com a modelagem da precipitação é que ela é contínua com zeros exatos.
5 Introdução Introdução Para algumas aplicações é necessário entender o número de eventos de chuva em um dado dia e a intensidade da precipitação em cada dia. Uma diculdade com a modelagem da precipitação é que ela é contínua com zeros exatos.
6 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA DIAS DE CHUVA A modelagem para os dias de chuva tem sido baseada em cadeias de Markov. O mais simples tem dois estados (chuva e não-chuva) e é de primeira ordem (a probabilidade de chuva depende somente do período anterior). Para cadeias de Markov de primeira ordem, a duração dos períodos de seca e chuva tem sido modelado usando uma distribuição Geométrica.
7 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA DIAS DE CHUVA A modelagem para os dias de chuva tem sido baseada em cadeias de Markov. O mais simples tem dois estados (chuva e não-chuva) e é de primeira ordem (a probabilidade de chuva depende somente do período anterior). Para cadeias de Markov de primeira ordem, a duração dos períodos de seca e chuva tem sido modelado usando uma distribuição Geométrica.
8 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA DIAS DE CHUVA Feuerverger(1979) usou um modelo de regressção logística para a probabilidade de precipitação. Chandler e Wheater(2002) usou um modelo linear generalizado com base na binomial.
9 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA DIAS DE CHUVA Feuerverger(1979) usou um modelo de regressção logística para a probabilidade de precipitação. Chandler e Wheater(2002) usou um modelo linear generalizado com base na binomial.
10 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA Devido a precipitação ser geralmente bastante assimétrica à direita, distribuições como a Gama e Exponencial são utilizadas nessa modelagem. Chapman(1998) comenta que a distribuição Normal Assimétrica foi usada por Nicks e Lane(1989), e a distribuição Weibull usada por Zucchini e Adamson(1984). A mais comumente usada, entretanto, é a distribuição Gama. Allan e Hoan(1975), por exemplo, usou um caso especial da distribuição Gama (a Exponencial) para modelar a precipitação.
11 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA Devido a precipitação ser geralmente bastante assimétrica à direita, distribuições como a Gama e Exponencial são utilizadas nessa modelagem. Chapman(1998) comenta que a distribuição Normal Assimétrica foi usada por Nicks e Lane(1989), e a distribuição Weibull usada por Zucchini e Adamson(1984). A mais comumente usada, entretanto, é a distribuição Gama. Allan e Hoan(1975), por exemplo, usou um caso especial da distribuição Gama (a Exponencial) para modelar a precipitação.
12 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA A suposição de mesma distribuição pode ser relaxada. Alguns pesquisadores têm usado diferentes distribuições Gama, dependendo se choveu ou não no dia anterior. Outros pesquisadores têm usado 3 distribuições Gama diferentes: (i) Um dia so com chuva; (ii) Uma para o primeiro dia de dias com chuva; (iii) Um para os dias subsequentes com chuva;
13 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA A suposição de mesma distribuição pode ser relaxada. Alguns pesquisadores têm usado diferentes distribuições Gama, dependendo se choveu ou não no dia anterior. Outros pesquisadores têm usado 3 distribuições Gama diferentes: (i) Um dia so com chuva; (ii) Uma para o primeiro dia de dias com chuva; (iii) Um para os dias subsequentes com chuva;
14 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA A suposição de mesma distribuição pode ser relaxada. Alguns pesquisadores têm usado diferentes distribuições Gama, dependendo se choveu ou não no dia anterior. Outros pesquisadores têm usado 3 distribuições Gama diferentes: (i) Um dia so com chuva; (ii) Uma para o primeiro dia de dias com chuva; (iii) Um para os dias subsequentes com chuva;
15 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA A suposição de mesma distribuição pode ser relaxada. Alguns pesquisadores têm usado diferentes distribuições Gama, dependendo se choveu ou não no dia anterior. Outros pesquisadores têm usado 3 distribuições Gama diferentes: (i) Um dia so com chuva; (ii) Uma para o primeiro dia de dias com chuva; (iii) Um para os dias subsequentes com chuva;
16 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA A suposição de mesma distribuição pode ser relaxada. Alguns pesquisadores têm usado diferentes distribuições Gama, dependendo se choveu ou não no dia anterior. Outros pesquisadores têm usado 3 distribuições Gama diferentes: (i) Um dia so com chuva; (ii) Uma para o primeiro dia de dias com chuva; (iii) Um para os dias subsequentes com chuva;
17 Introdução Enfoques correntes para modelagem da precipitação MODELOS PARA QUANTIDADE DE CHUVA Para todos esses modelos não é incomum que os parâmetros variem ao longo do ano. Isto pode ser modelado usando diferentes parâmetros para cada mês ou estação.
18 O Modelo de Tweedie Modelo Tweedie 3- O MODELO DE TWEEDIE Assuma que qualquer evento i de precipitação resulta em uma quantidade de precipitação R i, e que cada R i tem uma distribuição Gama Gam( α, γ). (Nessa parametrização a média é αγ e a variância αγ 2 ). Assuma que o número de eventos, N, de precipitação em um dia qualquer como tendo uma distribuição de Poisson. O total de precipitação diária Y pode ser encontrada como uma soma de Poisson das variáveis aleatórias Gama, tal que Y = R 1 + R R N onde N tem uma distribuição de Poisson com média λ.
19 O Modelo de Tweedie Modelo Tweedie 3- O MODELO DE TWEEDIE Assuma que qualquer evento i de precipitação resulta em uma quantidade de precipitação R i, e que cada R i tem uma distribuição Gama Gam( α, γ). (Nessa parametrização a média é αγ e a variância αγ 2 ). Assuma que o número de eventos, N, de precipitação em um dia qualquer como tendo uma distribuição de Poisson. O total de precipitação diária Y pode ser encontrada como uma soma de Poisson das variáveis aleatórias Gama, tal que Y = R 1 + R R N onde N tem uma distribuição de Poisson com média λ.
20 O Modelo de Tweedie Modelo Tweedie Um argumento idêntico pode ser aplicado para precipitação mensal, quando R i poderia referir à precipitação registrada em um dia qualquer e Y é o total de precipitação mensal. A distribuição da precipitação total Y pode ser deduzida trabalhando com funções de cumulantes gerais e notando que Y dado N tem distribuição Gama, Gam( Nα, γ). A distribuição resultante tem sido chamada de Poisson Composta (Feller, 1968; Bar-lev and Stramer, 1987; Jorgensen and Paes de Souza, 1994; Smyth and Jorgensen, 1999), Gama Composta (Johnson and Kotz, 1970) ou Poisson-Gama (Smyth, 1996).
21 O Modelo de Tweedie Modelo Tweedie Um argumento idêntico pode ser aplicado para precipitação mensal, quando R i poderia referir à precipitação registrada em um dia qualquer e Y é o total de precipitação mensal. A distribuição da precipitação total Y pode ser deduzida trabalhando com funções de cumulantes gerais e notando que Y dado N tem distribuição Gama, Gam( Nα, γ). A distribuição resultante tem sido chamada de Poisson Composta (Feller, 1968; Bar-lev and Stramer, 1987; Jorgensen and Paes de Souza, 1994; Smyth and Jorgensen, 1999), Gama Composta (Johnson and Kotz, 1970) ou Poisson-Gama (Smyth, 1996).
22 O Modelo de Tweedie Modelo Tweedie Um argumento idêntico pode ser aplicado para precipitação mensal, quando R i poderia referir à precipitação registrada em um dia qualquer e Y é o total de precipitação mensal. A distribuição da precipitação total Y pode ser deduzida trabalhando com funções de cumulantes gerais e notando que Y dado N tem distribuição Gama, Gam( Nα, γ). A distribuição resultante tem sido chamada de Poisson Composta (Feller, 1968; Bar-lev and Stramer, 1987; Jorgensen and Paes de Souza, 1994; Smyth and Jorgensen, 1999), Gama Composta (Johnson and Kotz, 1970) ou Poisson-Gama (Smyth, 1996).
23 O Modelo de Tweedie Modelo Tweedie A função de probabilidade resultante é complicada e pode ser escrita como: logf p (y; µ, φ) = λ, para y = 0 = y λ logy + logw (y, φ, p), para y > 0 γ onde γ = φ(p 1)µ p 1, λ = µ2 p φ(2 p) e W (y, φ, p) = j=1 onde α = (2 p)/(1 p). y jα (p 1) αj φ j(1 α) (2 p) j j!γ( jα)
24 O Modelo de Tweedie Modelo Tweedie A função de probabilidade resultante é complicada e pode ser escrita como: logf p (y; µ, φ) = λ, para y = 0 = y λ logy + logw (y, φ, p), para y > 0 γ onde γ = φ(p 1)µ p 1, λ = µ2 p φ(2 p) e W (y, φ, p) = j=1 onde α = (2 p)/(1 p). y jα (p 1) αj φ j(1 α) (2 p) j j!γ( jα)
25 O Modelo de Tweedie Modelo Tweedie A média da distribuição é µ e a variância é φµ p. Nessa formula, 1 < p < 2 é o índice que determina qual distribuição Poisson-Gama é usada. Importante: A probabilidade de não registrar uma precipitação é dada por [ ] P(Y = 0) = exp( λ) = exp µ2 p φ(2 p)
26 O Modelo de Tweedie Modelo Tweedie A média da distribuição é µ e a variância é φµ p. Nessa formula, 1 < p < 2 é o índice que determina qual distribuição Poisson-Gama é usada. Importante: A probabilidade de não registrar uma precipitação é dada por [ ] P(Y = 0) = exp( λ) = exp µ2 p φ(2 p)
27 O Modelo de Tweedie Modelo Tweedie As distribuições Poisson-Gama fazem parte de uma classe de distribuições conhecida como família Tweedie de distribuições. Essas distribuições têm variância na forma Var(Y ) = φµ p para p / (0, 1). Para 1 < p < 2, as distribuições têm suporte em números não-negativos e a distribuição é a Poisson-Gama ja apresentada. Quando p 1, as probabilidades são dadas pela distribuição Poisson. Quando p 2, a distribuição tende para a Gama.
28 O Modelo de Tweedie Modelo Tweedie A gura mostra a função de densidade de algumas distribuições Tweedie para vários valores de p.
29 O Modelo de Tweedie Modelo Tweedie Matematicamente, as distribuições são melhores analisadas usando a parametrização (µ, φ, p). Contudo, climatologicamente a parametrização em termos de (λ, γ, α) são mais úteis. Nessa parametrização, λ refere o número médio de eventos de precipitação por mês, γ refere a forma dos eventos de precipitação e αγ refere a quantidade média de precipitação por evento.
30 O Modelo de Tweedie Modelo Tweedie Propriedades importantes que fazem dela atraente para utilização na modelagem de precipitação: Estas distribuições pertecem à família exponencial, sob a qual os modelos lineares generelizados estão baseados. Consequentemente, existem metodologias disponíveis para ajustar modelos baseados na distribuição Tweedie e para testes de diagnóstico. Além disso, covariáveis podem ser incorporadas no procedimento de modelagem.
31 O Modelo de Tweedie Modelo Tweedie Propriedades importantes que fazem dela atraente para utilização na modelagem de precipitação: Estas distribuições pertecem à família exponencial, sob a qual os modelos lineares generelizados estão baseados. Consequentemente, existem metodologias disponíveis para ajustar modelos baseados na distribuição Tweedie e para testes de diagnóstico. Além disso, covariáveis podem ser incorporadas no procedimento de modelagem.
32 Estimação Estimação A família Tweedie tem 3 parâmetros. São eles µ (a média), φ (o parâmetro de dispersão) e p. No contexto dos modelos lineares generalizados, µ corresponde aos valores preditos e pode ser estimado usando algoritmos padrão. Como não estamos utilizando covariáveis, µ pode ser estimado pela média amostral.
33 Estimação Estimação A estimação de máxima verossimilhança de φ é mais difícil; algoritmos complicados estão disponíveis para a estimação de máxima verossimilhança de φ. No paper é utilizada a estimativa de máxima verossimilhança.
34 Estimação Estimação A estimação de máxima verossimilhança de p é feita usando um gráco da log-verossimilhança perlada, no qual requer a computação da verossimilhança. Para um dado valor xo de p, estimativas de µ e φ podem ser computadas como falamos anteriormente e a log-verossimilhança computada. O valor de p em que a log-verossimilhança é máxima é escolhida como o valor de máxima verossimilhança.
35 Aplicação Flexibilidade da familia Tweedie Uma das principais características da Distribuição tweedie é sua exibilidade. Nas seguintes guras são apresentadas algumas das diferentes formas que sua função de densidade pode assumir: Figura 1: Formas de densidades da família tweedie
36 Aplicação Figura 2: Formas de densidades da família tweedie Nos casos em que o parâmetro p está no intervalo (1, 2), note que no ponto y = 0 existe um ponto de massa representando uma probabilidade positiva de ocorrência de zero.
37 Exemplo 1 Aplicação O primeiro exemplo trata de dados de precipitação mensal em Chaterville na Australia no periíodo de 1882 a Considera-se que para um determinado mês, a precipitação total Y pode ser descrita por uma distribuição Poisson resultante da soma de variáveis aleatótias com distribuição gamma, tal que: Y = R 1 + R R N em que N tem distribuição Poisson com média λ.
38 Aplicação Neste caso distribuição Tweedie pode ser utilizada, considerando duas parametrizações de interesse: (µ, φ, p) em que µ e φ são os parâmetros usuais das distribuições da família exponencial e p é o parâmetro especico da distribuição Tweedie, (λ, γ, α) em que λ é o número médio de eventos de chuva, γ é parametro de forma dos eventos de chuva e αγ é a quantidade média de chuva por evento. Vale notar que as interpretações referentes à segunda parametrização são válidas apenas nos casos em que 1 < p < 2, ou seja existe a ocorrência de zeros nos dados.
39 Aplicação No conjunto de dados, para cada mês tem-se 113 observações de Y, sendo que existem diversos zeros, salvo para os meses de Novembro, Dezembro e Janeiro que apresentaram chuva em todos os anos observados.
40 Exemplo 2 Aplicação Neste exemplo são considerados dados de precipitação diária dos meses de Abril em Melbourne, Australia, no período de 1981 a O banco de dados consiste de 300 observações, sendo destas 197 iguais a zero, representando dias sem chuva. O banco de dados está disponível na internet e o exemplo foi reproduzido utilizando os pacotes (tweedie) e (statmod).
41 Aplicação Figura 3: Estimação do parâmetro p O gráco apresenta o perl de verossimilhança do parâmetro p. Os parâmetros (µ, φ) são estimados pelo método de máxima verossimilhança, e com as estimativas obtidas calcula-se o valor da função de verossimilhança para diversos valores de p, buscando um valor de p que maximize a função. No exemplo em questão, o valor de p estimado é aproximadamente 1.61.
42 Aplicação Uma análise de resíduos é utilizada para vericar o ajuste do modelo adotado aos dados. No exemplo são utilizados os resíduos quantis aleatorizados (Dunn e Smyth 1996). Figura 4: QQ-plot dos resíduos quantis aleatorizados
43 Inclusão de covariáveis Aplicação No artigo apresentado os modelos ajustados não incorporam covariáveis. A utilização das mesmas é da forma convencional atravéz da função glm, em que para a família tweedie precisa de argumento adicional que xa o parâmetro p Em (Smyth e Jorgensen 2002) é apresentado um exemplo da utilização da distribuição Tweedie em modelos lineares generalizados com adição de covariáveis no modelo. Neste caso os autores utilizam um contexto que chamam de MLG duplos, em que tanto a média quanto a disperção são modeladas no enfoque de MLG.
44 Referências Aplicação Dunn PK, Smyth GK Randomized quantile residuals. Journal of Computational and Graphical Statistics 5: Smyth GK, Jorgesen B Fitting Tweedie s compound Poisson model to insurance claims data: dispersion modeling. Proceedings of the 52nd Session of the International Statistical Institute. 68. Dunn PK Occurence and quantity of precipitation can be modelled simultaneously. International journal of climatology 24: Smyth GK Regression analysis of quantity data with exact zeros. In Proceedings of the Second AustraliaJapan Workshop on Stochastic Models in Engineering, Technology and Management, Braga Technology Junior e Eduardo Management Gomes Centre, University of
de Piracicaba-SP: uma abordagem comparativa por meio de modelos probabilísticos
Descrição da precipitação pluviométrica no munícipio de Piracicaba-SP: uma abordagem comparativa por meio de modelos probabilísticos Idemauro Antonio Rodrigues de Lara 1 Renata Alcarde 2 Sônia Maria De
Leia maisUtilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência.
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesta abordagem paramétrica, para estimar as funções básicas da análise de sobrevida, assume-se que o tempo de falha T segue uma distribuição
Leia maisA distribuição Weibull-Poisson
A distribuição Weibull-Poisson Estela Maris P. Bereta - DEs/UFSCar Francisco Louzada-Neto - DEs/UFSCar Maria Aparecida de Paiva Franco - DEs/UFSCar Resumo Neste trabalho é proposta uma distribuição de
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisDistribuição Exponencial Exponenciada na Presença de Fração de Cura: Modelos de Mistura e Não-Mistura
Distribuição Exponencial Exponenciada na Presença de Fração de Cura: Modelos de Mistura e Não-Mistura Emílio Augusto Coelho-Barros 1,2 Jorge Alberto Achcar 2 Josmar Mazucheli 3 1 Introdução Em análise
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisProbabilidade. Distribuição Normal
Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade
Leia maisExercícios Resolvidos da Distribuição de Poisson
. a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado
Leia maisPLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística
1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisDistribuição de Erlang
Distribuição de Erlang Uma variável aleatória exponencial descreve a distância até que a primeira contagem é obtida em um processo de Poisson. Generalização da distribuição exponencial : O comprimento
Leia maisVetores Aleatórios, correlação e conjuntas
Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2
Leia maisPERGUNTAS MAIS FREQÜENTES SOBRE VALOR PRESENTE LÍQUIDO (VPL)
PERGUNTAS MAIS FREQÜENTES SOBRE VALOR PRESENTE LÍQUIDO (VPL) Melhor método para avaliar investimentos 16 perguntas importantes 16 respostas que todos os executivos devem saber Francisco Cavalcante(f_c_a@uol.com.br)
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisEstimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA
Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA Everton Batista da Rocha 1 2 3 Roseli Aparecida Leandro 2 Paulo Justiniano Ribeiro Jr 4 1 Introdução Na experimentação agronômica
Leia maisTTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL. Cleber Giugioli Carrasco 1 ; Francisco Louzada-Neto 2 RESUMO
TTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL Cleber Giugioli Carrasco ; Francisco Louzada-Neto Curso de Matemática, Unidade Universitária de Ciências Exatas e Tecnológicas, UEG. Departamento
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisConceitos de Confiabilidade Características da Distribuição Weibull
Página 1 de 7 WebSite Softwares Treinamentos Consultorias Recursos ReliaSoft Empresa ReliaSoft > Reliability Hotwire > Edição 3 > Conceitos Básicos de Confiabilidade Reliability HotWire Edição 3, Maio
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia mais'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56
LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU OREDOGR(VWDGRGR56 6X]DQH5DQ]DQ 6LPRQH0&HUH]HU&ODRGRPLU$0DUWLQD]]R Universidade Regional Integrada do Alto Uruguai e das Missões, Departamento de
Leia maisVersão 1.0 09/Set/2013. www.wedocenter.com.br. WeDo Soluções para Contact Center Consultorias
Verificação do Modelo de Erlang Ponto de Análise: Processo de chegada de contatos Operações de Contact Center Receptivo Por: Daniel Lima e Juliano Nascimento Versão 1.0 09/Set/2013 Ponto de Análise Processo
Leia maisModelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1
Modelagem da Venda de Revistas Mônica Barros Julho de 1999 info@mbarros.com 1 Modelagem Matemática e Previsão de Negócios Em todas as empresas, grandes e pequenas, é necessário fazer projeções. Em muitos
Leia maisCálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante
Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos
Leia maisUniversidade Federal de Pernambuco Mestrado em Estatística
Universidade Federal de Pernambuco Mestrado em Estatística Lista 4 de Exercícios de Amostragem Prof. Cristiano Ferraz 1. Em relação ao plano amostral de Bernoulli: a) Explique como retirar uma amostra
Leia maisProbabilidades e Estatística
Departamento de Matemática - IST(TP) Secção de Estatística e Aplicações Probabilidades e Estatística 1 o Exame/1 o Teste/2 o Teste 2 o Semestre/1 a Época 2008/09 Duração: 3 horas/1 hora e 30 minutos 16/01/09
Leia maisFunção bayesiana em R para o problema de Behrens-Fisher multivariado
Função bayesiana em R para o problema de Behrens-Fisher multivariado Patrícia de Siqueira Ramos 1 2 Daniel Furtado Ferreira 3 1 Introdução Um dos problemas mais comuns na Estatística aplicada é o de comparar
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisMATEMÁTICA FINANCEIRA
MATEMÁTICA FINANCEIRA Conceitos básicos A Matemática Financeira é uma ferramenta útil na análise de algumas alternativas de investimentos ou financiamentos de bens de consumo. Consiste em empregar procedimentos
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia maisUma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.
Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de
Leia maisCOMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV- SMIRNOV, ANDERSON-DARLING, CRAMER VON MISES E SHAPIRO-WILK POR SIMULAÇÃO
COMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV SMIRNOV, ANDERSONDARLING, CRAMER VON MISES E SHAPIROWILK POR SIMULAÇÃO Vanessa Bielefeldt Leotti, Universidade Federal do Rio Grande do Sul,
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisConstrução de modelos: 1 estimativa dos parâmetros que melhor ajustam os modelos aos dados, 2 selecionar aqueles modelos que tem o melhor ajuste
Verossimilhança Construção de modelos: 1 estimativa dos parâmetros que melhor ajustam os modelos aos dados, 2 selecionar aqueles modelos que tem o melhor ajuste Métrica usada para avaliar o ajuste Verossimilhança:
Leia maisMODELOS GENERALIZADOS ADITIVOS PARA LOCAÇÃO, ESCALA E FORMA NUMA ANÁLISE DE CUSTOS DE PROCEDIMENTOS HOSPITALARES DE UMA OPERADORA DE PLANOS DE SAÚDE
MODELOS GENERALIZADOS ADITIVOS PARA LOCAÇÃO, ESCALA E FORMA NUMA ANÁLISE DE CUSTOS DE PROCEDIMENTOS HOSPITALARES DE UMA OPERADORA DE PLANOS DE SAÚDE Rafaela de Sousa KIENEN Cesar Augusto TACONELI RESUMO:
Leia maisBioestatística Aula 3
Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento
Leia maisEstudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana
Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Leandro Alves Pereira - FAMAT, UFU Rogerio de Melo Costa Pinto - FAMAT, UFU 2 Resumo: Os insetos-pragas
Leia maisASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA
ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA Bárbara Camboim Lopes de FIGUEIRÊDO 1, Gustavo Henrique ESTEVES 2 1 Departamento de Estatística
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisHipóteses Estatísticas Testadas por Diversos Softwares em Modelos com Dois Fatores Cruzados e Dados Desbalanceados
TEMA Tend. Mat. Apl. Comput., 5, No. 1 (24), 117-124. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Hipóteses Estatísticas Testadas por Diversos Softwares em Modelos
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisEstudo dos fatores que influenciam no tempo até o transplante renal nos pacientes em tratamento de Hemodiálise
Estudo dos fatores que influenciam no tempo até o transplante renal nos pacientes em tratamento de Hemodiálise Carolina Ferreira Barroso 1 Graziela Dutra Rocha Gouvêa 2 1. Introdução A análise de sobrevivência
Leia maisEste apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade,
D Resumo de Álgebra Matricial Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade, necessária para o estudo de modelos de regressão linear múltipla usando matrizes,
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisAULAS 04 E 05 Estatísticas Descritivas
1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maisMOQ-13 Probabilidade e Estatística
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-13 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br Motivação Idéias Básicas
Leia maisMétodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF)
Métodos Estatísticos II 1 o. Semestre de 010 ExercíciosProgramados1e VersãoparaoTutor Profa. Ana Maria Farias (UFF) Esses exercícios abrangem a matéria das primeiras semanas de aula (Aula 1) Os alunos
Leia maisCONTEÚDO. 1.6.4 Tempo Médio e Vida Média Residual. 1.6.5 Relações entre as Funções 1.7 Exercícios...
Conteúdo Prefácio xiii 1 Conceitos Básicos e Exemplos 1 1.1 Introdução... 1 1.2 Objetivo e Planejamento dos Estudos 3 1.3 Caracterizando Dados de Sobrevivência 6 1.3.1 Tempo de Falha 7 1.3.2 Censura e
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
27 de setembro a de outubro de 2 COMPARAÇÃO DOS MÉTODOS DOS MOMENTOS E DA MÁXIMA VEROSSSIMILHANÇA PARA ESTIMATIVA DOS PARÂMETROS DA DISTRIBUIÇÃO DE PROBABILIDADE WEIBULL LIDIANE APARECIDA BORGES, CARLOS
Leia maisUNIVERSIDADE ESTADUAL DE CAMPINAS. Instituto de Matemática, Estatística e Computação Científica
UNIVERSIDADE ESTADUAL DE CAMPINAS Instituto de Matemática, Estatística e Computação Científica Relatório Final - MS777 Modelagem matemático/probabilística dos módulos acústicos e de linguagem de sistemas
Leia maisAULAS 13, 14 E 15 Correlação e Regressão
1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de
Leia maisMétodo de Monte Carlo e ISO
Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza
Leia mais(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero?
Grupo I 5.0 valores 1. Um sistema de comunicação binária transmite zeros e uns com probabilidade 0.5 em qualquer dos casos. Devido ao ruído existente no canal de comunicação há erros na recepção: transmitido
Leia maisOlá pessoal! Sem mais delongas, vamos às questões.
Olá pessoal! Resolverei neste ponto a prova para AFRE/SC 2010 realizada pela FEPESE no último final de semana. Nosso curso teve um resultado muito positivo visto que das 15 questões, vimos 14 praticamente
Leia maisAPLICAÇÃO DE TÉCNICAS ESTATÍSTICAS UTILIZANDO O SISVAR
APLICAÇÃO DE TÉCNICAS ESTATÍSTICAS UTILIZANDO O SISVAR Nádia Giaretta Biase 1 Universidade Federal de Uberlândia nadia@pontal.ufu.br Jéssica Paula Silva Costa 2 Universidade Federal de Uberlândia jessicapaula@mat.pontal.ufu.br
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia maisCAIXA ECONOMICA FEDERAL
JUROS SIMPLES Juros Simples comercial é uma modalidade de juro calculado em relação ao capital inicial, neste modelo de capitalização, os juros de todos os períodos serão sempre iguais, pois eles serão
Leia maisTÉCNICAS DE AVALIAÇÃO ECONÔMICA. comunicação técnica do CETEM Avaliação Econômica de Projetos Prof. Raul Oliveira Neto
TÉCNICAS DE AVALIAÇÃO ECONÔMICA comunicação técnica do CETEM Avaliação Econômica de Projetos Prof. Raul Oliveira Neto Introdução As técnicas de avaliação econômica são utilizadas para converter os dados
Leia maisQUADRADO MÁGICO - ORDEM 4
CONCEITO Partindo da definição original, os QUADRADOS MÁGICOS devem satisfazer três condições: a) tabela ou matriz quadrada (número de igual ao número de ); b) domínio: com elementos assumindo valores
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aulas passadas Modelagem de sistemas via cadeias de Markov Aula de hoje Introdução à simulação Gerando números pseudo-aleatórios 1 O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisSoluções integrais. Há cinco degraus para se alcançar a sabedoria: calar, ouvir, lembrar, agir, estudar. Anônimo. Soluções do Capítulo 1
Soluções integrais Há cinco degraus para se alcançar a sabedoria: calar, ouvir, lembrar, agir, estudar. Anônimo Soluções do Capítulo 1 Basta somar os valores, lembrando que seta para baixo indica valor
Leia maisCREDITRISK+: Implementação da Modelagem Estatística de Risco de Crédito e Cálculos Alternativos Através da Transformada Rápida de Fourier no R.
CREDITRISK+: Implementação da Modelagem Estatística de Risco de Crédito e Cálculos Alternativos Através da Transformada Rápida de Fourier no R. M. A. S. Sanfins a 1 & T. M. Clark a 2 a Universidade Federal
Leia maisPor que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,...
Por que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,... 0) O que veremos na aula de hoje? Um fato interessante Produtos notáveis Equação do 2º grau Como fazer a questão 5 da 3ª
Leia maisUma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos de Sobrevivência
TEMA Tend. Mat. Apl. Comput., 7, No. 1 (2006), 91-100. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos
Leia maisAnálise bioestatística em fumantes dinamarqueses associado
Análise bioestatística em fumantes dinamarqueses associado à câncer de esôfago Bárbara Camboim Lopes de Figueirêdo 1 Gustavo Henrique Esteves 2 1 Introdução A Bioestatística surgiu em 1894 quando Karl
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisMOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo
MOQ-3 ESTATÍSTICA Proessor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística: The Science o collecting and analyzing data or the purpose o drawing conclusions and making
Leia maisAnálise Bayesiana do Sistema de Cotas da UFBA
Análise Bayesiana do Sistema de Cotas da UFBA Lilia Carolina C. da Costa Universidade Federal da Bahia Marina Silva Paez Universidade Federal do Rio de Janeiro Antonio Guimarães, Nadya Araujo Guimarães
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisMomentos de uma variável aleatória
Momentos de uma variável aleatória O cálculo de E[X] (valor médio de X) e E[X 2 ] (que intervém na variância), pode ser generalizado pensando em E[X k ] com k IN. Definição: Dada uma v.a. X, chama-se momento
Leia maisCAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO
CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO Em quase todas as nossas atividades diárias precisamos enfrentar filas para atender as nossas necessidades. Aguardamos em fila na padaria, nos bancos, quando trafegamos
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisMonitoramento e Controle de Processo Multivariado
Monitoramento e Controle de Processo Multivariado Roteiro 1. O Problema do Controle da Qualidade Multivariado 2. Descrição de Dados Multivariados 3. Gráfico de Controle T 2 de Hotelling (Subgrupos) 4.
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - EPPGG
Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - EPPGG 11. Em uma caixa há 1 bolas de mesmo tamanho: 3 brancas, 4 vermelhas e 5 pretas. Uma pessoa, no escuro, deve retirar n bolas
Leia maisAula 7 - Cálculo do retorno econômico
Aula 7 - Cálculo do retorno econômico Cálculo do retorno econômico Para comparar os custos e os benefícios de um projeto social, precisa-se analisá-los em valores monetários de um mesmo momento do tempo.
Leia mais3. Características amostrais. Medidas de localização e dispersão
Estatística Descritiva com Excel Complementos. 77 3. Características amostrais. Medidas de localização e dispersão 3.1- Introdução No módulo de Estatística foram apresentadas as medidas ou estatísticas
Leia maisJuros Simples, Compostos, e Contínuos
Juros Simples, Compostos, e Contínuos Conceito Principal Juros são o preço pago pelo benefício do empréstimo de dinheiro por um certo período de tempo. Tipicamente, a taxa de juros é expressa como uma
Leia mais3 Caracterização do Repositório Experimental
3 Caracterização do Repositório Experimental Devido ao alto custo para reproduzir o ambiente computacional das atuais máquinas de busca, a simulação tem sido empregada na literatura para avaliar as políticas
Leia mais2 Atualidade de uma base de dados
2 Atualidade de uma base de dados Manter a atualidade de uma base de dados é um problema que pode ser abordado de diferentes maneiras. Cho e Garcia-Molina [CHO] definem esse problema da seguinte forma:
Leia maisDescreve de uma forma adequada o
EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada
Leia maisMatemática Financeira II
Módulo 3 Unidade 28 Matemática Financeira II Para início de conversa... Notícias como essas são encontradas em jornais com bastante frequência atualmente. Essas situações de aumentos e outras como financiamentos
Leia maisSUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2
SUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2 1.1 Introdução... 2 1.2 Estrutura do IP... 3 1.3 Tipos de IP... 3 1.4 Classes de IP... 4 1.5 Máscara de Sub-Rede... 6 1.6 Atribuindo um IP ao computador... 7 2
Leia maisANÁLISE DA DISTRIBUIÇÃO TEMPORAL DE DADOS HORÁRIOS DE TEMPERATURA EM CURITIBA
ANÁLISE DA DISTRIBUIÇÃO TEMPORAL DE DADOS HORÁRIOS DE TEMPERATURA EM CURITIBA Miriam Pittigliani Instituto Tecnológico Simepar Centro Politécnico da UFPR Cx. Postal 19.1, Curitiba-PR, 81.531-99 e-mail:
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisGerenciamento de Riscos do Projeto Eventos Adversos
Gerenciamento de Riscos do Projeto Eventos Adversos 11. Gerenciamento de riscos do projeto PMBOK 2000 PMBOK 2004 11.1 Planejamento de gerenciamento de riscos 11.1 Planejamento de gerenciamento de riscos
Leia maisProcessos Estocásticos
Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em
Leia maismat fin 2008/6/27 13:15 page 53 #50
mat fin 2008/6/27 13:15 page 53 #50 Aula 4 DESCONTO NA CAPITALIZAÇ ÃO SIMPLES O b j e t i v o s Ao final desta aula, você será capaz de: 1 entender o conceito de desconto; 2 entender os conceitos de valor
Leia maisIntrodução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.
Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisRegressão Linear em SPSS
Regressão Linear em SPSS 1. No ficheiro Calor.sav encontram-se os valores do consumo mensal de energia, medido em milhões de unidades termais britânicas, acompanhados de valores de output, em milhões de
Leia maisAULAS 02 E 03 Modelo de Regressão Simples
1 AULAS 02 E 03 Modelo de Regressão Simples Ernesto F. L. Amaral 04 e 09 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisGeração de variáveis aleatórias
Geração de variáveis aleatórias Danilo Oliveira, Matheus Torquato Centro de Informática Universidade Federal de Pernambuco 5 de setembro de 2012 Danilo Oliveira, Matheus Torquato () 5 de setembro de 2012
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia mais2 Modelo para o Sistema de Controle de Estoque (Q, R)
Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de
Leia maisBase Nacional Comum Curricular 2016. Lemann Center at Stanford University
Base Nacional Comum Curricular 2016 Lemann Center at Stanford University Parte II: Base Nacional Comum: Análise e Recomendações da Seção de Matemática Phil Daro Dezembro, 2015 BASE NACIONAL COMUM: ANÁLISE
Leia mais